Thèse Système Frugal Embarqué Adaptatif de Détection d'Indicateurs Médicaux dans des Images Intégrant le Retour Humain Rlhf et l'Informatique Affective H/F - 42

Établissement : Université Jean Monnet Saint-Etienne
École doctorale : SIS - Sciences Ingénierie Santé
Laboratoire de recherche : LabHC - Laboratoire Hubert Curien
Direction de la thèse : Virginie FRESSE ORCID 0000000299440174
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-03-30T23:59:59

Cette thèse vise à concevoir un système frugal d'intelligence artificielle embarquée centré sur l'humain. L'objectif est de fusionner intelligemment des images acquises par un téléphone portable et données patient, dans le cadre du suivi médical personnalisé à distance d'une pathologie. Il s'agit d'assurer des informations fiables et pertinentes issues du système frugal et son amélioration continue en utilisant des informations de rétroaction active du praticien et d'état émotionnel du patient. La frugalité du système de fusion embarquée et l'adaptation du modèle centré sur l'humain constituent les axes de travail. Dimensionner des architectures sur ressources contraintes et fusionnant efficacement différents types d'information nécessite un équilibre entre taille d'architecture et performance du modèle. Le modèle sera léger grâce à une réduction du nombre et de la complexité des opérations mais également grâce à une maitrise du volume de données stockées dans l'architecture. Il s'agira de construire des protocoles basés sur l'attention croisée pour une fusion intelligente d'images multimodales et de signaux patient physiologiques et émotionnels. Un mécanisme de hiérarchisation de données images selon leur qualité, leur pertinence clinique et leur conformité nourrira les règles de frugalité. Ce modèle se basera sur une approche par apprentissage par renforcement avec retour humain et une approche Affective Computing guidée par le patient. Ces approches serviront d'une part à affiner progressivement le modèle de fusion intelligente d'images aux attentes cliniques. Et d'autre part, elles assureront l'adhésion primordiale de l'utilisateur par la sécurisation, la traçabilité et la confidentialité des données en prenant en compte l'état émotionnel du patient dans le processus d'apprentissage. Les travaux s'appliqueront tout d'abord à des bases d'images multimodales (publiques et mises à disposition par des partenaires privés) puis à la personnalisation dynamique du modèle à des données santé.

Le développement de l'IA embarquée en santé pose des défis majeurs en termes de frugalité, de fiabilité et d'acceptabilité par l'utilisateur.
Le suivi médical personnalisé à distance nécessite la fusion efficace d'images multimodales et de données patient sur des dispositifs à ressources limitées.
Les approches actuelles restent peu adaptées aux contraintes embarquées et à l'intégration du retour humain.
Cette thèse s'inscrit à l'interface de l'IA frugale, de la fusion multimodale et de l'IA centrée sur l'humain.

Concevoir un système d'intelligence artificielle embarquée frugal et centré sur l'humain pour le suivi médical personnalisé à distance.
Développer des architectures légères de fusion multimodale d'images et de données patient adaptées à des ressources contraintes.
Intégrer l'apprentissage par renforcement avec retour humain afin d'améliorer la pertinence clinique et l'adaptation continue du modèle.
Garantir la fiabilité, la sécurité et l'acceptabilité du système en tenant compte de l'état émotionnel du patient.

La méthode repose sur la conception d'architectures d'IA embarquée frugales, optimisées pour des ressources matérielles contraintes.
Des mécanismes de fusion multimodale basés sur l'attention croisée seront développés pour combiner images et données patient.
L'apprentissage par renforcement avec retour humain sera utilisé pour adapter progressivement le modèle aux besoins cliniques.
Les approches d'Affective Computing permettront d'intégrer l'état émotionnel du patient dans le processus d'apprentissage.