Interpréter

Dans l’axe de recherche Interpréter, nous développons des méthodes d’IA qui fournissent des analyses explicables et biologiquement pertinentes à partir de données biomédicales complexes. Notre objectif est de révéler les mécanismes et les motifs spatiaux qui sous‑tendent les prédictions des modèles d’IA, en reliant les sorties computationnelles à la biologie des maladies, à l’organisation tissulaire et aux cibles thérapeutiques potentielles.

Les principaux projets de ce thème incluent :

• Projet financé par Owkin : An Interpretable Graph Representation Learning Framework from MOSAIC Spatial Omics Data, en collaboration avec les laboratoires Gottardo (BDSC) et Homicsko (CHUV), visant à modéliser les relations spatiales et fonctionnelles entre cellules dans les tissus tout en garantissant l’interprétabilité.
• Projet financé par la Swiss Cancer Research: AI-powered precision cancer therapy for mesothelioma, en collaboration avec le laboratoire Brbić (EPFL), le laboratoire Homicsko (CHUV) et la Prof. Berezowska (Institut universitaire de Pathologie, CHUV), axé sur le développement de modèles d’IA interprétables pour guider des stratégies thérapeutiques personnalisées chez les patients atteints de mésothéliome.

Publications clés :

• ATHENA : un cadre d’analyse spatiale interprétable du microenvironnement tumoral, révélant des métriques d’hétérogénéité, des interactions cellulaires et des biomarqueurs spatiaux influençant l’évolution des maladies. Article – Code
• ProteinPNet : un cadre d’apprentissage de concepts intrinsèquement interprétable, basé sur des réseaux de parties prototypiques, permettant d’apprendre directement des prototypes spatiaux discriminants à partir de données de protéomique spatiale. Article – Code

Grâce à la modélisation interprétable, nous cherchons à relier les prédictions de l’IA aux mécanismes biologiques, à identifier des biomarqueurs spatiaux et moléculaires, et à soutenir des avancées translationnelles au service de la médecine de précision.