Modèle d’apprentissage supervisé pour le suivi longitudinal de patients et le contrôle qualité en conditions réelles

Domaine et contexte scientifiques :

Les modèles d'apprentissage profond ont atteint des performances remarquables dans un large éventail de tâches. Toutefois, 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. 

L'application médicale concerne le suivi longitudinal par échographie 3D des structures et anomalies cérébrales chez l’enfant prématuré à partir d’une base de données constituée de plus de 300 enfants provenant de 10 centres hospitaliers. Dans cette étude longitudinale, nous nous intéresserons à des modèles d’apprentissage supervisés permettant de détecter des anomalies : présence de lésions ou courbes de croissance des structures cérébrales non standard.

 

Mots-clefs : Quantification d’incertitudes, apprentissage continu, suivi longitudinal, détection d’anomalies.

 

Objectifs de la thèse : 

L’objectif est le développement et le déploiement d’un modèle d’apprentissage supervisé médical, capable d’analyser les données des patients dans le temps, avec une forte composante de monitoring et de fiabilité en conditions réelles pour établir un dépistage précoce et systématique des enfants à risques de troubles du neurodéveloppement. Pour cela, il faut :

*identifier les critères de qualité des données d’échographie 3D et leur impact sur les courbes de croissance des structures cérébrales,

*produire les incertitudes des modèles développés par les méthodes de quantification des incertitudes [1] pour détecter les échantillons présentant une incohérence d’annotation ou une incohérence de prédiction du modèle,

*Contrôler les performances des modèles développés par l’apprentissage continu [2] en raison de l’hétérogénéité des données provenant de praticiens et d’hôpitaux différents,

*Contrôler la continuité du suivi longitudinal pour détecter des anomalies telles qu’une modification de la courbe de croissance des structures cérébrales.

*Réaliser un démonstrateur de l’outil de dépistage précoce des enfants à risques de roubles du neurodéveloppement

 

Verrous scientifiques :

Développer et déployer en production des méthodes (quantification incertitudes, apprentissage continu, détection d’anomalies) pour garantir la qualité des courbes de croissance et la fiabilité du volume lésionnel sur une cohorte de patients.

 

Contributions originales attendues : 

*mise en œuvre d’une méthode de quantification des incertitudes pour détecter une incohérence d’annotation ou une incohérence de prédiction du modèle,

*Contrôle des performances des modèles par apprentissage continu,

*Contrôle de la qualité des données et de la continuité du suivi longitudinal pour détecter des anomalies telles qu’une modification de la courbe de croissance des structures cérébrales.

 

Programme de recherche et démarche scientifique proposée : 

Après une phase de prise en main des outils et méthodologies (reconstruction des données échographiques, analyse des données), le travail sera mené selon l’échéancier suivant :

-Année 1 : étude bibliographique, étude de la qualité des données d’échographie 3D et leur impact sur les courbes de croissance des structures cérébrales avec identification des critères qualité, mise en œuvre d’une méthode de quantification des incertitudes pour détecter une incohérence d’annotation ou une incohérence de prédiction sur un modèle d’apprentissage existant [3].

-Année 2 : contrôle des performances des modèles par apprentissage continu au regard de la continuité du suivi longitudinal pour détecter des anomalies telles qu’une modification de la courbe de croissance des structures cérébrales ou évolution des lésions de la matière blanche.

-Année 3 : réalisation d’un démonstrateur web sur OHIF [4], basé sur un modèle d’apprentissage supervisé, capable d’analyser les données des patients dans le temps en conditions réelles et de produire les scores liés aux courbes de croissance et à la présence de lésions. Rédaction du manuscrit de thèse. 

 

Encadrement scientifique : 

  • Description du comité d’encadrement : 

Nom Prénom

Labo / Equipe 

Compétences scientifiques 

Taux d’encadrement %

Delachartre Philippe

Creatis / Ultim

Deep learning for ultrasound images

30

Lartizien Carole

 

Deep learning / anomaly detection

30

Warnier Dauchelle Valentine

Creatis / Ultim

Deep learning / segmentation

40

On retrouve ici 3 personnes du partenaire Creatis impliqué dans le projet ANR QUSBI 

  • Intégration au sein du (ou des) laboratoire(s) (Département/Equipe(s) impliquée(s)) (pourcentage du temps travail au sein de ce ou ces laboratoire(s)) : 100%

 

Financement de la thèse : ANR QUSBI 2025-2030 (https://anr.fr/Projet-ANR-25-CE17-2750)

 

Profil du candidat recherché (prérequis) : Diplôme d’ingénieur ou Master 2. Fortes compétences en deep learning, informatique, traitement d’images, intérêt pour les enjeux médicaux.

 

Objectifs de valorisation des travaux de recherche : produire un outil de dépistage précoce des enfants à risques de troubles du neurodéveloppement.

 

Compétences qui seront développées au cours du doctorat : Conception et mise en œuvre d'une démarche de recherche et développement, Veille scientifique, valorisation et transfert des résultats de la démarche R & D, compétences sociales (Adaptation ; Persévérance ; Connaissance et Maîtrise de soi ; Créativité, capacité à imaginer et formuler des idées originales ; Souplesse d'esprit et ouverture à la nouveauté ; Compétences inter-relationnelles).

 

Conditions matérielles. Le doctorant ou la doctorante bénéficiera d'un ordinateur, d'un bureau ainsi que l'accès aux outils de la discipline tels que : cluster de calcul avec cartes GPU, entrepôt de données. La personne recrutée le souhaitant aura l’opportunité d’intervenir dans les enseignements du domaine s’assurant ainsi un complément de salaire tout en profitant d’une expérience valorisable par la suite.

 

Perspectives professionnelles après le doctorat : emploi en milieu académique (chercheur ou enseignant-chercheur) ou emploi en entreprise car les problématiques de contrôle qualité des modèles d’IA en production concernent le milieu industriel et tous les champs d’application.

 

Références bibliographiques sur le sujet de thèse :  

[1] W. He, Z. Jiang, T. Xiao, Z. Xu, and Y. Li, “A Survey on Uncertainty Quantification Methods for Deep Learning,” ACM Comput. Surv., vol. 58, no. 7, p. 179:1-179:35, Feb. 2026, doi: 10.1145/3786319, https://dl.acm.org/doi/pdf/10.1145/3786319.

[2] S. Farquhar and Y. Gal, “Towards robust evaluations of continual learning,” 2019, arXiv:1805.09733, https://arxiv.org/pdf/1805.09733.

[3] Flora Estermann, Valerie Kaftandjian, Philippe Guy, Philippe Quetin, Philippe Delachartre. CACTUS: Multiview classifier for Punctate White Matter Lesions detection and segmentation in cranial ultrasound volumes. Computers in Biology and Medicine, 2025, 197, pp.111085. ⟨10.1016/j.compbiomed.2025.111085⟩, https://hal.science/hal-05284171v1.

[4] Tiphaine Diot-Dejonghe, Benjamin Leporq, Amine Bouhamama, Helene Ratiney, Frank Pilleul, et al.. Development of a Secure Web-Based Medical Imaging Analysis Platform: The AWESOMME Project. Journal of Imaging Informatics in Medicine, 2024, https://hal.science/hal-04607358v1.