Analyse et Traitement des Données Médicales avec l'Intelligence Artificielle Avancée et l'Apprentissage par Transfert

Analysis and Processing of Medical Data with Advanced Artificial Intelligence and Transfer Learning

• Auteur / Autrice : Khaoula Oueldji
• Direction : Hichem Arioui
• Type : Projet de thèse
• Discipline(s) : Informatique mathématique
• Date : Inscription en doctorat le 06/04/2025
• Etablissement(s) : université Paris-Saclay en cotutelle avec Université Badji Mokhtar Annaba
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Equipe de recherche : IRA2: Interactions, Réalité virtuelle & Augmentée, Robotique Ambiante
• Partenaire(s) de recherche : Référent : Université d'Évry Val d'Essonne

Mots clés

Mots clés libres

Intelligence Artificielle

Traitement de Données

Apprentissage par Transfert

Artificial Intelligence

Data Processing

Transfer Learning

Résumé

L'explosion du volume de données médicales au sein des établissements de santé ouvre des perspectives majeures pour l'amélioration des soins, tout en posant d'importants défis scientifiques et technologiques. Malgré les avancées notables de l'intelligence artificielle (IA) et de l'apprentissage profond, leur exploitation optimale dans le domaine médical demeure limitée. Cette sous-utilisation s'explique notamment par l'hétérogénéité des données cliniques, les contraintes computationnelles, les enjeux d'explicabilité, ainsi que les exigences strictes en matière de fiabilité et d'éthique. Dans ce contexte, l'apprentissage par transfert constitue une piste prometteuse, en particulier dans des situations où les données annotées sont rares ou déséquilibrées. Toutefois, son intégration efficace dans des systèmes d'IA médicale robustes et interprétables requiert une exploration approfondie des architectures de modèles, des stratégies d'optimisation et des mécanismes d'adaptation aux spécificités des données médicales. Dès lors, la question centrale de cette thèse est la suivante : comment mobiliser de manière efficace les techniques avancées d'IA, incluant l'apprentissage par transfert, les mécanismes d'attention, les architectures compactes, et la réalité virtuelle, pour améliorer l'analyse, l'interprétation et l'exploitation des données médicales, tout en garantissant la transparence, la robustesse et la pertinence clinique des modèles ? Il s'agira également d'examiner quelles architectures de réseaux et quelles approches méthodologiques permettent de relever les défis liés à la qualité des données, à la taille et la scalabilité des modèles, à la stabilité numérique (explosion/disparition des gradients), au déséquilibre des classes, à la sensibilité au bruit, aux biais, à l'oubli catastrophique, ainsi qu'à l'adaptation aux environnements réels. Enfin, cette recherche interrogera la manière dont des collaborations étroites avec les établissements de santé peuvent favoriser la co-conception, la validation et le déploiement de solutions d'IA pour le diagnostic précoce, la personnalisation des traitements et l'aide à la décision médicale, dans une perspective de médecine de précision.

The explosion in the volume of medical data within healthcare institutions is opening up major opportunities for improving care, while at the same time posing significant scientific and technological challenges. Despite notable advances in artificial intelligence (AI) and deep learning, their optimal exploitation in the medical field remains limited. This under-utilization can be explained in particular by the heterogeneity of clinical data, computational constraints, explainability requirements, as well as stringent demands in terms of reliability and ethics. In this context, transfer learning represents a promising avenue, especially in situations where annotated data are scarce or imbalanced. However, its effective integration into robust and interpretable medical AI systems requires an in-depth exploration of model architectures, optimization strategies, and adaptation mechanisms tailored to the specific characteristics of medical data. The central question of this thesis is therefore the following: how can advanced AI techniques— including transfer learning, attention mechanisms, compact architectures, and virtual reality—be effectively leveraged to improve the analysis, interpretation, and exploitation of medical data, while ensuring the transparency, robustness, and clinical relevance of the models? It will also be necessary to determine which network architectures and methodological approaches are best suited to addressing the challenges related to data quality, model size and scalability, numerical stability (gradient explosion/vanishing), class imbalance, noise sensitivity, biases, catastrophic forgetting, and adaptation to real-world environments. Finally, this research will examine how close collaborations with healthcare institutions can foster the co-design, validation, and deployment of AI solutions for early diagnosis, treatment personalization, and medical decision support, within a broader perspective of precision medicine.