Topic description
Les maladies neurodégénératives (NDDs), telles que la maladie d'Alzheimer (AD), de Parkinson (PD) et la sclérose latérale amyotrophique (SLA), figurent parmi les principales causes de morbidité et de mortalité dans le monde. Ces pathologies résultent d'une dégénérescence progressive des neurones, entraînant un déclin cognitif, des troubles moteurs et une perte d'autonomie. Avec l'augmentation de l'espérance de vie, leur prévalence ne cesse de croître, imposant une pression accrue sur les systèmes de santé, les aidants et les services sociaux. À titre d'exemple, plus de 55 millions de personnes sont aujourd'hui atteintes de la maladie d'Alzheimer, un chiffre qui pourrait dépasser les millions d'ici. La maladie de Parkinson est quant à elle le trouble neurologique dont l'incidence augmente le plus rapidement, avec un doublement observé en 25 ans.
L'un des enjeux majeurs réside dans le diagnostic précoce : ces maladies évoluent lentement et restent longtemps silencieuses. Le diagnostic clinique repose souvent sur des examens réalisés une fois des lésions neuronales irréversibles déjà installées, limitant ainsi l'efficacité des interventions thérapeutiques. Pourtant, des études montrent qu'une détection précoce permet des traitements mieux ciblés, des ajustements de mode de vie, et une inclusion plus rapide dans les essais cliniques, retardant le déclin fonctionnel. L'identification de biomarqueurs précliniques devient ainsi un levier essentiel pour initier des thérapies neuroprotectrices à un stade optimal.
L'intelligence artificielle (IA), et notamment les méthodes d'apprentissage profond offrent aujourd'hui des perspectives prometteuses pour répondre à cet enjeu. Plusieurs études exploitent des bases de données multimodales (imagerie cérébrale, données vocales, analyses de la marche, génétique, dossiers médicaux électroniques) pour améliorer la précision du dépistage.
Les trois NDDs étudiées partagent certains mécanismes biologiques, la mort neuronale, l'accumulation de protéines anormales et la neuroinflammation, tout en présentant des différences marquées en termes de localisation anatomique, de symptômes et d'évolution. Malgré ces spécificités, la plupart des travaux se concentrent encore sur une seule pathologie, souvent Alzheimer, et visent principalement à prédire la conversion chez les sujets à risque.
À ce jour, peu de recherches adoptent une approche intégrative permettant à la fois la détection précoce et la classification différenciée de plusieurs NDDs à partir d'un même pipeline d'analyse. Une telle stratégie présente un intérêt scientifique et clinique fort, car elle permettrait :
•de mieux caractériser les similarités et divergences entre pathologies,
•d'améliorer la robustesse et la généralisabilité des modèles sur des données multi-sites,
•et de faciliter le développement d'outils de diagnostic automatisés transposables en pratique clinique.
Bien que l'intégration de modalités variées (voix, marche, génétique, données cliniques) enrichisse la prédiction, l'imagerie cérébrale reste la référence pour l'identification de biomarqueurs précoces. Les réseaux de neurones convolutifs (CNN) appliqués à l'imagerie ont démontré leur capacité à détecter des altérations subtiles (atrophie hippocampique, amincissement cortical, perturbations de la substance blanche) plusieurs années avant l'apparition des symptômes.
Cependant, ces modèles puissants sont souvent perçus comme des « boîtes noires », leur complexité limitant leur interprétabilité. Il devient donc indispensable d'intégrer des techniques d'IA explicable pour comprendre, contrôler et fiabiliser les mécanismes décisionnels.
Ce projet de thèse a pour ambition de répondre à ces enjeux en développant une approche innovante fondée sur l'analyse d'imageries cérébrales multimodales et sur des modèles d'IA explicables.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Neurodegenerative diseases (NDDs), such as Alzheimer's disease (AD), Parkinson's disease (PD), and amyotrophic lateral sclerosis (ALS), are among the leading causes of morbidity and mortality worldwide. These conditions result from the progressive degeneration of neurons, leading to cognitive decline, motor impairments, and loss of autonomy. With increasing life expectancy, their prevalence continues to rise, placing growing pressure on healthcare systems, caregivers, and social services. For example, more than 55 million people currently live with Alzheimer's disease, a number that could exceed million by. Parkinson's disease, meanwhile, is the neurological disorder with the fastest-growing incidence, having doubled over the past 25 years.
A major challenge lies in early diagnosis: these diseases progress slowly and remain silent for a long time. Clinical diagnosis often relies on examinations performed once irreversible neuronal damage has already occurred, thereby limiting the effectiveness of therapeutic interventions. However, studies show that early detection enables more targeted treatments, lifestyle adjustments, and quicker inclusion in clinical trials, delaying functional decline. Identifying preclinical biomarkers thus becomes a crucial lever for initiating neuroprotective therapies at an optimal stage.
Artificial intelligence (AI), particularly deep learning methods, now offers promising avenues to address this challenge. Several studies leverage multimodal databases (brain imaging, voice data, gait analysis, genetics, electronic health records) to improve screening accuracy.
The three NDDs under study share certain biological mechanisms—neuronal death, abnormal protein accumulation, neuroinflammation—while exhibiting marked differences in anatomical localization, symptoms, and progression. Despite these specificities, most research still focuses on a single pathology, often Alzheimer's, primarily aiming to predict conversion in at-risk individuals.
To date, few studies have adopted an integrative approach that enables both early detection and differential classification of multiple NDDs within a single analysis pipeline. Such a strategy holds strong scientific and clinical interest, as it would allow:
•better characterization of similarities and differences between pathologies,
•improved robustness and generalizability of models across multi-site datasets,
•and facilitation of the development of automated diagnostic tools translatable to clinical practice.
Although integrating diverse modalities (voice, gait, genetics, clinical data) enhances prediction, brain imaging remains the gold standard for identifying early biomarkers. Convolutional neural networks (CNNs) applied to imaging have demonstrated their ability to detect subtle alterations (hippocampal atrophy, cortical thinning, white matter disruptions) several years before symptom onset.
However, these powerful models are often perceived as “black boxes,” with their complexity limiting interpretability. It is therefore essential to incorporate explainable AI techniques to understand, control, and validate the decision-making mechanisms.
This PhD project aims to address these challenges by developing an innovative approach based on multimodal brain imaging analysis and explainable AI models.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Funding further details
Enseignement supérieur
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.