Thèse Architecture IA Neuro-Symbolique Explicable Appliquée au Diagnostic du Cancer du Sein H/F Doctorat.Gouv.Fr

Établissement : Institut National Polytechnique de Toulouse École doctorale : SYSTEMES Laboratoire de recherche : LGP - Laboratoire Génie de Production Direction de la thèse : Bernard KAMSU-FOGUEM ORCID 0000000336173184 Début de la thèse : 2027-10-01 Date limite de candidature : 2026-11-23T23:59:59 Le dépistage précoce du cancer du sein par imagerie numérique (mammographie, IRM) constitue un enjeu majeur de santé publique. Si les réseaux de neurones convolutifs (CNN) atteignent d'excellentes performances de classification, leur nature de « boîte noire » freine leur adoption clinique par manque de transparence et de justification biologique. Ce projet de thèse propose une approche d'Intelligence Artificielle (IA) hybride, neuro-symbolique et explicable (XAI), conçue pour restaurer la confiance des cliniciens.
L'originalité de ce travail repose sur la transposition et la rupture technologique vis-à-vis d'une méthodologie validée avec succès par l'équipe en 2021 (thèse S. Coulibaly) dans le domaine agronomique. Le projet s'articule autour de quatre axes méthodologiques majeurs :

- La saillance visuelle : L'adaptation de l'algorithme Grad-CAM aux spécificités de la sénologie numérique pour isoler et surligner les contours exacts des masses tumorales et des microcalcification.

- La fusion robuste : Le recours au score mathématique d'information mutuelle pour croiser différentes méthodes d'explicabilité (Grad-CAM, SHAP, Integrated Gradients), éliminant le bruit visuel pour ne retenir que les zones de convergence absolue.

- L'optimisation architecturale : Une stratégie d'élagage (pruning) des couches du CNN guidée par l'explicabilité, visant une réduction drastique des paramètres du réseau (dans la lignée des 58,90 % obtenus en 2021) pour concevoir un modèle léger, transférable sur des consoles de radiologie locales.

- Le raisonnement sémantique (Human-in-the-loop) : Le couplage de ces cartes visuelles avec une base de connaissances symbolique (ontologie BI-RADS).

L'interface utilisateur interactive permettra au radiologue d'ajuster les paramètres analytiques et de formuler des explications textuelles sémantiques. En retour, chaque interaction du praticien enrichira dynamiquement le système, matérialisant le passage d'une IA purement perceptive à un véritable outil d'apprentissage transparent, robuste et certifiable pour la santé. Le dépistage précoce du cancer du sein par imagerie numérique (mammographie, IRM) représente un défi majeur de santé publique, s'inscrivant directement dans le premier pilier « Santé, bien-être et longévité » du programme MSCA BEST.Si les modèles de Deep Learning, et particulièrement les réseaux de neurones convolutifs (CNN), atteignent aujourd'hui d'excellentes performances de classification, leur nature de « boîte noire » freine considérablement leur transfert technologique vers les consoles de radiologie locales. En environnement clinique, l'absence de transparence et le manque de justification biologique de la décision algorithmique empêchent l'établissement d'une relation de confiance essentielle entre le praticien, l'outil numérique et le patient.Pour lever ce verrou, les approches conventionnelles d'Intelligence Artificielle Explicable (XAI) s'avèrent souvent insuffisantes, car elles génèrent des cartes de saillance visuelle bruitées ou trop diffuses pour être exploitables de manière rigoureuse en sénologie numérique.Ce projet de thèse propose une rupture méthodologique majeure par le développement d'une IA hybride et neuro-symbolique. L'ambition est d'unir la puissance d'apprentissage perceptif des architectures convolutives à la rigueur logique des systèmes à base de connaissances, matérialisée par l'intégration de l'ontologie médicale standardisée BI-RADS (Breast Imaging-Reporting and Data System).Porté par une dynamique fortement interdisciplinaire et internationale, ce travail propose de transposer et d'adapter au domaine médical une méthodologie robuste de réduction de paramètres et de fusion d'explicabilité (scores d'information mutuelle, Grad-CAM, SHAP) initialement validée avec succès dans le secteur agronomique. À travers la mise en place d'une boucle de rétroaction sémantique praticien-machine (Human-in-the-loop), ce projet vise à transformer l'IA d'un simple outil de prédiction en un véritable assistant clinique transparent, robuste, explicable et certifiable pour la santé.

*******************************************************************************************************************
Early breast cancer screening via digital imaging (mammography, MRI) represents a major public health challenge, aligning directly with the 'Health, Well-being, and Longevity' pillar of the MSCA BEST program. While deep learning models-particularly convolutional neural networks (CNNs)-currently achieve excellent classification performance, their 'black box' nature significantly hinders their technology transfer to local radiology workstations. In a clinical setting, the lack of transparency and the absence of a biological rationale for algorithmic decisions prevent the establishment of the essential trust relationship between the practitioner, the digital tool, and the patient. Conventional Explainable AI (XAI) approaches often prove insufficient to overcome this hurdle, as they generate visual saliency maps that are too noisy or diffuse for rigorous use in digital breast imaging. This thesis project proposes a major methodological breakthrough through the development of a hybrid, neuro-symbolic AI. The aim is to combine the perceptual learning power of convolutional architectures with the logical rigor of knowledge-based systems, realized by integrating the standardized BI-RADS (Breast Imaging-Reporting and Data System) medical ontology. Driven by a strongly interdisciplinary and international approach, this work proposes adapting a robust methodology-originally successfully validated in the agronomy sector-for parameter reduction and explainability fusion (mutual information scores, Grad-CAM, SHAP) to the medical field. By implementing a semantic practitioner-machine feedback loop (human-in-the-loop), this project aims to transform AI from a mere prediction tool into a genuine clinical assistant that is transparent, robust, explainable, and certifiable for healthcare use. L'objectif général de ce projet de thèse est de concevoir, développer et valider une approche d'Intelligence Artificielle (IA) hybride, neuro-symbolique et explicable (XAI), afin de lever le verrou de l'opacité des modèles de Deep Learning en sénologie numérique e de restaurer la confiance des cliniciens dans le dépistage précoce du cancer du sein.Pour y parvenir, le projet poursuit quatre objectifs scientifiques et techniques spécifiques :

- Objectif 1 : Améliorer la précision géométrique de l'explicabilité visuelle (Saillance fine)
Développer un algorithme dérivé de Grad-CAM adapté aux spécificités des images de mammographie et d'IRM, capable non plus de fournir de simples zones d'intérêt diffuses, mais de segmenter et surligner avec précision les contours des masses tumorales et des microcalcifications.

- Objectif 2 : Éliminer le bruit algorithmique par consensus mathématique (Fusion robuste)
Créer un cadre méthodologique de fusion basé sur le score d'information mutuelle. L'objectif est de croiser les sorties de plusieurs méthodes de XAI (Grad-CAM, SHAP, Integrated Gradients) pour filtrer les faux positifs visuels et ne restituer au radiologue que les zones de convergence absolue et cliniquement pertinentes.

- Objectif 3 : Concevoir un modèle IA éco-efficient pour un déploiement local (Optimisation)
Développer une stratégie d'élagage (pruning) des couches du réseau convolutif (CNN) directement guidée par l'explicabilité. La cible quantitative est d'obtenir une réduction drastique des paramètres du réseau (visant l'ordre de grandeur de 58,90 % validé en 2021), permettant de déployer un modèle léger et rapide directement sur les consoles de radiologie locales, sans perte de performance diagnostique.

- Objectif 4 : Formaliser l'explicabilité sémantique et clinique (Raisonnement hybride)
Assurer le passage d'une IA purement perceptive à une IA cognitive en traduisant les cartes visuelles en concepts médicaux intelligibles. Cet objectif sera atteint par le couplage du réseau avec l'ontologie standardisée BI-RADS, adossé à une interface utilisateur interactive intégrant le praticien dans la boucle (Human-in-the-loop) pour une co-évolution dynamique de l'outil.
*******************************************************************************************************************
The overarching goal of this thesis project is to design, develop, and validate a hybrid, neuro-symbolic, and explainable AI (XAI) approach to overcome the opacity of Deep Learning models in digital breast imaging and to restore clinician confidence in early breast cancer screening. To achieve this, the project pursues four specific scientific and technical objectives:

- Objective 1: Improve the geometric precision of visual explainability (Fine-grained saliency)
Develop an algorithm derived from Grad-CAM tailored to the specific characteristics of mammography and MRI images; this algorithm will move beyond providing simple, diffuse regions of interest to precisely segmenting and highlighting the contours of tumor masses and microcalcifications.

- Objective 2: Eliminate algorithmic noise through mathematical consensus (Robust fusion)
Create a methodological fusion framework based on mutual information scores. The aim is to cross-reference outputs from multiple XAI methods (Grad-CAM, SHAP, Integrated Gradients) to filter out visual false positives and present radiologists only with areas of absolute convergence that are clinically relevant.

- Objective 3: Design an eco-efficient AI model for local deployment (Optimization)
Develop a pruning strategy for convolutional neural network (CNN) layers that is directly guided by explainability. The quantitative target is a drastic reduction in network parameters (aiming for a magnitude of 58.90%, a figure validated in 2021), enabling the deployment of a lightweight, fast model directly on local radiology consoles without compromising diagnostic performance.

- Objective 4: Formalize semantic and clinical explainability (Hybrid reasoning)
Facilitate the transition from purely perceptual AI to cognitive AI by translating visual maps into intelligible medical concepts. This objective will be achieved by coupling the network with the standardized BI-RADS ontology, supported by an interactive user interface that keeps the practitioner in the loop, enabling the tool to evolve dynamically. Pour lever les verrous de l'opacité clinique, ce projet de thèse déploie une méthodologie interdisciplinaire structurée autour d'une IA hybride (neuro-symbolique), transposant et adaptant une approche validée avec succès par l'équipe en 2021 dans le domaine agronomique. Le programme de recherche s'articule autour de quatre axes méthodologiques complémentaires :

- Axe 1 : Saillance visuelle et segmentation sémantique fine
La première étape consiste à adapter l'algorithme d'explicabilité Grad-CAM (et ses variantes avancées) aux propriétés spécifiques de la sénologie numérique. L'objectif est de dépasser les cartes de chaleur diffuses traditionnelles pour isoler, segmenter et surligner avec une haute précision géométrique les contours exacts des masses tumorales et des microcalcifications sur les images de mammographie et d'IRM.

- Axe 2 : Fusion robuste d'explicabilité par information mutuelle
Afin de garantir la fiabilité médicale des explications visuelles, le projet implémentera une approche de consensus mathématique. En utilisant le score d'information mutuelle, le système croisera les résultats de différentes méthodes d'explicabilité (notamment Grad-CAM, SHAP et Integrated Gradients). Cette fusion permettra d'éliminer le bruit visuel et les artéfacts algorithmiques pour ne retenir que les zones de convergence absolue, validées par les différents paradigmes de XAI.

- Axe 3 : Optimisation architecturale et compression guidée par la XAI
Pour permettre un déploiement local de l'outil, une stratégie d'élagage (pruning) des couches du réseau de neurones convolutifs (CNN) sera développée. Contrairement aux méthodes de compression classiques, cet élagage sera directement guidé par les métriques d'explicabilité (préservant les neurones qui contribuent le plus à la justification biologique). L'objectif est d'atteindre une réduction drastique des paramètres du réseau (dans la lignée des 58,90 % obtenus en 2021), aboutissant à un modèle léger, éco-efficient et transférable sur des consoles de radiologie locales.

- Axe 4 : Raisonnement sémantique et intégration Human-in-the-loop
Le coeur du caractère neuro-symbolique du projet réside dans le couplage des cartes visuelles optimisées avec une base de connaissances symbolique formalisée. Les prédictions du CNN seront projetées sur l'ontologie standardisée BI-RADS (Breast Imaging-Reporting and Data System). À travers une interface interactive, le radiologue pourra non seulement ajuster les paramètres analytiques du modèle, mais aussi formuler des validations ou corrections textuelles. Chaque interaction du praticien viendra enrichir dynamiquement le système, concrétisant le passage d'une IA perceptive à un outil d'apprentissage robuste, explicable et certifiable.

******************************************************************************************************************
To overcome the barriers of clinical opacity, this thesis project employs an interdisciplinary methodology centered on a hybrid (neuro-symbolic) AI, adapting an approach successfully validated by the team in 2021 within the field of agronomy. The research program is structured around four complementary methodological pillars:

- Pillar 1: Visual saliency and fine-grained semantic segmentation
The first step involves adapting the Grad-CAM explainability algorithm (and its advanced variants) to the specific characteristics of digital breast imaging. The goal is to move beyond traditional, diffuse heatmaps to isolate, segment, and highlight-with high geometric precision-the exact contours of tumor masses and microcalcifications in mammography and MRI images.

- Pillar 2: Robust explainability fusion via mutual information
To ensure the medical reliability of visual explanations, the project will implement a mathematical consensus approach. Using the mutual information score, the system will cross-reference results from various explainability methods (notably Grad-CAM, SHAP, and Integrated Gradients). This fusion will eliminate visual noise and algorithmic artifacts, retaining only the zones of absolute convergence validated across the different XAI paradigms.
- Focus Area 3: Architectural optimization and XAI-guided compression
To enable local deployment of the tool, a pruning strategy for the convolutional neural network (CNN) layers will be developed. Unlike conventional compression methods, this pruning process will be directly guided by explainability metrics (preserving the neurons that contribute most to the biological rationale). The goal is to achieve a drastic reduction in network parameters (building on the 58.90% reduction achieved in 2021), resulting in a lightweight, eco-efficient model suitable for transfer to local radiology workstations.

- Focus Area 4: Semantic reasoning and human-in-the-loop integration
The core of the project's neuro-symbolic nature lies in coupling optimized visual maps with a formalized symbolic knowledge base. CNN predictions will be mapped to the standardized BI-RADS (Breast Imaging-Reporting and Data System) ontology. Through an interactive interface, the radiologist will be able to adjust the model's analytical parameters and provide textual validations or corrections. Each interaction by the practitioner will dynamically enrich the system, marking the transition from a purely perceptual AI to a robust, explainable, and certifiable learning tool.