STAGE - Ingénieur.e Recherche – IA pour le médical (F/H)

Lieu du stage : Valbonne (Sophia-Antipolis, 06)

Au sein du département Corporate Strategy & Research, vous intégrerez l'équipe Living Twins for Practitioners, riche de compétences en médecine, biologie, mathématique et informatique, et qui conduit plusieurs projets en oncologie, neurologie et cardiologie.

Dans le cadre de la diversification de nos activités en santé, vous ferez partie de l’équipe « Clinical Decision » et serez responsable de la mise en place de méthodes basées sur du Deep Learning et des statistiques permettant

• d’aligner des espaces de variables cliniques tabulaires hétérogènes entre différentes sources de données ;
• de déployer un modèle prédictif de survenue d’évènements cliniques sur des bases de données de dimensions variables ;
• et d’évaluer la robustesse et les performances du modèle prédictif face à l’absence ou au changement de variables.

Vos missions

Le but de ce stage sera de développer une méthodologie d’adaptation de domaine hétérogène (HDA) pour permettre le transfert de modèles prédictifs entre des bases de données cliniques tabulaires ne possédant pas exactement les mêmes variables.

L’évolution de la maladie d’un patient peut être vue comme une succession d’évènements cliniques, en particulier dans le domaine de l’oncologie (rechute d’un cancer, décès du patient …). Un de nos objectifs est de développer des modèles permettant de prédire la survenue d’évènements cliniques au cours du temps de suivi du patient, et ce pour les différentes sources de données que nous pouvons avoir.

Cependant, le déploiement d’un modèle prédictif sur différentes sources de données se heurte à l’hétérogénéité des données tabulaires : un hôpital peut enregistrer certains marqueurs spécifiques tandis qu’un autre utilisera des marqueurs différents pour une même pathologie, modifiant la dimensionnalité des données et empêchant l’utilisation d’une architecture de Deep Learning fixe.

L’utilisation de techniques récentes d’adaptation de domaine, telles que le transport optimal ou des auto-encodeurs asymétriques, permet de projeter ces bases aux variables disjointes dans un espace latent commun afin d’exploiter les données sans altérer la structure du modèle prédictif.

L’enjeu de ce stage sera alors de concevoir un pipeline complet capable d’aligner ces distributions tabulaires hétérogènes, puis d’évaluer la capacité du modèle à prédire la survenue d’évènements cliniques sur une nouvelle source de données.

Votre contribution consistera à :

• Effectuer un état de l’art des méthodes d’adaptation de domaine hétérogène et de transport optimal appliquées aux données tabulaires ;
• Implémenter un algorithme permettant d’aligner ces bases de données cliniques tabulaires ;
• Comparer la méthodologie développée avec les approches existantes de la littérature ;
• Effectuer une synthèse des résultats obtenus.