Évaluation des modèles de langue médicaux
Evaluation of Medical Language Models
Jury
Directeur de these_CLAUSEL_Marianne_Université de Lorraine
CoDirecteur de these_CONSTANT_Mathieu_Université de Lorraine
Examinateur_NéVéOL_Aurélie_LISN, Université Paris-Saclay
Examinateur_AMBLARD_Maxime_ University of Lorraine
Examinateur_VILLEMONTE DE LA CLERGERIE_Eric _ALMAnaCH, INRIA
Rapporteur_FLEK_Lucie_University of Bonn, Lamarr Institute of Machine Learning and Artificial Intelligence
Rapporteur_TEODORO_Douglas _University of Geneva; Department of Radiology and Medical Informatics, Faculty of Medicine
école doctorale
IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire
IECL - Institut Elie Cartan de Lorraine
Mention de diplôme
Informatique
ATILF
ATILF, Campus Lettres, 54000, Nancy
Mots clés
Traitement automatique du langage médical,Modèles de langue,Évaluation,Interprétabilité,Incertitude,Linguistique
Résumé de la thèse
Le langage médical est intrinsèquement complexe, car il constitue un sous-langage spécialisé caractérisé par un texte non structuré, un vocabulaire spécifique au domaine et une
hétérogénéité considérable, ce qui le distingue du langage général. La compréhension du
langage médical nécessite des connaissances spécialisées, qui sont généralement limitées
aux cliniciens et aux professionnels de la santé. De même, les modèles d'apprentissage profond entrainés sur des ensembles de données du domaine général ne parviennent souvent pas
à transférer efficacement leurs performances au domaine médical.
Keywords
Medical language Processing,Language Models,Evaluation,Interpretability,Uncertainty,Linguistics
Abstract
Medical language is inherently complex, as it constitutes a specialized sublanguage characterized by unstructured text, domain-specific vocabulary, and considerable heterogeneity,
distinguishing it from general language. Understanding medical language requires expert
knowledge, which is typically limited to clinicians and medical professionals. Similarly,
deep learning models trained on general-domain datasets often fail to transfer their performance effectively to the medical domain.
