Stage - Ingénieur.e Recherche – IA appliquée au médical

Au sein du pôle de recherche pour Living Twins for Practitioner, le département Oncology Twin développe des outils numériques pour la santé dont l'objectif est de métamorphoser les pratiques médicales futures en oncologie à la fois pour le patient et les praticiens.

Ces travaux s’effectuent à travers des partenariats avec des CHU et IHU dans des projets phares comme MEDITWIN (https://www.3ds.com/fr/newsroom/press-releases/meditwin-launch) et Twinonco (https://www.3ds.com/fr/newsroom/press-releases/twinonco & https://www.youtube.com/watch?v=ZPjvM-eiC3g).

Vous rejoindrez l'équipe Lesion Oncology twin qui a vocation à évaluer et développer des techniques d'imagerie et d'IA pour soutenir la pratique oncologique.

Le recrutement de patients pour les essais cliniques est un processus critique mais particulièrement complexe.

Pour le médecin, l'analyse manuelle des dossiers médicaux (EHR) face à des critères d'éligibilité souvent complexes, ambigus et dotés d'une logique difficile à démêler (enchaînements complexes de ET, OU, conditions d'exclusion), s'avère extrêmement chronophage.

Pour le patient, ce goulot d'étranglement représente une perte de chance directe d'accéder à des traitements innovants. Ce défi à l'échelle de la recherche médicale est majeur : plus de 80 % des essais cliniques accumulent du retard faute de recrutements suffisants.  

Ce stage s'inscrit dans la continuité directe d'un premier travail qui a posé les fondations de la technologie en combinant une architecture RAG (LLM) et un alignement texte-ontologie. Il apparaît désormais nécessaire d'explorer plus en profondeur l'apport des ontologies pour enrichir la compréhension des documents. L'enjeu est de tirer pleinement parti de la structure en graphe de ces ontologies et de la richesse sémantique qu'elles renferment pour lever les ambiguïtés terminologiques, capturer les relations complexes entre concepts et garantir la traçabilité des décisions. Ce stage vise ainsi à faire évoluer cette chaîne vers une approche neuro-symbolique combinant la puissance de compréhension des LLM et la rigueur formelle des ontologies médicales (ex. UMLS, MeSH, SNOMED CT).

Deux axes majeurs seront explorés :

• L'exploitation de la richesse sémantique des concepts et de leur contexte clinique environnant (relations taxonomiques, attributs) pour désambiguïser finement les entités extraites des dossiers patients.
• Le raisonnement hybride LLM + GNN pour naviguer directement dans la topologie des graphes d'ontologies, extraire des sous-graphes de preuves et fournir un matching hautement explicable aux praticiens.  

Vos missions

Au cours de ce stage, vous :

• Réaliserez une revue bibliographique sur l'utilisation de l'intelligence artificielle
• Implémenterez une ou plusieurs méthodes identifiées comme pertinentes
• Mettrez en place des méthodes d'évaluation adaptées

Vous serez amené.e à communiquer vos résultats aux autres membres de l'équipe.