Choisir une formation dans le domaine de la santé, c’est se destiner à exercer une profession pleine d’avenir.
La Ra&D au sein de la HEdS-Genève est assurée par les chercheur·euse·s , avec le soutien de l'Institut de Recherche.
La HEdS-Genève c'est aussi un réseau de contacts privilégiés avec des institutions à travers le monde.
Plus grande école de santé de Suisse romande, la HEdS-Genève est la seule à réunir cinq des sept filières du domaine Santé.
Vous pouvez nous écrire en utilisant notre formulaire en ligne ou rendez-vous sur notre page FAQ :
Vous pouvez nous atteindre par téléphone ou email :
Horaire de la réception :
du lundi au jeudi
entre 7h45-12h & 13h à 15h15
le vendredi entre 7h45-12h
La réception sera exceptionnellement fermée le vendredi 2 mai 2025.
Dr. Karen KINKEL RHNe, La Chaux-de-Fonds.
Dr. Dahila-Amal DJEMA, Clinique des Grangettes-Hirslanden
Fonds de recherche et d'impulsions du domaine santé HES-SO
Contexte: Le cancer du sein constitue le cancer le plus fréquent chez les femmes et représente la principale cause de mortalité par cancer parmi celles-ci, avec environ 1 400 décès chaque année en Suisse. Les outils actuels de diagnostic par imagerie présentent encore certaines limites, notamment en termes de durée d’examen et de confort pour les patientes.
Objectif du projet: ce projet vise à développer et valider le système "LesionLens", combinant l’intelligence artificielle (IA) à une technique avancée d’IRM dynamique ultra-rapide. L’objectif est de démontrer que cette approche permet une caractérisation plus rapide et plus précise des lésions mammaires suspectes tout en réduisant considérablement le temps d'acquisition, améliorant ainsi significativement le confort des patientes.
Importance du projet: Le système LesionLens se distingue par l'intégration d'un algorithme d’IA, développé dans le cadre du projet SUBREAM financé par Recherche Suisse contre le Cancer, dans un système IA conçu et évalué avec les usagers cliniques. Ce projet dépasse ainsi le cadre purement technique, en mettant l’accent sur l’usabilité et l'intégration effective d'un prototype en milieu clinique. Cette approche permet ainsi de poser des bases solides pour une adoption future d'un système utilisé dans la pratique clinique pour améliorer le parcours diagnostique des patientes.
Lokaj, B., Durand de Gevigney, V., Djema, D. A., Zaghir, J., Goldman, J. P., Bjelogrlic, M., Turbe, H., Kinkel, K., Lovis, C., Schmid, J.
(2025). Multimodal deep learning fusion of ultrafast-DCE MRI and clinical information for breast lesion classification : Computers in biology and medicine.https://doi.org/10.1016/j.compbiomed.2025.109721
Auteur(s) : Belinda Mataj-Lokaj Jérôme Schmid Valentin Durand De Gevigney