Financé par le Fonds de mobilisation des connaissances en IA, créé grâce à la généreuse contribution des donateurs Joseph et Amy Ip, ce programme soutient des projets de recherche innovants qui renforcent l’expertise de la Faculté de médecine en intelligence artificielle. La compétition 2025 financera cinq projets de 10 000 $ chacun, porteurs d’innovations en IA, notamment : transformer l’échographie pour obtenir des informations précoces sur la santé fœtale, fournir un accès fiable à l’imagerie pour les communautés mal desservies, offrir aux patients une éducation périopératoire personnalisée, améliorer les modèles prédictifs des troubles alimentaires grâce à des données synthétiques et repenser l’analyse de la marche à l’aide de technologies basées sur les smartphones.
Ces projets ont été sélectionnés à l’issue d’un processus compétitif mettant l’accent sur l’excellence scientifique, l’innovation, la mobilisation des connaissances et/ou l’engagement des utilisateurs finaux, ainsi que sur leur potentiel à répondre à des enjeux concrets avec un impact significatif. Dans le cadre de leur candidature, les participants ont fourni la preuve de leur formation complétée en ACSG Plus (Analyse selon le sexe et le genre Plus) ou IDEAS (inclusivité, diversité, équité, accessibilité et justice sociale), témoignant de l’engagement de la Faculté envers ces principes.
Lauréats du financement de démarrage en IA 2025
Dr Steven Hawken (École d’épidémiologie et de santé publique; IRHO)
Ultrasound-based Self-Supervised Foundation Models for AI-Assisted Detection of Fetal Anomalies
Ce projet vise à développer et affiner des modèles de base pour améliorer la détection assistée par IA des anomalies fœtales à partir d’images échographiques obstétricales. Notre équipe a créé le modèle USF-MAE (Ultrasound Self-Supervised Foundation Model with Masked Autoencoding), un modèle de base échographique qui améliore considérablement l’efficacité et la précision de l’entraînement des modèles d’IA pour la détection d’anomalies fœtales. Cette proposition se concentre sur le développement de modèles de base supplémentaires pour soutenir des tâches de classification assistées par IA plus ciblées, améliorant ainsi la performance et l’applicabilité clinique.
Dr Mohamed Hefny (Département de radiologie; IRHO)
Physics-Inspired AI for Organ and Tissue Detection in Ultrasound to Support Health in Rural and Underserved Communities
Ce projet vise à créer et tester un modèle d’IA capable d’identifier différents types de tissus humains dans les images échographiques. L’échographie est un outil d’imagerie sûr, peu coûteux et largement accessible, mais son interprétation peut être complexe sans expertise spécialisée. Cela a des implications importantes pour les communautés rurales et mal desservies, où l’accès à des imageries avancées et à des spécialistes formés est souvent limité. Notre approche utilise une IA inspirée de la physique, intégrant la connaissance du comportement des ondes ultrasonores dans les tissus pour produire des résultats plus fiables et explicables. Le projet contribuera également à renforcer la capacité en IA de la Faculté à travers le développement, l’évaluation et la diffusion d’une démonstration pilote.
Dr Arnaud Mbadjeu Hondjeu (Département d’anesthésiologie et de médecine de la douleur; IRHO)
From Patient Need to Scalable Solution: Implementing Large Language Models for Perioperative Education
De nombreux patients ont du mal à comprendre les instructions préopératoires, ce qui entraîne anxiété, annulations de chirurgie et récupération retardée, en particulier parmi les groupes nécessitant une attention équitable. Ce projet met en place une plateforme bilingue alimentée par l’IA, offrant une éducation périopératoire personnalisée et en temps réel, co-conçue avec des clinicien(ne)s et des partenaires patients. Pilote à l’Hôpital d’Ottawa, la plateforme s’adapte à la littératie, à la langue et aux besoins émotionnels des patients. L’objectif est d’améliorer la compréhension, de réduire les annulations, d’améliorer les résultats pour les patients et de soutenir des soins équitables, les résultats pouvant guider un déploiement à plus grande échelle.
Dre Nicole Obeid (Département de psychiatrie; IR CHEO)
Evaluation of Synthetic Data Generation to Enhance Predictive Modelling of Eating Disorder Outcomes
Les troubles alimentaires sont des maladies psychiatriques mortelles mais sous-financées, avec des recherches limitées par des tailles d’échantillon réduites, des données biopsychosociales restreintes et une sous-représentation des hommes et des populations de genre divers. Les traitements actuels « universels » ne tiennent pas compte des facteurs complexes influençant les résultats cliniques. Ce projet exploite les données de médecine de précision pour évaluer des méthodes de génération de données synthétiques visant à élargir la taille des échantillons et la diversité démographique, améliorant ainsi la performance et l’équité des modèles d’apprentissage automatique prédictifs des troubles alimentaires.
Dr Albert Tu (Département de chirurgie; IR CHEO)
Evaluating and Improving an Artificial Intelligence–Augmented Automated Observational Gait Analysis Pipeline with Direct User Feedback
Ce projet s’appuie sur le Movealytics Motion Lab, qui utilise des smartphones du marché et l’IA pour analyser automatiquement la mobilité des membres à partir de vidéos, avec une validation clinique. Grâce à des systèmes d’évaluation visuelle reconnus, les algorithmes actuels atteignent plus de 90 % de concordance avec l’analyse d’experts. Le projet vise à valider et améliorer l’application en intégrant les retours des utilisateurs dans des conditions réelles, afin d’optimiser progressivement son utilisabilité, sa précision et la satisfaction des utilisateurs.
