Contrat proposé doctoral dans le cadre du projet CNRS 80 Prime 2021: “Ethical design for artificial intelligence models in patient management and treatment decisions” (ED-AIM).

Disciplines concernées: éthique médicale / éthique appliquée, philosophie des sciences, sciences informatiques.

Période : contrat de 3 ans (36 mois), septembre 2021–août 2024. Inscription à l’ED 487 (philosophie) à l’Université de Lyon, avec rattachement au laboratoire IHRIM (UMR 5317, CNRS, ENS de Lyon). Obligation d’effectuer des missions prolongées à la Maison Française d’Oxford (UMIFRE 11 et USR 3129 CNRS, Oxford) d’une durée totale de minimum 12 mois sur la période.

Profil : Master 2 ou équivalent en éthique appliquée/éthique médicale/philosophie des sciences ; bonnes connaissances en informatique. La thèse peut être rédigée en français ou en anglais. La capacité de communiquer et collaborer dans les deux langues est nécessaire. Les étudiants non français sont également invités à postuler.

Encadrement : (co-dir.) Mogens LAERKE (MFO UMIFRE 11 Oxford / IHRIM ENS de Lyon) et Thomas GUYET (Inria-IRISA).

Contexte : ED-AIM est une collaboration interdisciplinaire CNRS entre la Maison Française d’Oxford (USR 3129 CNRS), l’Institut de recherche en informatique et systèmes aléatoires (UMR 6074 IRISA, Rennes 1), l’Institut d’histoire des représentations et des idées dans les modernités (IHRIM, UMR 5317, ENS de Lyon) et l’Institute of Biomedical Engineering de l’Université d’Oxford.

Dossier : Lettre de motivation (1 page); CV (2 pages max.); Projet de these (3 pages max). L’ensemble du dossier est impérativement à soumettre sur le portail emploi CNRS :

https://emploi.cnrs.fr/Offres/Doctorant/UMR5317-ANNMOT-001/Default.aspx.

Date limite : 5^er Juillet 2021. Les candidat(e)s sélectionné(e)s seront invité(e)s à un entretien (en ligne) pendant la première moitié.

Pour tout renseignement, merci d’écrire à mogens.laerke@cnrs.fr et/ou thomas.guyet@irisa.fr

Sujet : Ces dernières années, l'apprentissage automatique, un sous-domaine de l'intelligence artificielle (IA), a suscité un intérêt considérable dans les milieux de la santé en raison de son potentiel pour aider à améliorer l'efficacité et la sécurité à tous les niveaux de nos systèmes de santé, du diagnostic à l'organisation des soins. Nos sociétés tentent d'anticiper les changements que l’IA pourrait provoquer (Conseil européen, 2020) et de mettre en place les mesures qui nous assurent qu'elles suivent des principes, des valeurs morales, des codes professionnels et des normes sociales. Idéalement, ces concepts éthiques doivent être intégrés dès la conception des outils (ethical design). À cet égard, les modèles d'apprentissage automatique présentent des faiblesses bien connues qui font actuellement l'objet d'études dans le domaine de l'informatique. Premièrement, les modèles d'apprentissage automatique peuvent être soumis à différents types de biais. Deuxièmement, les modèles d'intelligence artificielle sont pour la plupart des modèles en boîte noire (Wang et al. 2020). Les utilisateurs de ces systèmes perdent leur capacité à contester les décisions automatiques. L'utilisation des boîtes noires soulève d'importants problèmes éthiques. Par exemple, dans quelle mesure les modèles fondés sur l’IA incarnent-ils des valeurs qui entraînent des conséquences imprévues et des résultats injustes ou discriminatoires (Keskinbora 2019 ; Chen et al. 2019) ? Devons-nous accepter les décisions prises sur la base de modèles de type boîte noire dont les résultats ne peuvent être clairement interprétés et expliqués ? Dans quelle mesure le patient et les professionnels de la santé peuvent-ils et doivent-ils faire confiance à ces modèles ? Comment l’utilisation de l’IA affecte-t-elle la confiance de patients des traitements qui leur sont proposés et des professionnels de la santé qui les proposent ?  En abordant ces questions spécifiquement par rapport à l’IA, le doctorant devrait apporter un regard à la fois éthique et épistémologique sur le développement de la science et des techniques dans le domaine de la santé.

L’encadrement multi-disciplinaire de la thèse propose un environnement avec une expertise dans les domaines de l’IA et des applications concrètes à des données de santé. Les projets peuvent avoir des aspects applicatifs pour questionner des outils fondés sur de l’IA (outils existants ou à adapter selon une question de recherche), ou encore des expérimentations impliquant des cas d’usages réels en santé.

------------------------------------------------------------------------------------------------------------------------------------------------------------

ENGLISH VERSION (pour la version française, voir plus haut)

Doctoral Fellowship 2021–24: Ethical Questions Concerning the Use of Artificial Intelligence in Medicine and Health Management: Contributions of an Epistemological Approach

Doctoral Fellowship offered within the framework of the project CNRS 80 Prime 2021: “Ethical Design of Artificial Intelligence Models in Patient Management and Treatment Plans” (ED-AIM)

Disciplinary background: medical ethics / applied ethics / philosophy of science / computer science.

Period: 3-year contract (36 months), September 2021 – August 2024. Admission at the Doctoral School pf Philosophy at the University of Lyon (ED 487) with an affiliation at the CNRS institute IHRIM (UMR 5316, ENS de Lyon). Obligation to undertake prolonged research stays at the Maison Française d’Oxford (UMIFRE 11 and USR 3129 CNRS, Oxford) of total duration of minimum 12 months.

Profile: Master 2, MPhil or equivalent in applied ethics/medical ethics/philosophy of science. Some competence in computer science is required. The thesis can be written in English or in French, but a capacity to communicate and collaborate in both languages is necessary. Non-French students are welcome to apply.

Supervision: co-direction by Mogens LÆRKE (MFO UMIFRE 11 Oxford / IHRIM ENS de Lyon) and Thomas GUYET (Inria-IRISA).

Context: ED-AIM is an inter-disciplinary collaboration of the CNRS between the Maison Française d’Oxford (USR 3129 CNRS), the Institut de recherche en informatique et systèmes aléatoires (UMR 6074 IRISA, Rennes 1), the Institut d’histoire des représentations et des idées dans les modernités (IHRIM, UMR 5317, ENS de Lyon), and the Institute of Biomedical Engineering at Oxford University.

Application: Covering Letter explaining the interests and motivations of the applicant (1 page); CV (2 pages max); Thesis Project (3 pages max). The complete dossier must be deposited on the employment portal of the CNRS on the following address:

https://emploi.cnrs.fr/Offres/Doctorant/UMR5317-ANNMOT-001/Default.aspx

Deadline: 5 July. Shortlisted candidates will be invited to an online interview during the first half of July.

For further information, please write mogens.laerke@cnrs.fr et/ou thomas.guyet@irisa.fr

Topic: In recent years, machine learning, a subfield of artificial intelligence (herea.er AI), has generated considerable interest in health care circles due to its potential to help improving efficiency and safety at all levels of our health care systems, from diagnostics to the organisation of care. Our societies attempt to anticipate the changes that IA may bring (Conseil Européen, 2020) and put safeguards into place to ensure that it abides by our moral principles, principles of professional conduct, and social norms. Ideally, ethical notions should be integrated into these tools at their very inception (ethical design). Machine learning models do, however, have well-known weaknesses that are currently being investigated in the field of computer science. First, machine learning model can be subject to different kinds of bias. Second, artificial intelligence models are mostly black-box models (Wang et al. 2020). Users of such systems lose their ability to contest automatic decisions. The use of black-box models raises important ethical problems.  For example, to what extent do such models embody values inasmuch as they entail actions and choices and can inadvertently contain design or implementation errors that result in unforeseen consequences and unfair outcomes (Keskinbora 2019; Chen et al. 2019)? Should we embrace decisions made on the basis of black-box models whose outputs cannot be clearly interpreted and explained? Or, to what extent can and should patient and practitioners trust these models? How does the use of IA affect patients’ trust in the treatments offered and in the health workers offering them? By approaching these question specifically in relation to IA, the doctoral candidate should bring both an ethical and an epistemological perspective on these issues within the development of science and technology in health management.

The multi-disciplinary context and supervision of the thesis offers support in the domains of IA and its concrete application in relation to health management. The project can imply the application and use IA tools (either already existing tools, or tools that can be appropriately adapted to the research question) or experiments or survey that concern the actual use of such tools in health management.   

Références / References

Geis, J. R., Brady, A. P., Wu, C. C., Spencer, J., Ranschaert, E., Jaremko, J. L., ... & Kohli, M. (2019). Ethics of artificial intelligence in radiology: summary of the joint European and North American multisociety statement. Canadian Association of Radiologists Journal 70(4): 329-334.         

Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9): 389-399.

European Council, European framework on ethical aspects of artificial intelligence, robotics and related technologies, 2020.

Wang, F., Kaushal, R., & Khullar, D. (2020). Should health care demand interpretable artificial intelligence or accept black box medicine? Annals of Internal Medicine,172(1) : 59-61.

Keskinbora, K. H. (2019), Medical ethics considerations on artificial intelligence, Journal of Clinical Neuroscience 64 : 277-282.

Chen, I. Y., P. Szolovits, and M. Ghassemi (2019), Can AI Help Reduce Disparities in General Medical and Mental Health Care? AMA J Ethics 21(2) : 167-179.