Exploitation avancée des données de santé

CEA; Saclay; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Une organisation de recherche en technologies recrute un candidat pour une thèse axée sur l'exploitation des données de santé par apprentissage collaboratif sécurisé. Le projet inclut le déploiement de modèles d'apprentissage profond et le développement de méthodes d'agrégation. Les candidats doivent être titulaires d'un Master en Intelligence Artificielle ou Data Science. Le contrat est de type thèse, basé à Saclay, avec disponibilité requise à partir du 01/10/2026.

Qualifications

• Formation recommandée : Master AI, Data Science.
• Connaissances en algorithmie d'apprentissage fédéré.
• Maîtrise des protocoles de calcul sécurisé.

Responsabilités

• Déployer et optimiser des modèles d'apprentissage profond.
• Intégrer de grands modèles dans l'apprentissage collaboratif.
• Développer des méthodes d'agrégation pour des données non IID.

Connaissances

Connaissances en apprentissage profond

Expertise en traitement de données de santé

Capacité à travailler avec des modèles dédiés à l'IA

Formation

Master en Intelligence Artificielle ou Data Science

Description du poste

Description du sujet de thèse

Depuis quelques années, l'apprentissage profond est utilisé avec succès dans de nombreux domaines et est de plus en plus intégré dans la recherche clinique et le domaine de la santé. La capacité à combiner des sources de données diverses, telles que la génomique et l'imagerie, améliore la prise de décision médicale. L'accès à de grands jeux de données hétérogènes est essentiel pour améliorer la qualité et la précision des modèles. L'apprentissage fédéré est actuellement développé pour répondre à cette exigence, en offrant la possibilité d'entraîner des modèles de manière décentralisée garantissant que les données brutes restent stockées localement du côté client (entité qui génère les données sensibles). Plusieurs frameworks open-source intègrent des protocoles de calcul sécurisé pour l'apprentissage fédéré, mais leur applicabilité au domaine de la santé demeure limitée et soulève des enjeux liés à la souveraineté des données.

Dans ce contexte, un framework français, actuellement développé par le CEA-LIST, introduit une architecture d'apprentissage fédéré edge-to-cloud intégrant un chiffrement de bout en bout, avec notamment le chiffrement homomorphe (Fully Homomorphic Encryption), et une résilience face aux attaques malveillantes. Grâce à ce framework, ce projet vise à fournir des composants modulaires et sécurisés pour l'apprentissage fédéré afin de favoriser l'innovation en IA appliquée au domaine de la santé et notamment à la génomique.

Ce projet se focalisera sur trois axes principaux :

1. Déploiement, surveillance et optimisation de modèles d'apprentissage profond au sein de solutions d'apprentissage fédéré et décentralisé.
2. Intégration de grands modèles dans l'apprentissage collaboratif.
3. Développement de méthodes d'agrégation pour des situations non IID (Independant and Identically Distributed).

Domaine

Défis technologiques

Sujets de thèse

Exploitation avancée des données de santé par de l'apprentissage collaboratif sécurisé

Contrat

Thèse

Université / école doctorale

Structure et Dynamique des Systèmes Vivants (SDSV), Paris-Saclay

Localisation du sujet de thèse

Site

Saclay

Critères candidat

Formation recommandée : Master AI, Data Science

Disponibilité du poste

01/10/2026

Personne à contacter par le candidat

GAZUT Stéphane
[e-mail]
CEA
DRT/DIN//LIIDE
DRT/ LIST/ DIN/ SMCD/ LIIDE
CEA Saclay, PC 192, bâtiment 565
F-91191 Gif-sur-Yvette cedex
0169088307

Tuteur / Responsable de thèse

MEYER Vincent
[e-mail]
CEA
DRF/JACOB//LBI
CNRGH
Batiment G2
2 rue gaston cremieux
Evry
0160872592

En savoir plus