Version PDF

École de technologie supérieure

Responsable(s) de cours :

Mohamad Forouzanfar

PLAN DE COURS

Automne 2026
GTS860 : Intelligence artificielle et applications en santé (3 crédits)

Préalables
Aucun préalable requis.

Description du cours
Ce cours vise à analyser, grâce à l'intelligence artificielle, des signaux physiologiques, des données médicales et des images biomédicales, en utilisant des techniques d'apprentissage automatique et d'apprentissage profond pour développer des approches adaptées à différents types de problèmes de santé.

Au terme de ce cours, la personne étudiante sera en mesure de :

identifier l'origine et les principaux types de donnéees physiologiques et biomédicales (signaux, images, etc.) utilisés en apprentissage automatique;
expliquer les différences entre les principaux types d'algorithmes d'apprentissage automatique, y compris ceux d'apprentissage profond;
décrire les applications potentielles de l'apprentissage automatique dans les soins de santé;
choisir la méthode d'apprentissage la plus adaptée selon le type de problème et les critères d'évaluation pertinents;
concevoir des algorithmes d'apprentissage automatique et d'apprentissage profond;
appliquer diverses analyses statistiques pour évaluer et explorer les résultats;
valider les performances des algorithmes et modèles développés.

Éléments de contenu : Analyse des signaux physiologiques et séries temporelles médicales. Analyse d images médicales. Techniques d apprentissage supervisé, non supervisé et de clustering. Méthodes d'apprentissage statistiques et classiques. Techniques de prétraitement et de représentation/réduction de dimensionnalité. Modèles d'apprentissage profond. Conception et validation de modèles, évaluation des performances et mesures adaptées aux applications en santé. Détection et diagnostic de maladies, prédiction d'événements cliniques, suivi de patients et aide à la décision médicale.

Stratégies pédagogiques

L'étudiant assistera aux cours à raison de 3 heures par semaine.

Chaque session sera consacrée à un thème du cours et comprendra des travaux pratiques (études de cas, résolution de problèmes, etc.) et des discussions.

Le cours comprend 5 travaux pratiques (labs) avec 2 livrables à remettre au cours du semestre.

Le cours comprend également un projet dans le cadre duquel les étudiants devront lire un article scientifique, en faire une analyse et présenter leur travail sous forme d'une présentation PowerPoint.

Certains documents relatifs au cours seront régulièrement publiés sur le site Web du cours. Il est de la responsabilité de l'étudiant de consulter ce site régulièrement.

Informations concernant l’agrément du BCAPG
Les objectifs de ce cours sont liés aux indicateurs de qualités requises des diplômés de la manière suivante :

Objectif spécifique	Qualité	Indicateur	Niveau d'enseignement
identifier l'origine et les principaux types de donnéees physiologiques et biomédicales (signaux, images, etc.) utilisés en apprentissage automatique;	.
expliquer les différences entre les principaux types d'algorithmes d'apprentissage automatique, y compris ceux d'apprentissage profond;	.
décrire les applications potentielles de l'apprentissage automatique dans les soins de santé;	.
choisir la méthode d'apprentissage la plus adaptée selon le type de problème et les critères d'évaluation pertinents;	.
concevoir des algorithmes d'apprentissage automatique et d'apprentissage profond;	.
appliquer diverses analyses statistiques pour évaluer et explorer les résultats;	.
valider les performances des algorithmes et modèles développés.	.

Utilisation d’appareils électroniques

Les appareils électroniques (smartphone, tablette, ordinateur portable) sont requis pendant les cours à des fins pédagogiques.

Horaire

Groupe	Jour	Heure	Activité
01	Mardi	08:30 - 11:30	Laboratoire
	Mercredi	13:30 - 17:00	Activité de cours

Coordonnées du personnel enseignant le cours

Groupe	Nom	Activité	Courriel	Local	Disponibilité
01	Mohamad Forouzanfar	Activité de cours	Mohamad.Forouzanfar@etsmtl.ca	A-3485

Cours

Le plan de cours prévu est censé être complet et ordonné chronologiquement, mais certains changements peuvent être apportés en cours de session.

Cours	Contenu	Date
1	Aperçu du cours et données médicales Introduction au cours et à l’IA en santé Types de données médicales et imagerie médicale Processus physiologiques et structures anatomiques Applications de l’IA : ECG, apnée du sommeil, épilepsie, arthrose	02 septembre
2	Mesure des signaux physiologiques et imagerie médicale Système nerveux et biosignaux physiologiques ECG, EEG, EMG et autres mesures physiologiques Imagerie médicale : IRM, CT, radiographie, échographie Concepts fondamentaux de l’IA, ML et DL en santé	09 septembre
Lab 0	Introduction à Python (installation et configuration de l'environnement, bases de la programmation)	15 septembre
3	Estimation des paramètres de santé : régression, optimisation et réseaux neuronaux Terminologie fondamentale de l’IA Régression linéaire et optimisation Descente de gradient et méthodes avancées d’optimisation Réseaux neuronaux artificiels et neurone biologique Perceptron multicouche (MLP) et rétropropagation Fonctions de coût pour la régression et la classification Réseaux neuronaux profonds, sous-ajustement et surajustement Études de cas : Estimation de la pression artérielle sans brassard à partir du PPG	16 septembre
Lab 1 Partie 1	MLP	22 September
4	Préparation des données médicales pour l’apprentissage automatique Préparation et prétraitement des données biomédicales Vectorisation des signaux physiologiques et des images médicales Filtrage et rééchantillonnage Alignement et recalage Augmentation et déséquilibre des classes Extraction de caractéristiques Normalisation	23 September
5	Conception expérimentale, validation et évaluation statistique des modèles Validation des modèles et sélection des hyperparamètres Hold-out validation et validation croisée k-fold Surapprentissage, sous-apprentissage et régularisation Techniques de régularisation : early stopping, dropout et batch normalization Évaluation des performances en régression Évaluation des performances en classification et courbe ROC	30 septembre
Lab 1 Partie 2	MLP	06 october
6	Prédiction d'événements de santé à l'aide de l'analyse de séries temporelles Modèles statistiques : MA, AR et ARMA Séries stationnaires et non stationnaires Réseaux neuronaux récurrents (RNN), LSTM, GRU Mécanisme d’attention et modèles Transformers pour les séries temporelles Études de cas : Prévision de la glycémie Prédiction de l'apnée du sommeil	07 octobre
7	*Examen intra 1	21 octobre
	Remise lab 1	03 novembre
Lab 2 Partie 1	CNN + apprentissage par transfert	03 novembre
8-9	Analyse d'images médicales à l'aide de réseaux neuronaux convolutifs Problème de couche dense Théorie de la convolution et opérations de filtrage Réseaux neuronaux convolutifs (CNN) et extraction de caractéristiques Convolution, padding, stride et pooling Entraînement des CNN et paramètres apprenables Architectures CNN classiques et apprentissage par transfert Segmentation d’image avec U-Net Études de cas : Reconnaissance des émotions à partir de l'EEG Prédiction des composantes du mouvement à partir de l'EEG Classification des bruits du cœur à partir du PCG Détection de la maladie artérielle périphérique à partir du PPG Classification de types de respiration Segmentation de Cellules HeLa Détection des tumeurs cérébrales par IRM	28 octobre 04 novembre
10	Ingénierie et sélection des caractéristiques pour les données biomédicales Extraction des caractéristiques (biomarqueurs physiologiques et statistiques) Analyse de la variabilité de la fréquence cardiaque (HRV) Sélection des caractéristiques Réduction des caractéristiques linéaires (PCA/LDA) Réduction des caractéristiques non linéaires (autoencodeurs) Études de cas : Analyser des signaux VAG à l'aide de paramètres statistiques Analyser l'étendue de la variabilité des signaux tels que le PCG et l'EMG Détection de la somnolence à partir des paramètres HRV de l'ECG Détection des émotions à partir de l'EEG	11 novembre
Lab 2 Partie 2	CNN + apprentissage par transfert	17 novembre
11	Classification des données médicales par apprentissage automatique classique Reconnaissance supervisée des formes à l'aide de fonctions discriminantes Modèles probabilistes et décision statistique (LDA, modèles bayésiens) Méthodes non probabilistes : KNN, SVM Regroupement (apprentissage non supervisé) Études de cas : Analyse du signal vibroarthrogramme (VAG) Détection des battements cardiaques normaux par rapport aux battements cardiaques ectopiques	18 novembre
12	*Examen intra 2	25 novembre
13	*Présentation du projet	02 décembre
	Remise lab 2	04 décembre

Laboratoires et travaux pratiques

Lab/TP	Contenu	Date
Lab 0	Introduction à Python (installation et configuration de l'environnement, bases de la programmation)	15 septembre
Lab 1 Partie 1	MLP	22 September
Lab 1 Partie 2	MLP	06 october
	Remise lab 1	03 novembre
Lab 2 Partie 1	CNN + apprentissage par transfert	03 novembre
Lab 2 Partie 2	CNN + apprentissage par transfert	17 novembre
	*Présentation du projet	02 décembre
	Remise lab 2	04 décembre

Projet : Présentation d’un article sur l’application de l’IA à un problème de santé

Les étudiants prépareront une courte présentation PowerPoint basée sur un article de recherche appliquant l’IA à un problème de santé. La présentation doit couvrir les étapes d’analyse abordées dans le cours : 1) le problème, 2) l’importance du sujet, 3) la solution via l’analyse des signaux physiologiques, 4) le jeu de données, 5) les étapes de prétraitement, 6) l’extraction de caractéristiques, 7) les techniques d’IA et leurs justifications, 8) les méthodes de validation (séparation entraînement-test, validation croisée, validation basée sur les sujets), 9) les résultats (classification et régression), et 10) la discussion critique incluant limites et conclusions.

Évaluation

Type d'évaluation	Pondération	Modalité	Description	Utilisation de l'IA
Examen intra	25	Individuel		Utilisation interdite
Examen intra	25	Individuel		Utilisation interdite
Laboratoire	10	En équipe		Utilisation limitée
Laboratoire	10	En équipe		Utilisation limitée
Devoir / exercice / travaux pratiques	10	En équipe		Utilisation limitée
Projet / Travail / travail de session	10	En équipe		Utilisation libre

Informations additionnelles :

Activité	Pondération	Date/Date de remise
Laboratoire 1	15%
Laboratoire 2	15%
Discussions en classe (exercice, étude de cas, etc.)	10%	Toutes les semaines.
Examen intra 1	25%	S7
Examen intra 2	25%	S12
Présentation du projet	10%	S13

Dates des examens intra

Groupe(s)	Date
1	21 octobre 2026
1	25 novembre 2026

Politique de retard des travaux
Conformément au Règlement des études de premier cycle (article 7.5.6) et au Règlement des études de cycles supérieurs (article 6.5.6), tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés à l’article 7.5.5.1 dans le Règlement des études de premier cycle et l’article 6.5.2 dans le Règlement des études de cycles supérieurs, se verra attribuer la note zéro, à moins que d’autres dispositions soient communiquées par écrit par la personne enseignante dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Absence à une évaluation

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (0).

Infractions de nature académique
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-nature-academique) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet. À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).

Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par la personne enseignante du cours ou la personne coordonnatrice dans le cas des stages.

Documentation obligatoire

N/A

Ouvrages de références

La nature des données biomédicales, leur mesure, acquisition, traitement et analyse, ainsi que les principes fondamentaux de l’apprentissage automatique appliqués à l’analyse des données biomédicales :

Rangayyan, Rangaraj M. Biomedical signal analysis. John Wiley & Sons, 3^rd ed., 2024.

https://ieeexplore.ieee.org/book/7111421

Semmlow, John L. Biosignal and medical image processing. CRC press, 3^rd ed, 2014.
Rangayyan, Rangaraj M. Biomedical image analysis. CRC press, 1^st ed., 2004.

Techniques classiques d'apprentissage automatique :

Theodoridis, Sergios, and Konstantinos Koutroumbas. Pattern recognition. Elsevier, 2006.
U. Braga-Neto, Fundamentals of Pattern Recognition and Machine Learning, 2^nd ed., Springer, 2024

L’apprentissage profonde :

Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016.

https://www.deeplearningbook.org/

Adresse internet du site de cours et autres liens utiles

http://ena.etsmtl.ca/

Autres informations

Groupe	Nom	Activité	Courriel :	Local	Disponibilité
01	Mohamad Forouzanfar	Activité du cours	mohamad.forouzanfar@etsmtl.ca	A-3485	Mer 17h-18h