L’apprentissage profond pour la prédiction des recommandations médicales en Télémédecine

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur Youssef LAHDOUDI, soutiendra une thèse de Doctorat intitulée : « L’apprentissage profond pour la prédiction des recommandations médicales en Télémédecine».

La soutenance publique aura lieu le Jeudi 29 Octobre 2026 à 10h00 à la salle 1 du Pôle des Etudes Doctorales, Université Sultan Moulay Slimane, Béni Mellal, devant le jury composé de :

• Monsieur NACHAOUI Mourad : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Maroc, Président ;

• Monsieur ABOUTABIT Noureeddine : Professeur, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Maroc, Rapporteur ;

• Madame SOUSSI Nassima : Maître de Conférence Habilité, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Maroc, Rapporteure ;

• Monsieur HADRI Aissam : Maître de Conférence Habilité, Faculté des Sciences Appliquées, Université Ibn Zohr, Ouarzazat, Maroc, Rapporteur ;

• Monsieur LAGHRIB Amine : Maître de Conférence Habilité, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Maroc, Examinateur ;

• Monsieur KHALFI Hamza : Maître de Conférence Habilité, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Maroc, Co-directeur de thèse ;

• Monsieur GHAZDALI Abdelghani : Maître de Conférence Habilité, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Maroc, Directeur de thèse .

Résumé:

L’essor de la télémédecine et de l’intelligence artificielle (IA) transforme la manière dont les soins médicaux sont dispensés, en particulier dans le domaine du dépistage du cancer du sein. Cette thèse s’inscrit dans cette dynamique en proposant des modèles d’apprentissage profond combinant imagerie mammographique, données cliniques et comportementales pour générer des recommandations médicales fiables à distance. La première partie théorique explore les fondements de l’IA appliquée à la radiomique et à la télémédecine. Les chapitres expérimentaux qui suivent se basent sur des articles scientifiques validés par les pairs. Dans un premier temps, nous évaluons l’impact des recommandations radiologiques explicites (comme le score BI-RADS, la densité mammaire et l'âge) dans la classification binaire des images de mammographie à l’aide de modèles profonds (DenseNet121 et YOLOv5), démontrant comment l'expertise clinique agit comme un régulateur sémantique contre le surapprentissage. Dans un deuxième temps, nous introduisons un modèle bayésien hybride combinant les caractéristiques extraites d’images via EfficientNetB7 avec des indicateurs comportementaux de la base BRFSS 2021 (habitudes de vie, sommeil, activité physique, tabagisme…). L’approche bayésienne permet une quantification de l’incertitude, renforçant la fiabilité des prédictions. Les performances obtenues sont hautement compétitives : AUC de 95,8 % pour le modèle d'imagerie seul, et 97,8 % après fusion bayésienne, avec un score de Brier calibré à 0,0425 confirmant la fiabilité probabiliste du système. Enfin, pour sécuriser le déploiement clinique sous faible prévalence, nous développons une couche de sécurité post-hoc combinant une recalibration probabiliste et la théorie de la prédiction conforme conditionnelle de Mondrian, apportant des garanties mathématiques de couverture d'erreur sur la classe critique du cancer (avec une couverture empirique de 90,6 % pour une cible de 90 % à une prévalence réelle de 8,16 %). Cette recherche ouvre la voie à des systèmes de diagnostic assisté hautement sécurisés, adaptables et utiles dans des contextes à ressources limitées, tout en respectant les exigences cliniques de confiance, d'explicabilité et de transparence.

Mots clés: Intelligence artificielle, Télémédecine, Apprentissage profond, Recommandations médicales, Cancer du sein.