Thèses 2023

En 2023, le projet MAIA a co-financé 5 thèses.

Sujet : Développement d'un système de détection d'évolution Critique chez des patients hospitalisés

Encadrant(s) :

  • Pierre Marquis
  • Karim Tabia
  • Romain Wallon

Co-financeur : Communauté Urbaine d'Arras (CUA)

Laboratoire(s) d'accueil :

  • CRIL - Université d'Artois
  • CHA

Résumé : La thèse proposée a pour objectif la mise en place d'un système de surveillance permettant de déclencher des alertes destinées aux soignants à partir de l'analyse de paramètres mesurés d'une manière récurrente chez les patients, pendant leur prise en charge hospitalière. Il s'agit de paramètres biologiques, physiologiques et issus de dispositifs médicaux. L'analyse des données ou paramètres des patients est souhaitée en temps continu dès leur admission à l'hôpital. Les alertes seront en rapport avec des anomalies des données-patients (biologiques/physiologiques/dispositifs médicaux) menaçant le pronostic vital. Les principaux enjeux seront :

  • l'interopérabilité des systèmes d'information afin de centraliser les données-patients (biologiques/physiologiques/dispositifs médicaux) et de les analyse conjointement ;
  • la selection des paramètres à analyser et des valeurs pouvant déclencher une alerte ;
  • la selection de parcours de soin hospitalier (services de soins) durant lesquels le système appliquera la surveillance ;
  • la définition d'un indice de gravité et d'un indice de fiabilité pour une alerte ;
  • la selection du ou des destinataire(s) des alertes et la transmission de l'alerte elle-même selon un canal adapté.

Le système de surveillance envisagé s'appuiera sur des méthodes d'intelligence artificielle (apprentissage automatique et IA explicable).

Sujet : Prédiction et optimisation des hétérogenéités du fonctionnement d'életrodes de batteries en utilisant l'intelligence artificielle

Encadrant(s) :

  • Jean Marie Lagniez
  • Alexandro Franco

Co-financeur : Conseil Régional Hauts de France

Laboratoire(s) d'accueil :

  • CRIL - Université d'Artois
  • LRCS - Université de Picardie Jules Vernes

Résumé : Les cellules de batterie aux ions lithium sont au cœur de la transition énergétique en cours. La performance, durabilité et sécurité de ce type de cellules sont dépendantes de la microstructure des électrodes. Dans le présent projet de thèse, on se propose de développer des modèles de substitution (surrogate models) permettant de réaliser des simulations avec des temps réduits. Ces modèles seront basés sur des approches d'intelligence artificielle (par exemple, des réseaux contradictoires génératifs) capables de prédire ces hétérogénéités de fonctionnement en relation aux conditions de fonctionnement des électrodes. L'intégration de ces modèles dans des boucles d'optimisation permettra de fournir des recommandations pour optimiser le fonctionnement de ces électrodes.

Sujet : Modéles generatifs d'apprentissage profond pour l'émulation d'images hyperspectrales. Application à la télédétection.

Encadrant(s) :

  • Claire Guilloteau
  • Gilles Roussel

Co-financeur : Conseil Régional Hauts de France

Laboratoire(s) d'accueil :

  • LISIC - Université du Littoral Côte d'Opale
  • LOG

Résumé : La génération robuste de données à haute fidélité est une composante essentielle de l'analyse de grands jeux de données dans de nombreux domaines d'application, à la fois pour la création de catalogues de données synthétiques en prévision de futures observations et pour l'inférence de paramètres à partir d'observations. Ce type de tâche requiert, la plupart du temps, l’utilisation de simulations numériques très coûteuses. Avec le développement récent d'algorithmes d'apprentissage automatique, des émulateurs rapides utilisant des techniques d'apprentissage profond comme les modèles génératifs sont apparus pour permettre des prédictions de haute précision. Ces émulateurs se limitent cependant dans la littérature à la génération de spectres ou d’images monochromatiques. Toutefois, l’apparition récente de l’imagerie hyperspectrale a permis une description plus complète de la scène observée, dans les dimensions spatiales et spectrales. Ces travaux de thèse visent à développer des émulateurs d’images hyperspectrales basés sur des modèles génératifs d’apprentissage profond, tels que les autoencodeurs variationnels et les réseaux génératifs antagonistes, entre autres. De tels émulateurs seront entraînés à générer des images d'observation de la Terre par satellite à partir d’un certain nombre de paramètres physiques d’observation et à partir d’une base d’apprentissage simulée. Un accent particulier sera mis sur la validation méticuleuse des performances de ces modèles d’émulation, en utilisant des métriques de premier ordre ainsi que des méthodes d’ordre plus élevé.

Sujet : Donées post-opératoire de chirurgie robotisée pour la caractérisation et de l'évitement des situations critiques.

Encadrant(s) :

  • Gilles Dequen

Laboratoire(s) d'accueil :

  • MIS - Université de Picardie Jules Vernes
  • GRECO

Co-financeur : Conseil Régional Hauts de France

Résumé : DOCILE est un projet s'inscrivant dans l'axe e-Santé, réalisé en partenariat avec le GRECO et financé par la région Hauts-de-France et le projet MAIA (Maîtriser les Applications de l'Intelligence Artificielle). Le projet DOCILE mobilise notamment l'aide à la décision dans le cadre d'opérations chirurgicales sous assistance robotisée. Un exemple de cas concret sur lequel s'appuyer est une opération du rachis au cours de laquelle le chirurgien va poser des vis sur la colonne, et un exemple de situation critique dans ce cas de figure serait le ripage de la vis. Sur la base d'apprentissage de logs robotiques issus d'interventions similaires, le projet DOCILE tend à proposer des scenarii de planification pour la pose d'implants sur le rachis, mais aussi à identifier les facteurs de risques voire à proposer différentes solutions pour éviter ces derniers. Une généralisation de cette méthode à d'autres cas orthopédiques peut être envisagée.

Sujet : Interventions socio-psychologiques artificiellement intelligentes.

Encadrant(s) :

  • Gabor Orosz
  • Gilles Audemard

Laboratoire(s) d'accueil :

  • UREPSSS - SHERPAS - Université d'Artois
  • CRIL - Université d'Artois

Co-financeur : Conseil Régional Hauts de France

Résumé : La proposition scientifique vise à améliorer les résultats académiques avec les interventions psycho-sociales. Le candidat voudrait cibler les étudiant(e)s vulnérables c’est-à-dire en situation d’échec ou de décrochage. Elle repose sur une conception innovante, interventionnelle, pluridisciplinaire (psychologie et informatique) présentant des garanties scientifiques de résultats.

L’utilisation combinée d’interventions psycho-sociales avec les méthodes de l’intelligence artificielle ne représente pas seulement une opportunité théorique et appliquée, mais aussi la possibilité de créer des interventions psychosociales brèves de nouvelle génération dont les fondations ont déjà fait leurs preuves. Ces interventions se révèlent particulièrement efficaces auprès des étudiant(e)s vulnérables, considéré(e)s à risque en matière de performances académiques et de décrochage scolaire.

a2u
artois artois artois artois
france2030 france2030