Data Science & Intelligence Artificielle
Contexte & Problématique
L'objectif de ce sujet est de concevoir un système d'aide à la décision médicale capable de fusionner des données multimodales hétérogènes : imagerie médicale (radiographies pulmonaires, scanners CT, IRM) et rapports cliniques textuels non structurés. Grâce à des architectures de fusion précoce et tardive (Vision Transformers + BioBERT/LLMs médicaux) et à des modules d'explicabilité (XAI), l'assistant guidera les praticiens dans le diagnostic différentiel précoce tout en expliquant les motifs de ses prédictions.
Objectifs principaux du projet
- Mettre en place une chaîne de traitement d'images radiologiques (DICOM) et de dossiers médicaux textuels (EHR).
- Développer une architecture d'apprentissage profond multimodal (ViT, ResNet + BioBERT / Med-PaLM) pour la classification et la détection d'anomalies.
- Intégrer des mécanismes d'explicabilité visuelle (Grad-CAM) et textuelle (attribution de tokens) pour garantir la confiance clinique.
- Concevoir une interface utilisateur ergonomique et conforme aux normes de confidentialité des données médicales.
Stack technologique & Outils
Livrables attendus
- Architecture neuronale multimodale entraînée et évaluée sur des benchmarks médicaux reconnus.
- Module d'IA explicable (visualisation des zones lésionnelles et justification textuelle).
- Prototype web interactif d'assistance médicale pour radiologues et cliniciens.
- Mémoire de PFE rigoureux détaillant la validation clinique et méthodologique.
Ce sujet vous intéresse ?
Envoyez votre CV accompagné d'une lettre de motivation mentionnant vos compétences techniques, vos projets académiques ou personnels pertinents ainsi que vos disponibilités.
Postuler à ce sujet