Apprentissage automatique multimodal évolutif, explicable et fédéré pour l'aide à la décision // scalable, explainable and federated multimodal machine learning for decision support

Topic description

Cette thèse s'intéresse aux défis de l'apprentissage automatique sur des données complexes et hétérogènes, en particulier en santé. Elle aborde des enjeux clés comme l'apprentissage multimodal (combiner textes, images, signaux), l'explicabilité des modèles, l'intégration de connaissances (via des ontologies), l'apprentissage distribué (notamment fédéré), et le passage à l'échelle des modèles. Les objectifs sont de développer des méthodes robustes, explicables, et scalables, en intégrant des connaissances, et en respectant la confidentialité des données. Ces approches seront appliquées dans le cadre du projet RHU I-DEAL, visant à améliorer les systèmes d'aide à la décision clinique pour le suivi de la maladie de Crohn, avec des données multimodales collectées à distance. La démarche est itérative, avec un développement méthodologique, une validation sur des benchmarks, et une application concrète sur les données cliniques du projet.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis addresses the challenges of machine learning applied to complex and heterogeneous data, particularly in healthcare. It tackles key issues such as multimodal learning (combining text, images, signals), model explainability, integration of knowledge (via ontologies), distributed (federated) learning, and scaling of models. The goals are to develop robust, explainable, scalable, and distributed multimodal learning methods for analyzing heterogeneous data in healthcare. The scientific and methodological objectives include: designing multimodal learning models that effectively integrate diverse data (text, audio, video, questionnaires), developing robust approaches to noisy or incomplete data, creating explainability methods for reliable clinical interpretations, integrating structured knowledge (ontologies, expert knowledge) into models, implementing federated learning that preserves sensitive data privacy, and ensuring computational efficiency and scalability. These methods will be applied and evaluated in the ANR RHU I-DEAL project, aimed at developing clinical decision support systems for monitoring Crohn's disease, using multimodal patient data collected remotely. The methodology is iterative, combining methodological development, benchmarking validation, adaptation to the I-DEAL project, and multi-criteria evaluation (performance, explainability, robustness, scalability, and federated communication cost).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Other public funding

Funding further details

ANR Financement d'Agences de financement de la recherche