Hypertension artérielle pulmonaireL'hypertension artérielle pulmonaire (HTAP) correspond à un groupe de maladies d'évolution progressive caractérisée par une élévation anormale de la pression sanguine au niveau des artères pulmonaires, dont le symptôme principal est un essoufflement à l'effort. Selon la cause et la gravité, l'hypertension artérielle pulmonaire peut être une maladie grave avec une tolérance à l'effort très nettement diminuée et mener à une insuffisance cardiaque droite.
Embolie pulmonaireOn parle d’embolie pulmonaire lorsqu'un caillot, aussi appelé thrombus, circulant dans le sang va obstruer l'artère pulmonaire. C’est l'une des deux manifestations, avec la thrombose veineuse profonde, de la maladie thromboembolique. Thrombose veineuse profonde La première description en a été faite par Virchow en 1859. Les premières angiographies pulmonaires, ainsi que les premières scintigraphies, datent des années 1960. L'échographie-Doppler veineuse se développe à partir des années 1990.
Imagerie par résonance magnétiqueL'imagerie par résonance magnétique (IRM) est une technique d' permettant d'obtenir des vues en deux ou en trois dimensions de l'intérieur du corps de façon non invasive avec une résolution en contraste relativement élevée. L'IRM repose sur le principe de la résonance magnétique nucléaire (RMN) qui utilise les propriétés quantiques des noyaux atomiques pour la spectroscopie en analyse chimique. L'IRM nécessite un champ magnétique puissant et stable produit par un aimant supraconducteur qui crée une magnétisation des tissus par alignement des moments magnétiques de spin.
Apprentissage de représentationsEn apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.
Time delay neural networkTime delay neural network (TDNN) is a multilayer artificial neural network architecture whose purpose is to 1) classify patterns with shift-invariance, and 2) model context at each layer of the network. Shift-invariant classification means that the classifier does not require explicit segmentation prior to classification. For the classification of a temporal pattern (such as speech), the TDNN thus avoids having to determine the beginning and end points of sounds before classifying them.
Occupational lung diseaseOccupational lung diseases are work-related, lung conditions that have been caused or made worse by the materials a person is exposed to within the workplace. It includes a broad group of diseases, including occupational asthma, industrial bronchitis, chronic obstructive pulmonary disease (COPD), bronchiolitis obliterans, inhalation injury, interstitial lung diseases (such as pneumoconiosis, hypersensitivity pneumonitis, lung fibrosis), infections, lung cancer and mesothelioma.
Apprentissage par renforcementEn intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome ( robot, agent conversationnel, personnage dans un jeu vidéo), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative.
Apprentissage par renforcement profondL'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.
Q-learningvignette|400x400px|Dans le Q-learning, l'agent exécute une action a en fonction de l'état s et d'une fonction Q. Il perçoit alors le nouvel état s' et une récompense r de l'environnement. Il met alors à jour la fonction Q. Le nouvel état s' devient alors l'état s, et l'apprentissage continue. En intelligence artificielle, plus précisément en apprentissage automatique, le Q-learning est un algorithme d'apprentissage par renforcement. Il ne nécessite aucun modèle initial de l'environnement.
Learning rateIn machine learning and statistics, the learning rate is a tuning parameter in an optimization algorithm that determines the step size at each iteration while moving toward a minimum of a loss function. Since it influences to what extent newly acquired information overrides old information, it metaphorically represents the speed at which a machine learning model "learns". In the adaptive control literature, the learning rate is commonly referred to as gain. In setting a learning rate, there is a trade-off between the rate of convergence and overshooting.
