Thèse Modèles de Langage Multimodaux pour l'Intégration des Données Cliniques et Moléculaires et l'Aide à la Décision Thérapeutique en Oncologie de Précision H/F Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Life Sciences and Health École doctorale : Cancérologie : Biologie - Médecine - Santé Laboratoire de recherche : Radiothérapie Moléculaire et Innovation Thérapeutique Direction de la thèse : Eric DEUTSCH ORCID 0000000282233697 Début de la thèse : 2026-11-02 Date limite de candidature : 2026-11-15T23:59:59 La prise en charge des patients atteints de cancer repose sur l'intégration d'informations cliniques, radiologiques, anatomopathologiques et moléculaires de plus en plus complexes. Les progrès de la caractérisation biologique des tumeurs et le développement de nouvelles stratégies thérapeutiques, notamment les thérapies ciblées et les immunothérapies, ont ouvert des perspectives majeures pour la médecine personnalisée. Cependant, l'hétérogénéité des données disponibles, la complexité des interactions biologiques et l'évolution rapide des connaissances scientifiques rendent leur intégration dans les décisions thérapeutiques particulièrement difficile.

Les avancées récentes de l'intelligence artificielle, notamment des grands modèles de langage (Large Language Models, LLM) et des modèles de fondation multimodaux, offrent de nouvelles possibilités pour exploiter conjointement des informations médicales hétérogènes et mobiliser des connaissances biomédicales. Ces technologies pourraient contribuer à développer des systèmes d'aide à la décision capables de prendre en compte les caractéristiques individuelles des patients et les spécificités biologiques de leurs tumeurs. Toutefois, leur capacité à intégrer des données multimodales complexes, à produire des recommandations thérapeutiques pertinentes et à généraliser leurs performances à différentes situations oncologiques reste insuffisamment établie.

Ce projet doctoral vise à développer et évaluer des approches d'intelligence artificielle fondées sur les modèles de langage pour l'intégration des données cliniques et moléculaires dans une perspective de médecine oncologique personnalisée.

Les travaux s'articuleront autour de trois axes complémentaires. Le premier portera sur le développement de méthodes permettant de représenter et d'intégrer différentes sources d'informations, notamment les données cliniques, l'imagerie médicale, les caractéristiques anatomopathologiques et les profils moléculaires. Le deuxième évaluera la capacité des modèles à exploiter ces informations pour identifier des caractéristiques pertinentes, prédire des résultats thérapeutiques et contribuer à la proposition de stratégies de prise en charge individualisées. Le troisième sera consacré à l'évaluation de la robustesse, de la reproductibilité, de l'interprétabilité et de la pertinence clinique des approches développées.

Les performances seront comparées à celles de méthodes conventionnelles d'apprentissage automatique et de modèles spécialisés, afin de déterminer la valeur ajoutée des modèles de langage et de l'intégration multimodale. Une attention particulière sera portée à la contribution respective des différentes sources d'informations, à la gestion des données manquantes et à la capacité de généralisation des modèles. Les évaluations reposeront sur des données de patients et des méthodologies de validation adaptées, en tenant compte des exigences de confidentialité et de protection des données de santé.

À terme, ce projet ambitionne de mieux comprendre les possibilités et les limites des modèles de langage multimodaux pour l'intégration des connaissances médicales et biologiques, et de contribuer au développement d'outils d'intelligence artificielle fiables pour l'aide à la décision et la personnalisation des traitements en oncologie. L'objectif principal de ce projet doctoral est de développer et d'évaluer des approches d'intelligence artificielle fondées sur les grands modèles de langage (LLM) et les modèles de fondation multimodaux pour intégrer les données cliniques, radiologiques, anatomopathologiques et moléculaires dans une perspective de médecine personnalisée en oncologie.

Les objectifs spécifiques sont :

1. Développer des méthodes d'intégration multimodale permettant de combiner des informations médicales hétérogènes et de représenter les caractéristiques cliniques et biologiques individuelles des patients.
2. Évaluer la capacité des modèles de langage à exploiter les données multimodales pour identifier les informations pertinentes, prédire les résultats thérapeutiques et contribuer à la personnalisation des stratégies de prise en charge.
3. Comparer les performances des différentes approches d'intelligence artificielle, notamment les LLM, les modèles de fondation spécialisés et les méthodes conventionnelles d'apprentissage automatique, afin de déterminer leur valeur ajoutée respective.
4. Étudier la contribution des différentes modalités de données, en particulier des informations moléculaires, à la pertinence des prédictions et des recommandations thérapeutiques.
5. Évaluer la robustesse, la reproductibilité, l'interprétabilité et la généralisation des modèles, ainsi que leur pertinence et leur sécurité clinique, afin d'identifier les conditions nécessaires à leur utilisation comme outils d'aide à la décision en oncologie.

À terme, ce projet vise à contribuer au développement de méthodes d'intelligence artificielle fiables et généralisables pour soutenir les décisions thérapeutiques individualisées en oncologie. L'objectif principal de ce projet doctoral est de développer et d'évaluer des approches d'intelligence artificielle fondées sur les grands modèles de langage (LLM) et les modèles de fondation multimodaux pour intégrer les données cliniques, radiologiques, anatomopathologiques et moléculaires dans une perspective de médecine personnalisée en oncologie.

Les objectifs spécifiques sont :

1. Développer des méthodes d'intégration multimodale permettant de combiner des informations médicales hétérogènes et de représenter les caractéristiques cliniques et biologiques individuelles des patients.
2. Évaluer la capacité des modèles de langage à exploiter les données multimodales pour identifier les informations pertinentes, prédire les résultats thérapeutiques et contribuer à la personnalisation des stratégies de prise en charge.
3. Comparer les performances des différentes approches d'intelligence artificielle, notamment les LLM, les modèles de fondation spécialisés et les méthodes conventionnelles d'apprentissage automatique, afin de déterminer leur valeur ajoutée respective.
4. Étudier la contribution des différentes modalités de données, en particulier des informations moléculaires, à la pertinence des prédictions et des recommandations thérapeutiques.
5. Évaluer la robustesse, la reproductibilité, l'interprétabilité et la généralisation des modèles, ainsi que leur pertinence et leur sécurité clinique, afin d'identifier les conditions nécessaires à leur utilisation comme outils d'aide à la décision en oncologie.

À terme, ce projet vise à contribuer au développement de méthodes d'intelligence artificielle fiables et généralisables pour soutenir les décisions thérapeutiques individualisées en oncologie.