Description du sujet de thèse

Machine Learning pour le volatilome dans le diagnostic d'infections respiratoires

L'analyse des données de Volatilome (air expiré mesure par spectromètre de masse) à des fins médicales pose des questions complexes aux méthodes d'analyse statistique et d'apprentissage machine. Le projet de thèse est de proposer de nouvelles méthodes qui soient adaptées et permettent de proposer des profils et marqueurs robustes, pertinents, explicables des pathogènes détectés ou de la réponse immunitaire associée, et cela dans une grande diversité de conditions des mesures et aussi
pouvant détecter des pathogènes émergents.

Ce projet de thèse va ainsi développer des méthodes d'analyse statistique et d'apprentissage machine adaptées au traitement des données de Volatilome du projet VORTEX, avec pour objectif suivants: i) obtenir une efficacité robuste avec un nombre limité de données (de tailles compatibles avec l'étude médicale VORTEX) ; ii) extraire des éléments pertinents, à une échelle utile et explicables (profils ou marqueurs) pour caractériser un groupe ou une classe; iii) être en mesure de détecter et de décrire de nouveaux groupes, émergents et anormaux, et plus généralement d'attribuer un
score de confiance dans la classification pour un profil donné. Il s'agit aussi d'être capable d'adapter la méthode à les diverses conditions d'obtention des données. Le sujet implique à la fois d'étudier méthodologiquement, ainsi que la théorie et la pratique, des approches pouvant atteindre de tels objectifs, et les appliiquer aux données qui seront obtenues dans le projet VORTEX.

Contexte de travail

Le ou la doctorant.e travaillera au sein de l'équipe Sisyphe (équipe en apprentissage machine et traitement du signal et des images) du Laboratoire de Physique, à l'ENS Lyon, France (UMR CNRS 5672), en collaboration avec le (LBBE, équipe
Biostat) et les participants sur projet VORTEX du PEPR MIE (maladies infectieuses et émergentes).
L'étudiant bénéficiera d'un environnement stimulant composé d'experts en traitement du signal, en apprentissage automatique, en traitement du donnée sur graphes, ainsi qu'en pratique de l'analyse de données en biologie et médecine.
L'équipe SISYPHE (http://www.ens-lyon.fr/PHYSIQUE/teams/signaux-systemes-physique ) est spécialisée dans le développement de nouvelles méthodes de traitement de données et d'apprentissage automatique, adaptées à la fois théoriquement et pratiquement afin d'extraire des informations pertinentes à partir d'ensembles de données complexes (hétérogènes, structures, non stationnaires, multi-échelles, ...). Il couvre plusieurs applications dont certaines spécifiquement adaptées à l'analyse de données médicales (par exemple, pour l'estimation robuste du taux de réplication pendant les pandémies de Covid-19, en neurosciences pour l'étude des patients épileptiques, pour le fECG pendant l'accouchement du fœtus, pour la recherche sur les maladies infectieuses,) ou de données biologiques (par exemple, pour la modélisation de la réplication de l'ADN, pour l'analyse de l'expression des gènes).


Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.