Jeudis scientifiques
Entrée libre et gratuite – Inscription demandée
L’émergence et la gestion holistique de nouvelles pandémies, les défis écologiques et climatiques du 21ème siècle, les conséquences sanitaires et sociales de l’augmentation des flux migratoires, le recours de plus en plus incontournable de l’intelligence artificielle (IA) dans la société et plus particulièrement en médecine, et par conséquent la place indispensable de l’éthique dans toutes les décisions majeures, … sont autant de défis à relever dans les années à venir en France et dans le Monde.
Parce qu’il est essentiel de bien comprendre ces nouveaux enjeux pour s’y préparer et y répondre le mieux possible, le Conseil Scientifique de l’Hôpital Foch, propose les conférences « Les Jeudis Scientifiques de Foch » sur les grands thèmes scientifiques et médicaux d’actualité.
Quatre jeudis par an, ces conférences réunissent les plus grands experts de domaines aussi variés que les risques sanitaires, l’innovation médicale, l’IA, la notion de santé globale, l’impact du climat en médecine,…. pour partager avec nous leurs connaissances, leurs analyses et leur point de vue.
Ces conférences se déroulent de 12h30 à 14h dans l’Amphithéâtre Chevalier et sont également accessibles via un lien Teams.
La participation à ces conférences de haut niveau scientifique est gratuite et ouverte à tous les médecins de Foch et aux professionnels de santé de ville et partenaires.
Jeudi 11 Juin 2026 – de 12h30 à 14h00
« Exploiter la géométrie dans les auto-encodeurs variationnels pour l’augmentation des données »
Stéphanie Allassonnière, Professeure de Mathématiques Appliquée (Faculté de Médecine, Paris Cité)
Nous proposons une nouvelle méthode permettant de réaliser l’augmentation des données de manière fiable dans le cadre des données à haute dimension et faible échantillonnage (HDLSS) à l’aide d’un auto-encodeur variationnel (VAE) basé sur la géométrie.
Notre approche combine la proposition 1) d’un nouveau modèle VAE, dont l’espace latent est modélisé comme une variété riemannienne et qui combine à la fois l’apprentissage métrique riemannien et les flux de normalisation, et 2) d’un nouveau schéma de génération qui produit des échantillons plus significatifs, en particulier dans le contexte de petits ensembles de données. La méthode est testée dans le cadre d’une vaste étude expérimentale qui met en évidence sa robustesse vis-à-vis des ensembles de données, des classificateurs et de la taille des échantillons d’apprentissage. Nous présentons également les résultats obtenus dans le cadre d’un essai clinique Foch.
Stéphanie Allassonnière est professeur de mathématiques appliquées à la Faculté de Médecine de l’Université Paris Cité et vice-présidente de l’Université en charge du transfert économique de la recherche et des partenariats industriels. Après l’obtention de son doctorat en mathématiques appliquées, elle a passé un an en tant que post-doctorante au Center for Imaging Science de l’université Johns Hopkins, à Baltimore. Elle a ensuite rejoint le département de mathématiques appliquées de l’École Polytechnique en tant que maître de conférences avant de rejoindre la faculté de Médecine de l’Université Paris Cité en 2016.
Ses recherches portent sur la modélisation statistique générative (GenAI) des bases de données médicales afin de concevoir des systèmes d’aide à la décision et d’accélérer la recherche clinique. Elle a notamment développé des modèles permettant de générer des patients virtuels afin d’augmenter les cohortes dans les groupes témoins des essais cliniques. Ces recherches lui ont valu une chaire PR[AI]RIE et elle est également directrice adjointe de cet institut d’IA. Elle est également cofondatrice de Sonio, une start-up proposant un outil d’aide aux praticiens pour le suivi de la grossesse, de la santé des femmes et des enfants, et pour rassurer les familles.