AI for Health Program

---

AI in Healthcare: A Strategic Application Sector for ANITI

The use of Artificial Intelligence (AI) techniques in the healthcare sector is a rapidly expanding research area. It is a priority topic within the national AI strategy and is featured in several national and international research programs and calls for projects.

Hybrid AI to Support Healthcare Professionals

Based on the hybrid and multidisciplinary approaches central to ANITI, which combine machine learning techniques with logical, biological, or physical models, advancements in various fields of AI are at the heart of future medicine. Applied across numerous healthcare sectors, these advancements notably enable the improvement of care quality, better patient management, and the design of new treatments tailored to each individual.

Leveraging heterogeneous, multidimensional, and complex data, AI assists healthcare professionals in several ways: making earlier and more reliable diagnoses, identifying relevant biomarkers to better understand the evolution of certain pathologies, proposing personalized treatments and care pathways, and facilitating operations assisted by advanced robotics, imaging, or digital twins, among other applications.

The application of AI in healthcare is vast and has potential for further expansion. Crucially, this also raises significant questions concerning the social acceptability of these approaches, the respect for data confidentiality and privacy, and ethical considerations—all topics strongly represented in ANITI’s research themes.

The “AI for Health” Program: One Ambition, Multiple Themes

In early 2023, the “AI for Health” program, supported by the Occitanie Region and led by ANITI, was launched.

The region represents an ideal area to tackle these challenges. It benefits from high-level university potential and an innovation ecosystem in the fields of health, biology, biotechnologies, and digital technology, particularly in the cities of Toulouse, Montpellier, and Nîmes.

Mission

This program aims to bring together regional stakeholders in research, training, the socio-economic world, and innovation around AI application techniques in health. It strengthens the links and synergies between AI researchers and medical professionals in the Occitanie Region, notably represented within its governing bodies.

Themes:

Certain strong themes represent differentiating points for Occitanie. Thus, at national and international levels of biomedical research, opportunities and needs for the development of AI research are well identified:

• Oncology (Cancer Research)
• Geroscience (Healthy Aging)
• Exposomique

These themes, among others, will naturally be at the core of the initial work carried out under this program.

Discover our scientific poster here

Dans le cadre de ses deux appel d’amorçage 2025 et 2026, le programme IA pour la santé finance au total 139 780 € de projets d’amorçage portés par des équipes de recherche et des partenaires cliniques et industriels de la région Occitanie et au-delà. Ces projets explorent des usages innovants de l’intelligence artificielle pour le diagnostic, la prise en charge des patients et le développement de nouvelles thérapies.

Les projets lauréats 2025

PRONAIA – Artificial Intelligence-Enhanced Predictive Models for Oncology

We aim to develop a virtual model, or “digital twin,” that can predict how the leukemic cells and their surrounding environment changes during chemotherapy. This model will help scientists and doctors understand why some treatments stop working and why relapses occur. It will also assist in identifying biological markers that can guide better treatment decisions. To make the model as accurate as possible, we will use advanced computer simulations and biological data from cutting-edge biological techniques. The model will learn and improve using AI-driven methods. Ultimately, this technology could lead to a powerful new tool for predicting treatment outcomes, improving personalized medicine, and supporting drug development. We plan to patent and bring it to market for real-world medical applications.

MiCARE – Precision Control of Microbial Cell Therapies Through AI-Driven Receptor Engineering

Le développement de thérapies bactériennes innovantes capables de détecter des
biomarqueurs pathologiques et de produire des thérapies in situ est un domaine de recherche
émergent. Ce projet vise à l’ingénierie de récepteurs synthétiques permettant de programmer les
capacité de détections des bactéries therapeutiques. En particulier, nous nous focalisons sur une
région clé du récepterus appelée « linker juxtamembranaire » (JM) qui joue un rôle crucial dans la transmission des signaux. Notre objectif est de développer des techniques avancées d’intelligence
artificielle pour comprendre et contrôler les propriétés fonctionnelles de ce linker et concevoir des
thérapies bactériennes plus précises et plus efficaces. Ces travaux ouvrent la voie à des traitements
médicaux plus intelligents et plus ciblés.

NANODIAG – AI-based multistate design of cysteine-less Nanobody® scaffolds for clinical diagnostics.

Antibodies are major tools for detecting pathogens or disease marker in clinical diagnosis. Common diagnostic assays rely on antibodies derived from immunized animals, which are huge proteins, difficult and expensive to produce but then easy to label with chemicals that give a signal in diagnosis. A Novel format of mini-antibodies, called nanobodies, has emerged as an interesting alternative, as they can be produced at low cost and in high amount without animal experimentation. However, chemical labeling of nanobodies often leads to impaired binding to the target. Therefore, we aim to use AI-based design methods to generate new mutated nanobody formats that will fulfill the requirements for easy labeling while preserving their small size and stability and thus develop next generation diagnosis assays.

ReMedIA : Système de recommandation interactif de plans d’action pour la gestion collaborative et interservices
des erreurs médicamenteuses.

Les erreurs médicamenteuses (EM) constituent un risque important pour la sécurité des patients. Aider les professionnels de santé à analyser ces types d’événements indésirables graves associés aux soins pour prévenir leur survenue est un enjeu important. Actuellement, chaque réunion de revue d’évènements indésirables est traitée de manière isolée, sans capitalisation des expériences passées ni partage des connaissances. Ce projet propose un outil de recommandation utilisant l’intelligence artificielle pour accompagner les professionnels de santé à analyser et prévenir ces EM. Grâce à une approche collaborative, les services hospitaliers pourront mutualiser leurs expériences et enrichir une base de connaissances dynamique, servant comme support pour l’aide à la décision. L’intégration des retours des utilisateurs permettra d’affiner continuellement les recommandations, réduisant ainsi le risque de récurrence des erreurs.

Les projets lauréats 2026

GENEPI – Génération, décodage et analyse sémantique de l’espace latent d’un autoencodeur appliqué aux séries temporelles iEEG

L’épilepsie touche environ 1 % de la population, et près d’un tiers des patients ne répondent pas aux traitements habituels. Pour mieux les aider, les médecins analysent des signaux cérébraux enregistrés directement dans le cerveau (iEEG), à la recherche d’oscillations particulières appelées Fast Ripples. Ces signaux sont difficiles à repérer car ils sont mélangés à de nombreux autres types d’activités cérébrales ou à du bruit.
Ce projet utilise une intelligence artificielle capable d’apprendre à représenter ces signaux sous une forme simplifiée, appelée « espace latent ». Cette représentation permet d’identifier automatiquement les différents types de signaux, y compris ceux qui ne sont pas encore bien classifiés. L’IA pourra aussi apprendre à recréer des signaux cérébraux réalistes pour aider à nettoyer et enrichir la base de données existante.
Cette approche pourrait, à terme, améliorer considérablement le diagnostic des patients souffrant d’épilepsie résistante aux traitements.

SYNGP – Génération de données synthétiques explicables pour la santé grâce à un GAN à Générateur par Programmation Génétique Cartésienne

Les données synthétiques permettent de reproduire le comportement de données de santé réelles tout en préservant la confidentialité des patients. Elles offrent un moyen d’accélérer la recherche et le développement de solutions d’IA sans manipuler d’informations sensibles. Mais les méthodes actuelles reposent sur des modèles puissants difficiles à interpréter, ce qui freine leur adoption en santé. Ce projet explore une nouvelle approche combinant un modèle génératif avec une méthode capable de rendre visibles les règles qu’il apprend. L’objectif est de produire des données artificielles réalistes, mais également de pouvoir comprendre comment ces données sont produites. Avec l’appui du service
de réanimation du CHU de Toulouse Rangueil, l’étude évaluera la qualité clinique des données générées et vérifiera que les mécanismes d’apprentissage du modèle demeurent cohérents avec la réalité médicale.

BIOGEN-PET – BIOdistribution-guided GENeration for PET/CT

This project aims to accelerate the development of AI tools for PET/CT oncology imaging in a rapidly expanding theranostic landscape. It addresses two major bottlenecks: the reliance of deep networks on large annotated cohorts and the difficulty of keeping pace with the fast emergence of new radiotracers. We propose a PET/CT synthetic image generation framework guided by biodistribution priors to produce physiologically consistent and configurable data. In parallel, we will develop a
data-efficient learning scheme to improve multi-protocol robustness and cross-tracer transferability. The proposed components will be evaluated on public datasets and Pixilib private data. The industrial objective is to build a platform that anticipates the clinical availability of new radiotracers, with a clear TRL upscaling pathway and a reusable foundation for future calls, including longer-term prospects toward digital twins.

HGRL-DIR – Human-Guided Reinforcement Learning for Deformable Image Registration improved (MRI/4D-C)

Ce projet vise à améliorer la manière dont les images médicales sont alignées dans le temps, en particulier pour le suivi des patients atteints de cancer. Aujourd’hui, ces alignements reposent surtout sur des méthodes de deep learning qui ne reflètent pas toujours la réalité médicale. Nous proposons une approche innovante qui intègre directement l’avis d’experts médicaux en maintenant une amélioration continue des algorithmes. En tenant compte de ces retours humains, notre méthode permet d’obtenir en continue des images mieux alignées, plus réalistes du point de vue anatomique, et des contours d’organes plus cohérents d’une image à l’autre et adaptés à n’importe quel utilisateur.
À terme, ces améliorations contribuent à une meilleure fiabilité des images utilisées pour la planification des traitements, en réduisant les erreurs liées aux mouvements du patient et en renforçant la confiance des cliniciens dans les outils numériques.

Scientific Project Leader: Sylvain Cussat-Blanc
Project manager : Charlotte Dahlem