Sujet de thèse en intelligence artificielle

Les maladies myopathiques sont généralement diagnostiquées par observation clinique et analyse manuelle des signaux d’électromyographie (EMG) par les rhumatologues et les neurologues. Cependant, le processus de diagnostic manuel est long, sujet aux erreurs humaines et dépend fortement de l’expertise des professionnels de la santé. Alors que les systèmes de santé sont confrontés à une demande croissante d’outils de diagnostic plus précis et plus efficaces, l’intelligence artificielle (IA) offre des solutions prometteuses.

Des recherches récentes ont montré que l’intégration de modèles d’apprentissage automatique dans des systèmes de diagnostic en temps réel, en particulier avec l’utilisation de signaux EMG, peut améliorer l’efficacité d’obtention des résultats [1-7, 13]. Des techniques telles que les réseaux neuronaux convolutifs (CNN) et les modèles hybrides combinant les CNN avec les réseaux neuronaux récurrents (RNN) ont fourni des performances élevées pour la classification des données EMG. Les CNN sont particulièrement efficaces dans l’analyse spatiale, en capturant les modèles locaux au sein du signal, tandis que les RNN ou réseaux de mémoire à long terme (LSTM) excellent dans la modélisation de séquences temporelles, ce qui est crucial pour les signaux EMG qui varient dans le temps [8, 9]. Bien que les approches d’apprentissage profond éliminent le besoin d’extraction manuelle de caractéristiques, elles présentent des défis liés à l’interprétabilité et à la complexité de calcul [10].

Les préoccupations éthiques, notamment en matière d’explicabilité et de biais, restent non résolues dans les applications en médicine [1–7]. L’adoption de l’IA en milieu clinique exige une transparence dans la prise de décision afin de garantir la sécurité des patients et la confiance des prestataires de soins. De plus, ces modèles impliquent souvent des coûts de calcul élevés et une complexité accrue, ce qui les rend moins viables pour une utilisation clinique en temps réel [5]. Les méthodes d’Intelligence Artificielle explicable (XAI) visent à réduire le gap entre la nature « boîte noire » des modèles d’apprentissage profond et le besoin de transparence dans la prise de décision en milieu clinique [11,12].

L’objectif de ce projet est non seulement de développer un système de diagnostic efficace et en temps réel, capable de traiter efficacement les signaux EMG et de fournir un retour d’information immédiat aux cliniciens sans compromettre la précision du diagnostic, mais aussi d’intégrer l’XAI pour améliorer l’interprétabilité des modèles diagnostiques et garantir le respect des normes éthiques, telles que l’équité et la responsabilité. En proposant des explications visuelles ou textuelles claires des résultats diagnostiques, le système fournira aux cliniciens un outil plus compréhensible et plus fiable pour les aider à prendre des décisions médicales. Cette transparence est essentielle pour répondre aux préoccupations réglementaires et favoriser une adoption plus large des technologies d’IA dans le secteur de la santé.

• Développer une plateforme basée sur l’IA capable de diagnostiquer diverses maladies myopathiques en analysant les signaux EMG collectés à l’aide de capteurs EMG placés sur les bras des patients, réduisant ainsi la charge de travail des professionnels de la santé, améliorant la précision du diagnostic et garantissant que les patients reçoivent des traitements opportuns et appropriés.
• Intégrer des mécanismes d’explicabilité dans les modèles d’apprentissage profond, fournissant des explications visuelles pour les classifications des maladies myopathiques. Cela répondra au besoin clinique de transparence et de confiance dans les systèmes d’IA, essentiels à une adoption éthique dans la pratique médicale. Le recours à l’IA explicable (IAX) garantira l’interprétabilité des décisions du système, offrant ainsi une vision claire du processus diagnostique, essentielle au maintien de la confiance entre les professionnels de santé et les patients.

• Diplôme d’ingénieur / Master avec une expertise en apprentissage automatique, apprentissage profond, et traitement du signal est un plus.

• Compétences en programmation en Python, Pytorch / Tensorflow.

• Maîtrise de la langue anglaise à l’oral et à l’écrit (C1 préféré / C2).

• Intérêt pour la santé.

(Description du type de diplôme attendu, attention on ne peut pas accepter d’étudiante.s n’ayant pas un diplôme de master ou un diplôme d’ingénieur)

• Diplôme d’ingénieur / Master avec une expertise en apprentissage automatique et science des données.