Les progrès récents en intelligence artificielle, et en particulier en apprentissage profond, ont profondément transformél’analyse visuelle assistée par ordinateur. Dans le domaine médical, ces approches ouvrent de nouvelles perspectives pour le diagnostic assisté, la caractérisation des pathologies et l’aide à la décision clinique. Cependant, leur déploiement se heurte encoreà plusieurs défis méthodologiques, notamment la variabilité des données, la rareté des annotations expertes, les enjeux de généralisation des modèles et la nécessité d’une interprétabilité compatible avec les pratiques médicales. Cette présentation sera consacrée à des travaux de rechercheportant sur le développement de méthodes d’apprentissage automatique pour l’analyse de données complexes, avec un intérêt particulier pour les modèles explicables et l’intégration de données multimodales. L’accentsera mis sur les architectures développées et les stratégies d’apprentissage permettant de traiter des données complexes issues de différents contextes applicatifs. Ces approches seront illustrées à travers plusieurs études de cas issues de collaborations interdisciplinaires, notamment en histopathologie,en analyse d’images microscopiques et en modélisation tridimensionnelle de structures cellulaires. Ces travaux s’inscrivent dans une perspective plus large visant à développer des outils d’intelligence artificielle robustes, interprétables et utiles pour lessciences du vivant et la médecine de précision.