Modèle d'apprentissage supervisé pour le suivi longitudinal de patients et contrôle qualité en conditions réelles // supervised learning model for longitudinal patient monitoring and quality control in real-world conditions

Topic description

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 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.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The aim of this PhD project is to develop and deploy a supervised learning model for medical applications, capable of analyzing longitudinal patient data while ensuring high reliability in real-world settings. The ultimate goal is to enable early, systematic, and robust screening of children at risk of neurodevelopmental disorders.
Deep learning models typically produce point predictions, whose performance may vary as training data evolves. In critical applications such as medical diagnosis or screening, it is essential not only to make predictions but also to quantify their reliability and ensure performance stability over time.
This project is rooted in the emerging field of continual learning, which focuses on developing models that can progressively incorporate new data without forgetting previously acquired knowledge. Particular emphasis will be placed on uncertainty quantification, longitudinal monitoring, and anomaly detection.
The clinical application focuses on longitudinal monitoring of brain development in preterm infants using 3D ultrasound imaging. The project relies on a multicenter dataset of more than patients collected from 10 hospitals. The objective is to develop supervised learning models capable of early detection of anomalies, such as brain lesions or atypical growth trajectories of cerebral structures.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/
WEB :

Funding category

Other public funding

Funding further details

ANR Financement d'Agences de financement de la recherche