INTELLIGENCE ARTIFICIELLE EN BACTÉRIOLOGIE MÉDICALE

Abstract

Rapporteur : Yassine Sekhsokh Mots clés : Bactériologie médicale – Deep learning – Diagnostic microbiologique – Intelligence artificielle – Machine learning La bactériologie médicale a profondément évolué depuis ses origines, passant d’une observation morphologique descriptive à des approches complexes fondées sur la biochimie, la génomique et la protéomique. Toutefois, malgré ces progrès, les techniques conventionnelles de diagnostic microbiologique demeurent limitées par leur lenteur, leur dépendance à la culture bactérienne et leur difficulté à gérer la masse de données générées. L’intelligence artificielle apparaît aujourd’hui comme un levier révolutionnaire pour surmonter ces obstacles. En intégrant le machine learning et le Deep learning, elle permet l’automatisation du diagnostic, l’analyse en temps réel des échantillons, la détection précoce des résistances antimicrobiennes et la surveillance épidémiologique à grande échelle. Ses applications s’étendent du comptage automatique de colonies bactériennes à l’interprétation des spectres de masse MALDI-TOF, en passant par la prédiction de nouvelles molécules antibiotiques. Néanmoins, cette révolution s’accompagne de défis considérables : qualité des données, biais algorithmiques, contraintes éthiques et résistance au changement dans les laboratoires. À travers une analyse critique et documentée, cette thèse met en lumière le potentiel et les limites de l’IA en bactériologie médicale, soulignant la nécessité d’une approche centrée sur l’humain et d’une collaboration étroite entre chercheurs, cliniciens pour construire la bactériologie de demain.