Thèse Vers une IA Multimodale Explicable et Robuste pour l'Aide à la Décision Clinique H/F

Doctorat.Gouv.Fr

Établissement : Université de Bordeaux
École doctorale : Mathématiques et Informatique
Laboratoire de recherche : LaBRI - Laboratoire Bordelais de Recherche en Informatique
Direction de la thèse : Henri NICOLAS
Début de la thèse : 2026-06-01
Date limite de candidature : 2026-04-30T23:59:59

L'adoption de l'intelligence artificielle dans le domaine médical repose sur un facteur crucial : la confiance. Pour qu'un professionnel de santé s'appuie sur un algorithme, celui-ci doit être capable de traiter efficacement des données hétérogènes (imagerie, bilans cliniques, signaux biologiques ou génomiques) tout en permettant de comprendre les raisons pour lesquelles il propose un diagnostic. Aujourd'hui, la plupart des modèles de deep learning restent des « boîtes noires » trop fragiles face aux biais ou aux données changeantes du terrain. Cette thèse vise à surmonter ces limitations en développant une IA multimodale qui soit non seulement performante, mais aussi transparente et explicable.

Dans ce contexte, les objectifs visés dans le cadre de cette thèse sont les suivants :

Rendre l'IA lisible :
Dans le domaine médical, il ne suffit plus d'obtenir un résultat ou un diagnostic grâce à l'IA, il est de plus en plus nécessaire que ce résultat soit compréhensible pour les médecins dont la responsabilité est engagée. Pour cela, les méthodes développées doivent reposer sur des architectures naturellement interprétables (comme les auto-encodeurs ou les GNN explicables) et sur l'intégration de connaissances biomédicales concrètes. En utilisant des ontologies et des graphes de connaissances, l'objectif est que l'IA puisse justifier ses choix avec un langage clinique cohérent pour le médecin.

Garantir la fiabilité sur le terrain :
L'utilisation de l'IA dans le domaine médical doit faire face à des données trop parcellaires ou manquantes, au bruit et à l'utilisation de cohortes déséquilibrées. Il s'agit alors de définir des modèles capables de s'adapter et de fonctionner de manière fiable, malgré ces contraintes, avec l'objectif d'être capable de définir un degré d'incertitude pour chaque recommandation/diagnostique et de créer une synergie entre les sources d'information (image, texte ...).

La valorisation de la thèse se fera au travers de publications dans des conférences et revues scientifiques internationales.

Collaboration avec l'université de Monastir, Tunisie.

Développer une approche permettant à un médecin de comprendre comment et pourquoi une IA propose un diagnostic.
Définition de critères permettant d'évaluer la fiabilité d'un diagnostic