Thèse Modèle d'Apprentissage Supervisé pour le Suivi Longitudinal de Patients et Contrôle Qualité en Conditions Réelles H/F - Doctorat.Gouv.Fr

Établissement : INSA Lyon
École doctorale : EEA - Electronique, Electrotechnique, Automatique de Lyon
Laboratoire de recherche : CREATIS - Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé
Direction de la thèse : Philippe DELACHARTRE
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-06-30T23:59:59

L'objectif de cette thèse est de développer et déployer un modèle d'apprentissage supervisé en santé, capable d'analyser des données longitudinales de patients tout en garantissant un haut niveau de fiabilité en conditions réelles. L'ambition est de permettre un dépistage précoce, systématique et robuste des enfants à risque de troubles du neurodéveloppement.
Les modèles d'apprentissage profond fournissent généralement des prédictions ponctuelles, dont les performances peuvent évoluer avec les données d'entraînement. Dans des contextes critiques comme le diagnostic ou le dépistage médical, il est essentiel non seulement de prédire, mais aussi de quantifier la fiabilité des prédictions et d'assurer la stabilité des performances dans le temps.
Cette thèse s'inscrit dans le cadre de l'apprentissage continu, un domaine émergent du machine learning, qui vise à concevoir des modèles capables d'intégrer de nouvelles données progressivement sans oublier les connaissances acquises. Une attention particulière sera portée à la quantification d'incertitude, au suivi longitudinal et à la détection d'anomalies.
L'application clinique concerne le suivi longitudinal par échographie 3D du développement cérébral chez des enfants prématurés. Le projet s'appuie sur une base de données multicentrique de plus de 300 patients, collectée dans 10 centres hospitaliers. L'objectif est de développer des modèles capables de détecter précocement des anomalies, telles que la présence de lésions ou des trajectoires de croissance atypiques des structures cérébrales.

Les modèles d'apprentissage profond ont atteint des performances remarquables dans un large éventail de tâches.
Cependant, ces modèles produisent généralement des prédictions ponctuelles et les performances peuvent varier en fonction de l'évolution de la base d'entrainement. Dans de nombreuses applications concrètes, telles que le diagnostic médical ou ici le dépistage médical, il est tout aussi important de connaître le degré de fiabilité d'une prédiction que la prédiction elle-même et de garantir la stabilité des performances. L'apprentissage continu est un domaine récent de la recherche en apprentissage automatique qui se concentre sur le développement de méthodes permettant aux modèles d'apprendre en continu et de s'adapter à de nouvelles données sans oublier les connaissances acquises précédemment.

Diplôme d'ingénieur ou Master 2. Fortes Fortes compétences en deep learning, informatique, traitement d'images, intérêt pour les enjeux médicaux.