Intelligence artificielle et analyses complémentaires en médecine légale : détection et identification de diatomées par réseaux de neurones artificiels dans les cas de suspicion de noyade
Artificial intelligence and complementary analyses in forensic medicine : diatom detection and identification through artificial neural networks in cases of suspected drowning
par Laurent TOURNOIS sous la direction de Bertrand LUDES
Thèse de doctorat en Biologie cellulaire et moléculaire
ED 562 Bio Sorbonne Paris Cité

Soutenue le mardi 10 octobre 2023 à Université Paris Cité

Sujets
  • Apprentissage automatique
  • Diatomées
  • Intelligence artificielle en médecine
  • Médecine légale
  • Réseaux neuronaux (physiologie)
Le texte intégral n’est pas librement disponible sur le web
Vous pouvez accéder au texte intégral de la thèse en vous authentifiant à l’aide des identifiants ENT d’Université Paris Cité, si vous en êtes membre, ou en demandant un accès extérieur, si vous pouvez justifier de de votre appartenance à un établissement français chargé d’une mission d’enseignement supérieur ou de recherche

Se connecter ou demander un accès au texte intégral

Les thèses de doctorat soutenues à Université Paris Cité sont déposées au format électronique

Consultation de la thèse sur d’autres sites :

Theses.fr

Description en anglais
Description en français
Mots clés
Intelligence artificielle, Apprentissage automatique, Apprentissage profond, Réseaux de neurones, Médecin légiste, Noyade, Diatomées, Identification de diatomées, Détection de diatomées
Resumé
Les analyses complémentaires de médecine légale permettent d'apporter des éléments en complément des observations autopsiques réalisées par le médecin légiste. Ces analyses demandent souvent une expertise dans un domaine spécifique en lien avec la médecine légale. Parmi ces domaines, la limnologie médico-légale permet d'apporter des éléments de preuve pour l'un des diagnostics les plus difficiles en médecine légale, la noyade. En particulier, la détection et l'identification de diatomées, des algues unicellulaires, dans les tissus et dans l'eau du lieu présumé de la noyade sont des éléments d'aide au diagnostic de la noyade et à la localisation du lieu de la noyade. Néanmoins, ces tâches étant basées sur des observations de lames de diatomées au microscope, celles-ci restent fastidieuses et chronophages. C'est pourquoi, dans le but d'accompagner les spécialistes dans leur expertise, des modèles basés sur des réseaux de neurones artificiels ont été développés pour détecter et identifier automatiquement des diatomées dans des cas de suspicion de noyade à partir de clichés de microscopie optique riches en matériel aspécifique. Afin d'intégrer ultérieurement ces modèles en production, des points d'attention dans le développement de ces modèles ont été identifiés par un état de l'art sur les niveaux d'intégration des applications d'intelligence artificielle utilisées ou destinées à être utilisées par des médecins légistes. Les modèles finaux sont capables de détecter et d'identifier jusqu'à 52 espèces de diatomées communes avec une performance de 90,2%. Bien que ces résultats soient compatibles avec une utilisation en routine par les experts, une validation externe des modèles devra être réalisée afin d'affirmer avec certitude la capacité de généralisation des modèles à des nouvelles données non liées au laboratoire dans lequel ces modèles ont été développés. De plus, ces modèles devront être validés par les experts, voire par des professionnels du droit, afin de permettre leur utilisation dans le cadre de missions issues de procédures de justice.