Contrat doctoral h/f – modèles prédictifs par apprentissage profond combinant des données cliniques et d’imagerie. application à la détection d’anomalies et au pronostic chirurgical chez des patients atteints d’épilepsie.

Description du Poste Sujet De Thèse Ce projet de thèse vise à développer des modèles statistiques innovants par intelligence artificielle (IA) pour la détection d’anomalies cérébrales et le pronostic du succès chirurgical chez des patients atteints d’épilepsie réfractaire aux médicaments. Ces modèles intégreront des données d'imagerie multimodales (IRM et TEP) avec des enregistrements de signaux électrophysiologiques par magnétoencéphalographie (MEG) et des informations cliniques. Notre hypothèse est que la combinaison de ces données permettra d'identifier les zones épileptogènes (ZE) de manière non invasive afin d’optimiser la prise en charge chirurgicale, en utilisant des techniques d'intelligence artificielle (IA) avancées.Concernant les modèles de détection de la ZE, l'objectif principal est de concevoir des modèles robustes, généralisables dans un contexte de faible régime de données et de données manquantes, et intégrant une mesure d’incertitude. Concernant le modèle pronostique, outre les caractéristiques citées précédemment, le modèle devra intégrer un module d’explicabilité, qui est une caractéristique cruciale pour garantir l'adhésion des cliniciens et pour découvrir des biomarqueurs hétérogènes du pronostic chirurgical de l’épilepsie pharmaco-résistante.D’un point de vue méthodologique, cette thèse vise à proposer des contributions méthodologiques originales dans le domaine de modèles de détection d’anomalies subtiles et des modèles pronostiques par apprentissage profond sur des données hétérogènes. Ce projet représente une avancée significative vers la prise en charge des patients atteints d’épilepsie pharmacorésistante. Nous sommes à la recherche d’un candidat (H/F) disposant d’un solide dossier académique en mathématiques appliquées, informatique, apprentissage machine et analyse d’images médicales. Une bonne connaissance des librairies d’apprentissage profond (TensorFlow, Pytorch, Scikit learn) est requise, ainsi qu’une expérience significative dans la modélisation de données d’imagerie biomédicale et une bonne pratique des systèmes d’exploitation sous noyau Linux. Nous recherchons un.e candidat.e motivé.e et autonome avec un fort intérêt pour la recherche pluridisciplinaire (apprentissage statistique et traitement d’image dans un contexte médical).Compétences / Qualifications.• Master ou équivalent en Mathématiques Appliquées, Informatique, ou Traitement du Signal et des Images• Très bonnes compétences en Informatique• Motivation et aptitude à s’investir dans un travail interdisciplinaire et collaboratif.• Bonnes capacités organisationnelles, autonomie• Volonté de participer à des séminaires, ateliers et réunions scientifiques. Votre Environnement de Travail Le projet de thèse s’inscrit dans le cadre du projet interdisciplinaire ANR SEIZURE (ANR-24-CE45-4399) qui réunit des partenaires académiques lyonnais, spécialistes en IA et analyse d’image et du signal (CREATIS, ENS), neurosciences (CRNL) ainsi que des cliniciens spécialistes de l’épilepsie (HCL). La thèse se déroulera sur le campus scientifique LyonTech-la Doua, à Lyon au sein du laboratoire Centre de recherche en acquisition et traitement de l'image pour la santé (CREATIS, INSA Lyon, Université Claude Bernard Lyon 1, UMR CNRS 5220, Inserm U1294) en collaboration avec les autres partenaires du projet SEIZURE : Centre de Recherche en Neurosciences de Lyon (CRNL), l’Ecole Normale Supérieure de Lyon (ENSL) et les Hospices Civils de Lyon (HCL).Une approche transdisciplinaire est essentielle pour le succès de ce projet. L’équipe de C. Lartizien dans l’équipe MYRIAD de CREATIS se concentre sur l’analyse de données multimodales (neuroimagerie, signal MEG et données cliniques) par des techniques avancées d’apprentissage profond, en s’appuyant, entre autres, sur des travaux dans le domaine des modèles de détection d’anomalies non supervisés (Alaverdyan et al 2020, Pinon et al 2023, Zotova et al 2025, Trombetta et al 2025) et des modèles pronostiques basés sur la fusion de données multimodales (Liu et al MICCAI 25), tandis que les partenaires du projet SEIZURE apporteront leur expertise, pour les HCL, en neurosciences cliniques pour l’évaluation des modèles et la mise à disposition des bases de données structurées, et pour l’ENS, en IA pour l’analyse du signal sur graphe. Rémunération et avantages Rémunération La rémunération est de 2300€ brut mensuel Congés et RTT annuels 44 jours Pratique et Indemnisation du TT Pratique et indemnisation du TT Transport Prise en charge à 75% du coût et forfait mobilité durable jusqu’à 300€ À propos de l’offre Référence de l’offre UMR5220-CARLAR-005 Section(s) CN / Domaine de recherche Sciences informatiques : signaux, images, langues, automatique, robotique, interactions, systèmes intégrés matériel-logiciel À propos du CNRS Le CNRS est un acteur majeur de la recherche fondamentale à une échelle mondiale. Le CNRS est le seul organisme français actif dans tous les domaines scientifiques. Sa position unique de multi-spécialiste lui permet d’associer les différentes disciplines pour affronter les défis les plus importants du monde contemporain, en lien avec les acteurs du changement. Le CNRS Les métiers de la recherche