Thèse Fiabilité Sémantique et Temporelle des Systèmes Neuro-Symboliques pour l'Aide à la Détection Précoce du Sepsis Propagation et Contrôle des Erreurs dans les Graphes de Connaissances Cliniques H/F Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : IBISC - Informatique, BioInformatique, Systèmes Complexes Direction de la thèse : Fariza TAHI ORCID 0000000239755668 Début de la thèse : 2026-11-01 Date limite de candidature : 2026-11-30T23:59:59 Le projet de thèse concerne l'étude de la fiabilité des systèmes neuro-symboliques combinant des modèles de langage et des graphes de connaissances cliniques soumis au raisonnement symbolique. Le projet s'inscrit dans la continuité de KG-EDS, qui a démontré la faisabilité d'une chaîne allant de dossiers cliniques numérisés à un graphe de connaissances pour la détection précoce du sepsis, et d'un travail préparatoire actuellement consacré à l'utilisation de LLM multimodaux, à la définition d'une guideline de 21 entités et 32 relations, ainsi qu'à la construction d'un gold standard sur 49 dossiers APROCCHSS. Au total, 247 dossiers APROCCHSS sont actuellement mobilisables pour les travaux. La guideline et le gold standard seront soumis à validation clinique.
La thèse ne vise pas seulement à améliorer l'extraction. Elle cherchera à comprendre comment une erreur d'extraction se propage lorsqu'elle est intégrée dans un graphe de connaissances et soumise au raisonnement symbolique. Trois questions structurent le projet : caractériser les erreurs, modéliser leur propagation et évaluer des mécanismes de contrôle. Une taxonomie H0-H4, des indicateurs de fiabilité, des expériences contrôlées de propagation et un modèle probabiliste seront étudiés. Enfin, des mécanismes de contextualisation ontologique/RAG et de vérification symbolique/SFL seront évalués afin de limiter les conséquences des erreurs. Le sepsis constitue le domaine d'application et de validation, tandis que la contribution scientifique porte sur la fiabilité et la maîtrise des erreurs dans la chaîne neuro-symbolique.
Le sepsis constitue une urgence médicale et une problématique majeure de médecine intensive. Sa détection précoce nécessite de croiser des informations cliniques nombreuses, hétérogènes et distribuées dans des documents médicaux souvent numérisés ou partiellement structurés. Les modèles de langage (LLM) et les modèles multimodaux permettent d'envisager l'extraction automatique d'entités, de relations et d'informations temporelles. Ces connaissances peuvent ensuite être structurées dans des graphes de connaissances cliniques fondés sur une ontologie dédiée et exploités par un raisonneur symbolique (OWL/SPARQL).

Le verrou scientifique central ne réside pas seulement dans la performance brute d'extraction. Une erreur introduite par un modèle LLM (hallucination, omission, mauvaise temporalité) peut être intégrée au graphe, interagir avec d'autres faits et altérer en chaîne les inférences produites. Si une incompatibilité formelle peut parfois être détectée par le raisonneur, une information cliniquement fausse mais formellement valide peut rester compatible avec les axiomes de l'ontologie. La thèse étudiera ainsi de manière découplée l'erreur d'extraction, sa représentation dans le graphe et ses conséquences inférentielles.

L'objectif général de la thèse est de caractériser, mesurer et contrôler la propagation des erreurs introduites par des modèles de langage lors de l'extraction de connaissances cliniques, depuis les documents sources jusqu'aux inférences produites par un graphe de connaissances soumis au raisonnement symbolique. Plus précisément, il s'agira de :
- Formalisation théorique : Établir une taxonomie opérationnelle des erreurs (niveaux H0 à H4) distinguant l'erreur d'extraction textuelle (H0/H1), l'erreur de représentation (H2), l'incohérence formelle (H3) et la conséquence inférentielle (H4).
- Mise en place de métriques de fiabilité : Définir et valider expérimentalement des indicateurs de traçabilité textuelle (TTT), de gravité clinique (PRPG), d'impact structurel sur le graphe (ISG) et de cohérence temporelle (CTQ).
- Mise en place d'un protocole expérimental : Concevoir une méthodologie rigoureuse d'injection et de reproduction d'erreurs contrôlées le long du pipeline neuro-symbolique.
- Analyse de propagation : Étudier les mécanismes de propagation des erreurs dans les graphes de connaissances cliniques et évaluer leur impact quantitatif et qualitatif sur le raisonnement OWL.
- Modélisation probabiliste (Optionnelle/Exploratoire) : Sous réserve de pertinence expérimentale, évaluer un modèle probabiliste ou flou de propagation d'incertitude dans le graphe.
- Mise en place de mécanismes de contrôle et correction : Évaluer et optimiser des mécanismes de correction combinant la contextualisation ontologique en amont (Ontology-informed RAG) et la vérification symbolique avec boucle de rétroaction en aval (Symbolic Feedback Loop).
- Validation expérimentale : Valider l'ensemble de l'approche sur le jeu de données clinique APROCCHSS et en évaluer la généralisabilité sur une ressource publique de référence (MIMIC-IV).