Offre de thèse
Identification de biomarqueurs comportementaux de la dissociation par intelligence artificielle multimodale à partir d'entretiens psychiatriques filmés
Date limite de candidature
01-09-2026
Date de début de contrat
01-10-2026
Directeur de thèse
HINGRAY Coraline
Encadrement
Co encadrant ( non titulaire HDR) Vincent P. Martin Chargé de Recherche INRIA, travaille au LORIA (Laboratoire Lorrain de Recherche en Informatique et ses Applications).
Type de contrat
école doctorale
équipe
contexte
Les troubles dissociatifs sont associés à une altération de l'intégration de la conscience, de la mémoire, de l'identité, des émotions, du corps et du sentiment d'agentivité. Ils surviennent fréquemment dans les suites de traumatismes précoces, notamment de violences sexuelles dans l'enfance. Malgré leur fréquence et leur retentissement, ils restent largement sous-diagnostiqués. Les manifestations cliniques peuvent être fluctuantes, masquées, peu verbalisées ou difficilement conscientisées par les patients. Leur repérage repose encore majoritairement sur l'entretien clinique et l'expérience du professionnel. Cette situation soulève un enjeu scientifique, clinique et sociétal : comment objectiver des manifestations cliniques complexes, souvent repérées par l'intuition clinique mais difficilement mesurables par les outils habituels ? Les approches d'intelligence artificielle multimodale offrent aujourd'hui une opportunité nouvelle pour analyser simultanément les dimensions verbales, paraverbales, non verbales et physiologiques des entretiens cliniques. Le projet DIAG repose sur l'hypothèse que les états dissociatifs s'accompagnent de marqueurs comportementaux et physiologiques spécifiques, détectables à partir d'entretiens cliniques filmés, annotés par des experts et analysés par des modèles d'IA. Il s'agit de transformer une expertise clinique implicite en variables observables, mesurables et interprétables, sans se substituer au clinicien mais en renforçant l'aide au repérage, la formation et la reconnaissance diagnostique.spécialité
Sciences de la Vie et de la Santé - BioSElaboratoire
IMoPA - Ingénierie Moléculaire et Physiopathologie Articulaire
Mots clés
Dissociation, Intelligence artificielle, Machine learning, Psychotraumatisme, Analyse multimodale, Biomarqueurs comportementaux
Détail de l'offre
Les troubles dissociatifs représentent un défi majeur pour la psychiatrie contemporaine. Ils sont fréquents chez les personnes exposées à des violences ou traumatismes dans l'enfance, notamment sexuels, mais restent encore largement sous-diagnostiqués. Leur repérage est complexe car les symptômes sont souvent fluctuants, difficiles à conscientiser par les patients, parfois peu verbalisables, et reposent fortement sur l'expérience, la formation et l'intuition du clinicien. Cette subjectivité contribue à l'errance diagnostique, à la perte de chance thérapeutique et au discrédit fréquent de la parole des victimes.
Le projet doctoral s'inscrit dans le programme DIAG, qui vise à objectiver les manifestations dissociatives en identifiant des biomarqueurs comportementaux à partir d'entretiens psychiatriques filmés, enregistrés dans le soin courant et annotés par des experts. L'objectif est de développer des modèles d'intelligence artificielle capables d'analyser de manière multimodale des données vidéo, audio, textuelles et physiologiques afin de repérer des marqueurs tels que les ruptures narratives, les variations de l'agentivité, les modifications posturales, les silences, la prosodie, le regard, les expressions émotionnelles ou la réactivité physiologique.
Le ou la doctorant(e) contribuera à la conception, au développement et à l'évaluation de modèles de machine learning et de deep learning pour la détection automatique de séquences dissociatives. Le travail reposera sur un corpus clinique annoté d'entretiens psychiatriques réalisés à la Maison de la Résilience et au sein du service d'interactions neuropsychiatriques ACTnPSY. Les données seront transformées en représentations exploitables et sécurisées, notamment par extraction de caractéristiques comportementales, prosodiques, linguistiques, posturales et physiologiques.
La thèse aura pour objectifs principaux : 1) de définir les variables multimodales pertinentes pour l'objectivation de la dissociation ; 2) de développer des modèles supervisés capables de distinguer des séquences dissociatives et non dissociatives ; 3) d'évaluer les performances, la robustesse et l'interprétabilité des modèles ; 4) de contribuer à la traduction des hypothèses cliniques en variables observables et exploitables par l'IA.
Ce travail se situe à l'interface entre intelligence artificielle, psychiatrie, psychologie clinique, neurosciences et psychotraumatisme. Il vise à soutenir la reconnaissance diagnostique des troubles dissociatifs, à réduire les retards diagnostiques, à améliorer la formation des professionnels et à contribuer à une meilleure objectivation des conséquences psychotraumatiques chez les personnes victimes de violences dans l'enfance.
Keywords
dissociation, Artificial intelligence, Machine learning, Psychotrauma, Multimodal analysis, Behavioral biomarkers
Subject details
Dissociative disorders represent a major diagnostic challenge in contemporary psychiatry. They are common among individuals exposed to childhood trauma, including sexual violence, yet remain largely underdiagnosed. Their identification is complex because symptoms are often fluctuating, difficult for patients to become aware of, sometimes poorly verbalized, and strongly dependent on the clinician's experience, training and intuition. This subjectivity contributes to diagnostic delay, loss of opportunity for appropriate care, and frequent discrediting of victims' experiences. This PhD project is part of the DIAG program, which aims to objectify dissociative manifestations by identifying behavioral biomarkers from video-recorded psychiatric interviews conducted in routine clinical care and annotated by experts. The objective is to develop artificial intelligence models capable of multimodal analysis of video, audio, text and physiological data in order to detect markers such as narrative disruptions, variations in agency, postural changes, silences, prosody, gaze, emotional expression and physiological reactivity. The PhD candidate will contribute to the design, development and evaluation of machine learning and deep learning models for the automatic detection of dissociative sequences. The work will rely on a clinically annotated corpus of psychiatric interviews conducted at the Maison de la Résilience and within the ACTnPSY neuropsychiatric interaction service. Data will be transformed into secure and exploitable representations through extraction of behavioral, prosodic, linguistic, postural and physiological features. The main objectives of the thesis are: 1) to define relevant multimodal variables for the objectification of dissociation; 2) to develop supervised models able to distinguish dissociative from non-dissociative sequences; 3) to assess model performance, robustness and interpretability; 4) to translate clinical hypotheses into observable variables that can be used by AI models. This research lies at the interface of artificial intelligence, psychiatry, clinical psychology, neuroscience and psychotraumatology. It aims to improve diagnostic recognition of dissociative disorders, reduce diagnostic delays, support professional training and contribute to a better objectification of psychotraumatic consequences in individuals exposed to childhood trauma.
Profil du candidat
Le ou la candidat(e) devra être titulaire d'un Master 2 ou d'un diplôme d'ingénieur en intelligence artificielle, machine learning, traitement du signal, informatique, mathématiques appliquées, data science ou domaine équivalent.
Compétences attendues :
• Solide maîtrise de Python.
• Connaissance des méthodes de machine learning et deep learning.
• Maîtrise d'au moins un framework de deep learning : PyTorch ou TensorFlow.
• Intérêt pour le traitement de données multimodales : vidéo, audio, texte, signaux physiologiques.
• Capacité à concevoir, entraîner, évaluer et comparer des modèles.
• Connaissances en statistiques appliquées à l'évaluation des modèles.
• Rigueur scientifique, autonomie, esprit critique.
• Intérêt marqué pour les projets interdisciplinaires à l'interface entre IA, santé mentale, psychiatrie et neurosciences.
• Capacité à travailler avec des équipes cliniques et à traduire des questions médicales en problèmes de modélisation.
Compétences appréciées :
• Vision par ordinateur.
• Traitement automatique de la parole.
• Traitement automatique du langage naturel.
• Analyse multimodale.
• Explainable AI.
• Expérience en IA appliquée à la santé.
• Expérience avec des données sensibles ou cliniques.
La publication scientifique préalable est appréciée mais non obligatoire.
Candidate profile
The candidate should hold a Master's degree or engineering degree in artificial intelligence, machine learning, signal processing, computer science, applied mathematics, data science or a related field.
Expected skills:
• Strong Python programming skills.
• Good knowledge of machine learning and deep learning methods.
• Experience with at least one deep learning framework: PyTorch or TensorFlow.
• Interest in multimodal data processing: video, audio, text and physiological signals.
• Ability to design, train, evaluate and compare models.
• Knowledge of statistical methods for model evaluation.
• Scientific rigor, autonomy and critical thinking.
• Strong interest in interdisciplinary research at the interface between AI, mental health, psychiatry and neuroscience.
• Ability to work with clinical teams and translate medical questions into modeling problems.
Additional skills appreciated:
• Computer vision.
• Speech processing.
• Natural language processing.
• Multimodal analysis.
• Explainable AI.
• AI applied to healthcare.
• Experience with sensitive or clinical data.
Prior scientific publication is appreciated but not mandatory.
Référence biblio
Brand BL, Şar V, Stavropoulos P, Krüger C, Korzekwa M, Martínez-Taboas A, Middleton W. Separating Fact from Fiction: An Empirical Examination of Six Myths About Dissociative Identity Disorder. Harv Rev Psychiatry. 2016;24(4):257-270. doi:10.1097/HRP.0000000000000100.
Dalenberg CJ, Brand BL, Gleaves DH, Dorahy MJ, Loewenstein RJ, Cardeña E, Frewen PA, Carlson EB, Spiegel D. Evaluation of the evidence for the trauma and fantasy models of dissociation. Psychol Bull. 2012;138(3):550-588. doi:10.1037/a0027447.
Dorahy MJ, Brand BL, Şar V, Krüger C, Stavropoulos P, Martínez-Taboas A, Lewis-Fernández R, Middleton W. Dissociative identity disorder: An empirical overview. Aust N Z J Psychiatry. 2014;48(5):402-417. doi:10.1177/0004867414527523.
Reinders AATS, Veltman DJ. Dissociative identity disorder: out of the shadows at last? Br J Psychiatry. 2021;219(2):413-414. doi:10.1192/bjp.2020.168.
di Marco S, Gaumard M, El-Hage W, Tarrada A, Fugain L, Ertan D, Hingray C. A cross-sectional survey on French psychiatrists' knowledge and perceptions of dissociative identity disorder. Encephale. 2025;51(2):133-140. doi:10.1016/j.encep.2024.02.003.
Hughes K, Ford K, Bellis MA, Glendinning F, Harrison E, Passmore J. Health and financial costs of adverse childhood experiences in 28 European countries: a systematic review and meta-analysis. Lancet Public Health. 2021;6(11):e848-e857. doi:10.1016/S2468-2667(21)00232-2.
Rony MKK, Das DC, Khatun MT, Ferdousi S, Akter MR, Khatun MA, et al. Artificial intelligence in psychiatry: A systematic review and meta-analysis of diagnostic and therapeutic efficacy. Digital Health. 2025;11. doi:10.1177/20552076251330528.
Ucuz I, Ari A, Ozcan OO, Topaktas O, Sarraf M, Dogan O. Estimation of the Development of Depression and PTSD in Children Exposed to Sexual Abuse and Development of Decision Support Systems by Using Artificial Intelligence. J Child Sex Abus. 2022;31(1):73-85. doi:10.1080/10538712.2020.1841350.