Description du sujet de thèse

Ce projet de recherche vise à développer un modèle diagnostic innovant pour la détection précoce de la maladie de Parkinson (MP) en intégrant des données d'imagerie multimodales (IRM et TEP) avec des informations cliniques. Notre hypothèse est que la combinaison de ces données permettra d'identifier les patients à des stades précoces de la maladie, en utilisant des techniques d'intelligence artificielle (IA) avancées.

L'objectif principal est de concevoir un modèle prédictif capable de discriminer les sous-types de patients au stade prodromal ou peu avancé de la MP, robuste et généralisable dans un contexte de faible régime de donnée, et explicable. L'explicabilité est cruciale pour garantir l'adhésion des cliniciens et pour analyser l'impact des biomarqueurs sur les mécanismes physiopathologiques de la MP.

Le projet se distingue par son ambition d'explorer des données complexes et multimodales, en particulier d’évaluer l’implication du système noradrénergique (NA) qui précède celle du système dopaminergique (DA) bien avant l'apparition des premiers symptômes de la MP. Cette étude originale est possible grâce aux travaux précurseurs de l’équipe de B Ballanger, co-directrice de thèse, basés en particulier sur l’imagerie d’un nouveau radiotraceur TEP du système NA, 11C-Yohimbine. En plus de développer un modèle prédictif, l'équipe souhaite extraire les marqueurs d'intérêt pour mieux comprendre les dérèglements des systèmes NA et DA durant la phase prodromale.

D’un point de vue méthodologique, cette thèse vise à proposer des contributions méthodologiques originales dans le domaine de modèles prédictifs explicables par apprentissage sur des données hétérogènes Ces modèles pourront s’appuyer sur des modèles de détection d’anomalies subtiles qui pourront également faire l’objet de contributions méthodologiques.

D’un point de vue applicatif, le formalisme développé permettra de détecter des patients atteints de la maladie de Parkinson à des stades précoces ou prodromaux, et extraire des marqueurs d’imagerie et clinique de cette pathologie, permettant ainsi de mieux comprendre ses mécanismes physiopathologiques, et in fine, de développer des thérapies plus performantes.

Ce projet représente une avancée significative vers un diagnostic précoce et des traitements personnalisés pour la MP.

Une description plus détaillée du sujet est disponible ici :
https://www.creatis.insa-lyon.fr/site/fr/PrediPark_Thesis

Contexte de travail

Le projet de thèse s’inscrit dans le cadre du projet PREDIPARK permettant de modéliser des données complexes pour détecter et prédire l’évolution de patients à des stades précoces de la maladie de Parkinson. Ce projet interdisciplinaire est financé dans le cadre de l’appel à contrats doctoraux « Feuille de route santé » piloté par la Mission pour les Initiatives Transverses et Interdisciplinaires (MITI) du CNRS.

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 le Centre de Recherche en Neurosciences de Lyon (CRNL, CNRS UMR5292, INSERM U1028, Université Claude Bernard Lyon 1) 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 concentrera sur l’analyse de données de neuroimagerie par des techniques avancées d’apprentissage profond, en s’appuyant, entre autres, sur des premiers travaux en neuroimagerie de la MP (Munoz, 2021, Pinon et al 2023, Oudoumanessah et al, 2023), tandis que l’équipe de B. Ballanger responsable de l’équipe PATHPARK au CRNL apportera son expertise en imagerie et sur les mécanismes physiopathologiques de la MP. Enfin, la collaboration avec des cliniciens spécialisés des HCL dans les pathologies neurodégénératives sera essentielle pour définir les questions cliniques, guider dans le choix des a priori à modéliser et intégrer dans le modèle d’IA, faciliter l’accès aux bases de données et évaluer le modèle tout au long de son développement.

Contraintes et risques

Nous sommes à la recherche d’un candidat (H/F) disposant d’un solide dossier académique en Mathématiques Appliquées, Informatique, ou analyse d’images, motivé et autonome avec un fort intérêt dans la recherche pluridisciplinaire (Apprentissage statistique et traitement d’image dans un contexte médical). Une bonne connaissance des librairies de machine learning (TensorFlow, Pytorch, Scikit learn) est requise, une expérience avec les systèmes d’exploitation sous noyau Linux et la modélisation de données d’imagerie biomédicale sera appréciée.

Compétences / Qualifications.
• Master ou équivalent en Mathématiques Appliquées, Informatique, ou Traitement du Signal et des Images
• 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.

Une présélection sera réalisée sur la base du CV, de l’expérience, des compétences et de la lettre de motivation. Les candidats présélectionnés seront convoqués pour une audition.

Les candidatures doivent comprendre les documents suivants :
- Un Curriculum Vitae complet
- Une lettre de motivation, exposant les intérêts de recherche du candidat en lien avec le projet
- Les relevés de notes de Master (M1 et M2) ou équivalent, ainsi que tout certificat pertinent
- Le contact d'une ou deux personnes référentes
- Si possible, une ou deux lettres de recommandation