Aller au contenu principal
Accueil

Main navigation

  • Actualités
    • Toutes les actualités
    • Séminaires - Soutenances
  • Présentation
    • CREATIS
    • Organigramme
    • Personnels
    • Effectifs
    • Contacts
    • Accès
  • Recherche
    • Equipes de recherche
    • Projets transversaux
    • Projets Structurants
    • Plateformes d'imagerie
    • Rapports d'activités
    • Notes d'information données
  • Contributions
    • Publications
    • Brevets
    • Logiciels
  • Formations
    • Implications dans les formations
    • Ecoles doctorales
  • Emplois et Stages
  • French French
  • English English
Search API form
User account menu
  • Account
    • Se connecter

Fil d'Ariane

  1. Accueil
  2. Modèle pronostique de la maladie de Parkinson par apprentissage profond combinant des données cliniques, biologiques et d’imagerie

Modèle pronostique de la maladie de Parkinson par apprentissage profond combinant des données cliniques, biologiques et d’imagerie

Mots-clés : Apprentissage profond, modèle pronostique, fusion de données multimodales, modèle explicable, 

Ce projet de recherche vise à développer un modèle diagnostic innovant pour la détection précoce de la maladie de Parkinson (MP) en intégrant des données d'imagerie multimodales (IRM et TEP) avec des informations cliniques. Notre hypothèse est que la combinaison de ces données permettra d'identifier les patients à des stades précoces de la maladie, en utilisant des techniques d'intelligence artificielle (IA) avancées.

L'objectif principal est de concevoir un modèle prédictif capable de discriminer les sous-types de patients au stade prodromal ou peu avancé de la MP, robuste et généralisable dans un contexte de faible régime de donnée, et explicable. L'explicabilité est cruciale pour garantir l'adhésion des cliniciens et pour analyser l'impact des biomarqueurs sur les mécanismes physiopathologiques de la MP.

Le projet se distingue par son ambition d'explorer des données complexes et multimodales, en particulier d’évaluer l’implication du système noradrénergique (NA) qui précède celle du système dopaminergique (DA) bien avant l'apparition des premiers symptômes de la MP. Cette étude originale est possible grâce aux travaux précurseurs de l’équipe de B Ballanger, co-directrice de thèse, basés en particulier sur l’imagerie d’un nouveau radiotraceur TEP du système NA, 11C-Yohimbine. En plus de développer un modèle prédictif, l'équipe souhaite extraire les marqueurs d'intérêt pour mieux comprendre les dérèglements des systèmes NA et DA durant la phase prodromale.

D’un point de vue méthodologique, cette thèse vise à proposer des contributions méthodologiques originales dans le domaine de modèles prédictifs explicables par apprentissage sur des données hétérogènes Ces modèles pourront s’appuyer sur des modèles de détection d’anomalies subtiles qui pourront également faire l’objet de contributions méthodologiques

D’un point de vue applicatif, le formalisme développé permettra de détecter des patients atteints de la maladie de Parkinson à des stades précoces ou prodromaux, et extraire des marqueurs d’imagerie et clinique de cette pathologie, permettant ainsi de mieux comprendre ses mécanismes physiopathologiques, et in fine, de développer des thérapies plus performantes. 

Ce projet représente une avancée significative vers un diagnostic précoce et des traitements personnalisés pour la MP.

Téléchargements

PhD_thesis_PrediPark_french (156.97 Ko)

Type

sujet de thèse

Statut

Recrutement en cours

Periode

2025-2028

Contact

Carole Lartizien carole.lartizien@creatis.insa-lyon.fr

Barre liens pratiques

  • Authentication
  • Intranet
  • Flux rss
  • Creatis sur Twitter
  • Webmail
Accueil

Footer menu

  • Contact
  • Accès
  • Newsletter
  • Mentions Légales