Thèse Identification de Biomarqueurs Comportementaux de la Dissociation par Intelligence Artificielle Multimodale à Partir d'Entretiens Psychiatriques Filmés H/F

Doctorat.Gouv.Fr

Établissement : Université de Lorraine École doctorale : BioSE - Biologie Santé Environnement Laboratoire de recherche : IMoPA - Ingénierie Moléculaire et Physiopathologie Articulaire Direction de la thèse : Coraline HINGRAY ORCID 0000000276653310 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-09-01T23:59:59 Les troubles dissociatifs représentent un défi majeur pour la psychiatrie contemporaine. Ils sont fréquents chez les personnes exposées à des violences ou traumatismes dans l'enfance, notamment sexuels, mais restent encore largement sous-diagnostiqués. Leur repérage est complexe car les symptômes sont souvent fluctuants, difficiles à conscientiser par les patients, parfois peu verbalisables, et reposent fortement sur l'expérience, la formation et l'intuition du clinicien. Cette subjectivité contribue à l'errance diagnostique, à la perte de chance thérapeutique et au discrédit fréquent de la parole des victimes.
Le projet doctoral s'inscrit dans le programme DIAG, qui vise à objectiver les manifestations dissociatives en identifiant des biomarqueurs comportementaux à partir d'entretiens psychiatriques filmés, enregistrés dans le soin courant et annotés par des experts. L'objectif est de développer des modèles d'intelligence artificielle capables d'analyser de manière multimodale des données vidéo, audio, textuelles et physiologiques afin de repérer des marqueurs tels que les ruptures narratives, les variations de l'agentivité, les modifications posturales, les silences, la prosodie, le regard, les expressions émotionnelles ou la réactivité physiologique.
Le ou la doctorant(e) contribuera à la conception, au développement et à l'évaluation de modèles de machine learning et de deep learning pour la détection automatique de séquences dissociatives. Le travail reposera sur un corpus clinique annoté d'entretiens psychiatriques réalisés à la Maison de la Résilience et au sein du service d'interactions neuropsychiatriques ACTnPSY. Les données seront transformées en représentations exploitables et sécurisées, notamment par extraction de caractéristiques comportementales, prosodiques, linguistiques, posturales et physiologiques.
La thèse aura pour objectifs principaux : 1) de définir les variables multimodales pertinentes pour l'objectivation de la dissociation ; 2) de développer des modèles supervisés capables de distinguer des séquences dissociatives et non dissociatives ; 3) d'évaluer les performances, la robustesse et l'interprétabilité des modèles ; 4) de contribuer à la traduction des hypothèses cliniques en variables observables et exploitables par l'IA.
Ce travail se situe à l'interface entre intelligence artificielle, psychiatrie, psychologie clinique, neurosciences et psychotraumatisme. Il vise à soutenir la reconnaissance diagnostique des troubles dissociatifs, à réduire les retards diagnostiques, à améliorer la formation des professionnels et à contribuer à une meilleure objectivation des conséquences psychotraumatiques chez les personnes victimes de violences dans l'enfance.
Les troubles dissociatifs sont associés à une altération de l'intégration de la conscience, de la mémoire, de l'identité, des émotions, du corps et du sentiment d'agentivité. Ils surviennent fréquemment dans les suites de traumatismes précoces, notamment de violences sexuelles dans l'enfance. Malgré leur fréquence et leur retentissement, ils restent largement sous-diagnostiqués. Les manifestations cliniques peuvent être fluctuantes, masquées, peu verbalisées ou difficilement conscientisées par les patients. Leur repérage repose encore majoritairement sur l'entretien clinique et l'expérience du professionnel.
Cette situation soulève un enjeu scientifique, clinique et sociétal : comment objectiver des manifestations cliniques complexes, souvent repérées par l'intuition clinique mais difficilement mesurables par les outils habituels ? Les approches d'intelligence artificielle multimodale offrent aujourd'hui une opportunité nouvelle pour analyser simultanément les dimensions verbales, paraverbales, non verbales et physiologiques des entretiens cliniques.
Le projet DIAG repose sur l'hypothèse que les états dissociatifs s'accompagnent de marqueurs comportementaux et physiologiques spécifiques, détectables à partir d'entretiens cliniques filmés, annotés par des experts et analysés par des modèles d'IA. Il s'agit de transformer une expertise clinique implicite en variables observables, mesurables et interprétables, sans se substituer au clinicien mais en renforçant l'aide au repérage, la formation et la reconnaissance diagnostique.
L'objectif général de la thèse est d'identifier des biomarqueurs comportementaux de la dissociation à partir d'entretiens psychiatriques filmés et annotés, à l'aide de méthodes d'intelligence artificielle multimodale.
Objectifs spécifiques :
1. Définir les variables multimodales pertinentes pour la détection de la dissociation : langage, prosodie, silences, posture, regard, expressions faciales, mouvements, réactivité physiologique.
2. Développer des pipelines de traitement et de structuration des données vidéo, audio, textuelles et physiologiques.
3. Concevoir des modèles de machine learning/deep learning supervisés pour détecter les séquences dissociatives.
4. Évaluer les performances des modèles en référence aux annotations cliniques expertes.
5. Étudier l'interprétabilité des modèles afin de rendre les résultats compréhensibles et utilisables par les cliniciens.
6. Contribuer à la formation des professionnels en objectivant des signes actuellement repérés de manière intuitive par les cliniciens experts.
La thèse s'appuiera sur une étude clinique observationnelle non interventionnelle menée à partir d'entretiens psychiatriques filmés et enregistrés dans le cadre du soin courant, avec information des patients et cadre réglementaire adapté.
Les données recueillies comprendront :
- données vidéo : posture, mouvements, regard, expressions faciales, synchronie comportementale ;
- données audio : prosodie, débit, pauses, silences, intensité vocale ;
- données textuelles : transcription, cohérence narrative, complexité syntaxique, vocabulaire émotionnel, références à soi ;
- données physiologiques : fréquence cardiaque, variabilité de la fréquence cardiaque, actimétrie selon les dispositifs disponibles.
Les entretiens seront annotés par des psychiatres et psychologues experts de la dissociation. Les annotations porteront sur la présence de séquences dissociatives, leur typologie clinique et les marqueurs observables associés.
Le travail doctoral comportera plusieurs étapes :
1. Préparation, nettoyage et structuration des données multimodales.
2. Extraction de caractéristiques à partir des signaux vidéo, audio, textuels et physiologiques.
3. Développement de modèles supervisés de machine learning/deep learning.
4. Fusion multimodale des différentes sources de données.
5. Évaluation des performances du modèle : sensibilité, spécificité, précision, rappel, F1-score, AUC selon la structure des données.
6. Validation croisée et analyse de robustesse.
7. Étude de l'interprétabilité des modèles pour permettre une restitution clinique compréhensible.
Le ou la doctorant(e) travaillera en interaction étroite avec les équipes cliniques afin de traduire les hypothèses psychiatriques en variables observables et exploitables par les modèles.