Description du sujet de thèse

L’objectif de cette thèse est de proposer un modèle de patient-jumeau numérique permettant (i) de créer des profils de patients atteints de SEPSIS et (ii) de prédire au début de la pathologie la réactivité aux corticostéroïdes en se basant sur les biomarqueurs les plus significatifs. Pour produire ces profils SEPSIS, notre stratégie consiste à développer des modèles génératifs d'apprentissage profonds. Pour prédire la réactivité spécifique aux corticostéroïdes, nous envisageons un apprentissage par renforcement à partir de rétroaction humaine (RLHF : Reinforcement Learning with Human Feedback). Cette approche est prometteuse pour le développement de stratégies de traitement personnalisées et adaptatives. Le RLHF permettra d'entraîner le LLM, en intégrant le retour d’expérience des médecins modélisé par une base de connaissances sous forme d’un graphe. Dans cette thèse nous nous intéresserons à: (1) Fusion des données multimodales en s’appuyant sur des données médicales de nature différente. Cette tâche représente un challenge majeur pour les grands modèles de langage (LLMs) limités souvent aux textes et aux images. (2) Création de profils personnalisés et prédiction de la réactivité des patients aux corticostéroïdes,(3) Contrôle de l’efficacité des corticostéroïdes à différentes étapes de l'évolution de la pathologie chez le patient. (4) Mise en œuvre d’une inférence causale afin d’identifier les traitements les plus appropriés réduisant les complications liées au SEPSIS.

Contexte de travail

Le laboratoire LIPN particulièrement l’équipe A3, a développé des algorithmes originaux dans le domaine de l'apprentissage automatique et de l’intelligence artificielle pour la fouille de grandes masses de données de natures différentes et de structures différentes. La plupart des travaux de recherche sont motivés par des collaborations externes et internes à l'université, notamment via les projets ANR et CIFRE.