Thomas Papastergiou

Thomas Papastergiou est maître de conférence au LIPN, USPN. Ses recherches portent sur l’intelligence artificielle et recouvrent une série d’applications biomédicales allant du diagnostic à la conception de médicaments nouvellement synthétisés.

Tensor Decomposition for Multiple Instance Learning in Medical Applications

Tensors are multidimensional data structures that naturally model multi-way medical data such as pathology images and patients’ physiological monitoring signals. Tensor decompositions can be leveraged to provide valuable insights for analyzing medical data.Multiple Instance Learning (MIL) is a learning paradigm in which each object (bag) is represented by multiple feature vectors (instances), in contrast to the classical paradigm where each object is represented by a single feature vector.In this talk, we will present a distributed optimization algorithm for the tensor completion task (i.e., reconstructing a tensor from partially observed entries—for example, reconstructing an image from only 10% of its pixels). Next, we will introduce an MIL learning algorithm, TensMIL, which is based on tensor decomposition for seamless feature extraction and MIL classification, making it suitable for diverse types of medical data.Finally, we will showcase several applications of the TensMIL algorithm, including pathology image classification, frailty prediction from physiological signals collected from elderly monitoring, and activity classification of NDM-1 inhibitors.

Décomposition en tenseurs pour l’apprentissage à instances multiples dans les applications médicales

Les tenseurs sont des structures de données multidimensionnelles qui permettent de modéliser naturellement des multi-way données médicales, telles que les images pathologiques et les signaux physiologiques issus de la surveillance des patients. Les décompositions en tenseurs peuvent être exploitées afin de fournir des informations précieuses pour l’analyse des données médicales. L’apprentissage à instances multiples (Multiple Instance Learning, MIL) est un paradigme d’apprentissage dans lequel chaque objet (bag) est représenté par plusieurs vecteurs de caractéristiques (instances), contrairement au paradigme classique où chaque objet est représenté par un seul vecteur de caractéristiques. Dans cet exposé, nous présenterons un algorithme d’optimisation distribuée pour la tâche de complétion de tenseurs (c’est-à-dire la reconstruction d’un tenseur à partir d’observations partielles — par exemple, reconstruire une image à partir de seulement 10 % de ses pixels). Ensuite, nous introduirons un algorithme d’apprentissage MIL, TensMIL, basé sur la décomposition en tenseurs pour une extraction fluide des caractéristiques et une classification MIL adaptée à différents types de données médicales. Enfin, nous illustrerons plusieurs applications de l’algorithme TensMIL, notamment la classification d’images pathologiques, la prédiction de la fragilité à partir de signaux physiologiques issus de la surveillance de personnes âgées, ainsi que la classification de l’activité des inhibiteurs de la NDM-1.