MEDAPP — AI-Assisted Medical Imaging Pre-Diagnosis

Plateforme web et mobile d’aide au pré-diagnostic médical par imagerie assistée par une IA propriétaire.

Vision

MEDAPP vise à réduire le temps entre la réception d’une imagerie médicale et son orientation clinique, tout en conservant le praticien dans la boucle de décision.

Le projet combine une interface React, une API Django REST Framework, un moteur CNN développé sur mesure et une stratégie de protection stricte des données de santé.

Statut du dépôt : documentation et architecture cible reconstituées à partir du brief projet. Le dépôt ne contient pas encore le code source applicatif historique.

Problématique

Les services d’imagerie doivent gérer trois contraintes : délais d’interprétation élevés, nécessité de repérer rapidement les signes de pathologies évolutives, et sensibilité extrême des données patient.

MEDAPP répond à ce besoin comme un copilote de triage : il produit un signal d’aide et un rapport traçable, mais ne remplace pas l’interprétation médicale.

Solution cible

[Praticien / Administrateur]
          │
          ▼
[React Web & Mobile]
          │ HTTPS / JWT
          ▼
[Django REST Framework]
     ┌────┼──────────┐
     ▼    ▼          ▼
 [CNN] [PostgreSQL] [Audit]
     │
     ▼
[Rapport d’aide au triage]

Voir la description détaillée dans docs/architecture.md.

Moteur IA propriétaire

Le pipeline est conçu pour être entraîné et réentraîné sans dépendance à une API tierce générique :

1. normalisation des images en 224 × 224 ;
2. réduction du bruit et amélioration du contraste par CLAHE ;
3. data augmentation pour limiter l’overfitting ;
4. inférence par CNN custom avec BatchNormalization, Dropout et activations adaptées ;
5. restitution d’un score et d’un rapport d’aide à l’interprétation.

Pathologies ciblées :

Pathologie	Imagerie	Signal recherché
Alzheimer	IRM cérébrale	signes de dégénérescence
COVID-19	radiographie thoracique	opacités et lésions
Tuberculose	scanner / radiographie thoracique	foyers infectieux

Voir docs/ai-pipeline.md.

Sécurité et protection des données

La sécurité est traitée comme une propriété de bout en bout :

• authentification JWT, rotation des refresh tokens et séparation des rôles ;
• pseudonymisation et séparation entre identité patient, imagerie et résultats ;
• TLS 1.3 pour les échanges et chiffrement fort au repos ;
• protections Django contre CSRF, XSS et injections SQL ;
• HSTS, CSP, limitation de débit et journalisation d’audit ;
• PostgreSQL pour les métadonnées et stockage séparé pour les images médicales.

Les exigences HDS/RGPD décrivent ici une cible de conception à documenter et à valider selon l’hébergement effectif. Voir docs/security.md.

Stack technique

Couche	Technologie	Responsabilité
Front-end	React	interface réactive, upload et visualisation
Back-end	Django + Django REST Framework	API, autorisations et orchestration
IA	Python + PyTorch / TensorFlow	prétraitement et inférence CNN
Données	PostgreSQL	métadonnées et résultats
Stockage	stockage chiffré	fichiers d’imagerie médicale
Authentification	JWT	sessions API et rôles

Parcours utilisateur

1. Connexion sécurisée et contrôle du rôle.
2. Sélection d’un patient pseudonymisé.
3. Dépôt sécurisé de l’imagerie.
4. Prétraitement puis inférence du modèle.
5. Consultation du rapport et enregistrement de la trace d’audit.

Voir docs/user-flow.md.

Structure du dépôt

.
├── assets/
│   └── MEDAPP-architecture.png
├── docs/
│   ├── ai-pipeline.md
│   ├── architecture.md
│   ├── roadmap.md
│   ├── security.md
│   └── user-flow.md
├── .github/workflows/
│   └── docs-validation.yml
├── MEDAPP-architecture.png
└── MEDAPP-presentation.pptx

Livrables

• Présentation PowerPoint : MEDAPP-presentation.pptx
• Schéma d’architecture : assets/MEDAPP-architecture.png
• Architecture détaillée : docs/architecture.md
• Pipeline IA : docs/ai-pipeline.md
• Sécurité : docs/security.md
• Parcours utilisateur : docs/user-flow.md
• Roadmap et limites : docs/roadmap.md

Limites et prochaines étapes

Avant toute utilisation clinique, il faut documenter les jeux de données, les annotations, les métriques par pathologie, la validation clinique, la supervision humaine, le monitoring du drift, l’hébergement, la DPIA et les preuves de conformité.

Voir docs/roadmap.md.

Licence

À définir avec les propriétaires du projet avant diffusion du code source ou des modèles.