Programme IA pour la santé

---

L’IA dans le secteur de la santé : un secteur d’application stratégique pour ANITI.

L’utilisation des techniques d’intelligence artificielle (IA) dans le secteur de la santé est un domaine de recherche en pleine expansion. C’est un sujet prioritaire de la stratégie nationale en IA et il est présent dans de nombreux programmes de recherche et appels à projets nationaux et internationaux.

IA hybride au service des professionnels de santé

En se basant sur les approches hybrides et multidisciplinaires chères à ANITI, qui combinent les techniques d’apprentissage automatique avec des modèles logiques, biologiques ou physiques, les avancées dans différents domaines de l’IA sont au cœur de la médecine de demain. Appliquées à de nombreux secteurs de la santé, ces avancées permettent notamment d’améliorer la qualité des soins, d’optimiser la gestion des patients et de concevoir de nouveaux traitements adaptés à chaque individu.

En exploitant des données hétérogènes, multidimensionnelles et complexes, l’IA assiste les professionnels de santé de diverses manières : elle permet de poser des diagnostics plus précoces et fiables, d’identifier des biomarqueurs pertinents pour mieux comprendre l’évolution de certaines pathologies, de proposer des traitements et des parcours de soins personnalisés, ou encore de faciliter les opérations chirurgicales assistées par la robotique avancée, l’imagerie ou les jumeaux numériques. Le champ d’application de l’IA dans la santé est vaste et a un potentiel d’expansion significatif.

Il est crucial de noter que cela soulève également des questions importantes concernant l’acceptabilité sociale de ces approches, le respect de la confidentialité et de la vie privée des données, ainsi que les considérations éthiques, tous des sujets fortement représentés dans les axes de recherche d’ANITI.

Le programme « IA pour la santé » : une ambition, plusieurs sujets

Début 2023, le programme « IA pour la santé », soutenu par la Région Occitanie et piloté par ANITI, a été lancé.

La région représente un territoire idéal pour relever ces défis. Elle bénéficie d’un potentiel universitaire de haut niveau et d’un écosystème d’innovation riche dans les domaines de la santé, de la biologie, des biotechnologies et du numérique, notamment dans les métropoles de Toulouse, Montpellier et Nîmes.

Mission

Ce programme vise à rassembler les acteurs régionaux de la recherche, de la formation, du monde socio-économique et de l’innovation autour des techniques d’application de l’IA dans la santé. Il renforce les liens et les synergies entre les chercheurs en IA et les professionnels de santé de la Région Occitanie, qui sont notamment représentés au sein de ses instances de gouvernance.

Thèmes

Certains thèmes forts constituent des points différenciants pour l’Occitanie. Ainsi, aux niveaux national et international de la recherche biomédicale, les opportunités et les besoins pour le développement de la recherche en IA sont bien identifiés :

• Oncologie (Recherche sur le cancer)
• Gérosanté (Vieillissement en bonne santé)
• Exposomique

Ces thèmes, parmi d’autres, seront naturellement au cœur des premiers travaux menés dans le cadre de ce programme.

Découvrez notre poster scientifique ici

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.

Chef de projet scientifique : Sylvain Cussat-Blanc
Cheffe de projet : Charlotte Dahlem