IA pour la santé & Life Sciences
Imagerie médicale et données biomédicales : méthodes robustes, multi-cohortes et orientées biomarqueurs.
Ce que nous explorons
Nous menons des travaux R&D en santé : imagerie (CT, IRM/UTE, histopathologie), extraction biomédicale et biomarqueurs, avec exigences de validation, robustesse inter-sites et collaborations (dont CIFRE).
Verrous scientifiques & techniques
Ce qui rend le sujet non trivial en conditions réelles.- Rareté/qualité des annotations et variabilité inter-experts.
- Domain shift (sites, protocoles d'acquisition) et multi-modalité.
- Classes rares (lésions, sous-types) et généralisations hors-cohorte.
- Fiabilité clinique : incertitude, contrôles qualité et biomarqueurs robustes.
Approches & briques technologiques
Comment nous abordons le problème en R&D.- Segmentation et classification (U-Net/V-Net, patch-based, attention) avec pertes adaptées.
- Semi-supervisé et data-centric : pseudo-labels, active learning, contrôles qualité.
- Augmentation générative (GAN/diffusion) contrainte anatomique et évaluation rigoureuse.
- Extraction d'information biomédicale (entités/relations) et validation multi-sources.
Illustrations de travaux
Quelques exemples de sujets traités dans ce thème.
Analyse d'images pulmonaires
Illustration de travauxSegmentation/partitionnement, biomarqueurs quantitatifs et validation multi-cohortes.
Histopathologie
Illustration de travauxClassification d'images, robustesse aux variations de coloration et analyse d'erreurs.
Texte biomédical
Illustration de travauxExtraction d'entités/relations et consolidation de connaissances (interactions, risques).
Envie d’échanger sur ce thème ?
Nous pouvons partager nos protocoles d’évaluation, nos retours d’expérience et nos options techniques adaptées à vos contraintes.