Thèse une Intelligence Artificielle de Confiance en Oncologie Modèles Hybrides pour l'Analyse des Déterminants de Confiance et d'Adoption des Systèmes d'Aide à la Décision Médicale H/F Doctorat.Gouv.Fr

Établissement : Université de Montpellier École doctorale : I2S - Information, Structures, Systèmes Laboratoire de recherche : Laboratoire d'Informatique, de Robotique et de Micro-électronique de Montpellier Direction de la thèse : Pascal PONCELET ORCID 0000000282773490 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-09-30T23:59:59 L'intelligence artificielle occupe une place croissante dans le domaine de la santé et plus particulièrement en oncologie, où elle intervient notamment dans l'aide au diagnostic, la prédiction de risques et la personnalisation des traitements. Pourtant, les performances algorithmiques ne suffisent pas à garantir l'adoption de ces systèmes par les professionnels de santé et les patients. La compréhension des recommandations, la transparence des données mobilisées, le niveau d'autonomie du système, la gestion de l'incertitude ou encore la place accordée à l'expertise humaine sont autant de facteurs susceptibles d'influencer la confiance et l'usage effectif.
Cette thèse vise à développer un cadre interdisciplinaire permettant de mieux comprendre comment les caractéristiques propres des systèmes d'IA influencent les mécanismes de confiance, d'acceptabilité et d'adoption. Un premier objectif sera d'identifier et de formaliser les principales dimensions technologiques susceptibles d'intervenir dans ces mécanismes, notamment l'explicabilité, l'autonomie, la nature et la provenance des données, l'incertitude et l'intégration de connaissances expertes.
Le projet étudiera ensuite l'apport de méthodes de représentation des connaissances, en particulier les ontologies et les graphes de connaissances, afin de modéliser les relations entre caractéristiques des systèmes d'IA, contexte médical, facteurs humains et facteurs organisationnels. Ces représentations seront combinées à des méthodes d'apprentissage automatique dans le cadre d'approches d'IA hybride visant à produire des recommandations à la fois performantes et interprétables. Les travaux pourront s'appuyer sur des données cliniques et biologiques ouvertes, notamment MIMIC-IV, ainsi que sur des ressources biomédicales telles que SNOMED CT et NCIt.
Enfin, le cadre proposé sera évalué dans le contexte de systèmes d'aide à la décision en oncologie. L'évaluation portera à la fois sur les performances des modèles, la qualité et la compréhension des explications produites, ainsi que sur leur influence sur la confiance et l'acceptabilité. Des études utilisateurs et des expériences de choix discrets pourront être menées auprès de professionnels de santé et de patients, en lien avec le réseau UNICANCER.
La thèse devrait aboutir à un cadre conceptuel reliant les propriétés des systèmes d'IA aux mécanismes de confiance et d'adoption, à un modèle de connaissances structurant ces relations, ainsi qu'à des approches d'IA hybride combinant apprentissage automatique et connaissances biomédicales. Un démonstrateur de système d'aide à la décision sera développé afin de servir de support expérimental. L'intelligence artificielle occupe une place croissante dans le domaine de la santé et plus particulièrement en oncologie, où elle intervient notamment dans l'analyse d'images, l'aide au diagnostic, la prédiction de risques ou la personnalisation des traitements. Toutefois, malgré des performances algorithmiques importantes, l'intégration effective de ces systèmes dans les pratiques médicales reste encore limitée.
Les freins à leur adoption ne relèvent pas uniquement de leur performance. La compréhension des recommandations produites, la transparence sur les données utilisées, la capacité du système à expliquer ses décisions, son niveau d'autonomie, la gestion de l'incertitude ou encore la place accordée à l'expertise humaine sont autant de dimensions susceptibles d'influencer la confiance des professionnels de santé et des patients.
Les modèles classiques d'acceptation et d'adoption des technologies analysent principalement les facteurs individuels, économiques et organisationnels. Dans le cas de l'intelligence artificielle, ils considèrent cependant encore trop souvent l'IA comme une technologie homogène et prennent insuffisamment en compte les caractéristiques intrinsèques des systèmes utilisés.
Ce projet se situe ainsi à l'interface de l'intelligence artificielle, de l'économie de l'innovation et de l'économie de la santé. Il vise à articuler l'étude des mécanismes de confiance et d'adoption avec la conception de systèmes d'IA plus transparents et explicables, notamment à travers des approches hybrides combinant apprentissage automatique et représentation des connaissances. L'oncologie constituera le domaine d'application privilégié de ces travaux. L'objectif de cette thèse est de développer un cadre interdisciplinaire permettant de mieux comprendre comment les caractéristiques propres des systèmes d'intelligence artificielle influencent les mécanismes de confiance, d'acceptabilité et d'adoption par les utilisateurs, en particulier les professionnels de santé et les patients.
Un premier objectif consistera à identifier et formaliser les principales caractéristiques des systèmes d'IA susceptibles d'influencer la confiance, telles que l'explicabilité, le niveau d'autonomie, la nature et la provenance des données, la gestion de l'incertitude et l'intégration de connaissances expertes.
Un deuxième objectif sera de proposer une représentation structurée de ces dimensions à l'aide de méthodes de représentation des connaissances, notamment les ontologies et les graphes de connaissances, afin de modéliser les relations entre caractéristiques des systèmes d'IA, contexte médical, facteurs humains et facteurs organisationnels.
Le troisième objectif sera de développer des approches d'IA hybride combinant apprentissage automatique et connaissances symboliques afin de produire des recommandations à la fois performantes et interprétables.
Enfin, le cadre proposé sera évalué dans le contexte de systèmes d'aide à la décision en oncologie, en étudiant conjointement les performances des modèles, la qualité et la compréhension des explications produites, ainsi que leur influence sur la confiance et l'acceptabilité des utilisateurs. La thèse mobilisera une méthodologie interdisciplinaire combinant des approches issues de l'intelligence artificielle, de la représentation des connaissances et de l'analyse des comportements d'adoption.
Une première phase reposera sur une revue de la littérature et sur des entretiens qualitatifs afin d'identifier et de caractériser les propriétés des systèmes d'IA susceptibles d'influencer la confiance et l'acceptabilité des utilisateurs.
Ces dimensions seront ensuite formalisées au moyen de méthodes de représentation des connaissances, notamment à travers des ontologies et des graphes de connaissances, afin de structurer les relations entre caractéristiques des systèmes d'IA, contexte médical, facteurs humains et facteurs organisationnels.
Des approches d'IA hybride seront développées en combinant apprentissage automatique et connaissances symboliques. Elles viseront à exploiter conjointement des données cliniques et biologiques et des connaissances biomédicales explicites afin de produire des recommandations à la fois performantes et interprétables. Les travaux pourront s'appuyer sur des ressources ouvertes telles que MIMIC-IV ainsi que sur des ontologies et ressources biomédicales comme SNOMED CT et NCIt.
Enfin, les approches proposées seront évaluées à la fois sur leurs performances et sur leur capacité à produire des explications compréhensibles. Des études utilisateurs et des expériences de choix discrets pourront être conduites auprès de professionnels de santé et de patients afin d'analyser l'effet des caractéristiques des systèmes et des mécanismes d'explication sur la confiance, l'acceptabilité et les préférences des utilisateurs.