Architecture IA Neuro-Symbolique Explicable appliquée au Diagnostic du Cancer du Sein

Le dépistage précoce du cancer du sein par imagerie numérique (mammographie, IRM) constitue un enjeu majeur de santé publique. Si les réseaux de neurones convolutifs (CNN) atteignent d'excellentes performances de classification, leur nature de « boîte noire » freine leur adoption clinique par manque de transparence et de justification biologique. Ce projet de thèse propose une approche d'Intelligence Artificielle (IA) hybride, neuro-symbolique et explicable (XAI), conçue pour restaurer la confiance des cliniciens. L'originalité de ce travail repose sur la transposition et la rupture technologique vis-à-vis d'une méthodologie validée avec succès par l'équipe en 2021 (thèse S. Coulibaly) dans le domaine agronomique. Le projet s'articule autour de quatre axes méthodologiques majeurs : - La saillance visuelle : L'adaptation de l'algorithme Grad-CAM aux spécificités de la sénologie numérique pour isoler et surligner les contours exacts des masses tumorales et des microcalcification. - La fusion robuste : Le recours au score mathématique d'information mutuelle pour croiser différentes méthodes d'explicabilité (Grad-CAM, SHAP, Integrated Gradients), éliminant le bruit visuel pour ne retenir que les zones de convergence absolue. - L'optimisation architecturale : Une stratégie d'élagage (pruning) des couches du CNN guidée par l'explicabilité, visant une réduction drastique des paramètres du réseau (dans la lignée des 58,90 % obtenus en 2021) pour concevoir un modèle léger, transférable sur des consoles de radiologie locales. - Le raisonnement sémantique (Human-in-the-loop) : Le couplage de ces cartes visuelles avec une base de connaissances symbolique (ontologie BI-RADS). L'interface utilisateur interactive permettra au radiologue d'ajuster les paramètres analytiques et de formuler des explications textuelles sémantiques. En retour, chaque interaction du praticien enrichira dynamiquement le système, matérialisant le passage d'une IA purement perceptive à un véritable outil d'apprentissage transparent, robuste et certifiable pour la santé. École doctorale : SYSTEMES Direction : Bernard KAMSU-FOGUEM Financement : MSCA COFUND BEST