Intitulé du projet de recherche

IHU Prometheus G561

IHU Prometheus G561

Type de contrat Contrat (CDD) Catégorie Quotité Plein temps

Champ(s) Scientifique(s) Informatique

Description du poste

Description Ce projet de thèse vise à concevoir un modèle d’apprentissage multitâche multimodal et temporel pour le diagnostic précoce et la prédiction du risque de sepsis. La sepsis est une infection grave provoquée par une réponse immunitaire déréglée, dont la détection précoce est essentielle mais difficile en raison de la diversité des symptômes et de la complexité des données cliniques multimodales (signes vitaux, analyses biologiques, imagerie, textes médicaux). Le sujet repose sur l’apprentissage multitâche qui permet d’apprendre simultanément plusieurs tâches cliniques telles que la prédiction du risque, la classification de la sévérité et l’identification de biomarqueurs au sein d’un même modèle. S’appuyant sur les architectures à base de transformers, l'objectif est de développer des méthodes pour gérer les interférences et conflits entre tâches grâce à une optimisation bi-niveau et à une décomposition des tâches par apprentissage de représentations. Le modèle intégrera également le raisonnement temporel pour modéliser la progression de la sepsis et mettra l’accent sur l’interprétabilité afin d’assurer sa pertinence clinique. Il sera validé sur de larges bases de données (MIMIC-VI et cohortes IHU) afin d’évaluer sa robustesse et son applicabilité en milieu hospitalier réel.

Domaine de recherche Apprentissage profond, IA pour la santé

Compétences

Connaissances

Contexte de travail

Site d'affectation Villetaneuse

Laboratoire(s) Laboratoire d'Informatique de Paris Nord

Niveau de formation

Diplôme requis Master 2 en Machine learning

Expérience exigée

QuotitéInformations complémentaires

Prise de fonction 01 01 26

Type de poste Contrat (CDD)

Composition du jury de sélection

(Président(e)) Hanane Azzag