Proposition de thèse : IMASMART : l’intelligence artificielle pour le diagnostique de la maladie d’Alzheimer


Thesis proposal : artificial intelligence for the diagnosis of Alzheimer's disease

L’ED SISMI propose le sujet de thèse suivant :

Intitulé du sujet : IMASMART : l’intelligence artificielle pour le diagnostique de la maladie d’Alzheimer

Ce projet serait sous la direction de philippe Carré de XLIM à l’Université de Poitiers

Co-directeurs renseignés : Pierre Jean Saulnier /

Les financements sont : Cofinancement Région / fondation

Le début de la thèse est prévu pour : 10/2021

Mots clés du sujet : Alzheimer Dysfonctionnement cognitif Objet connecté Deep learning IA Empreinte numérique

Présentation du sujet : Il s’agit de construire une empreinte numérique pour chaque patient à travers l’usage global qu’il a de son smartphone et des indicateurs que laisse l’appareil. Cette empreinte numérique doit être discriminatoire concernant l’évolution de la maladie d’Alzheimer. Cela présuppose donc deux étapes : la mise en place d’un protocole complet de collecte de cette empreinte et ensuite son analyse automatique ou semi-supervisée pour la mise en place d’un système de diagnostique mais aussi des outils de visualisation simplifiant l’interaction avec le spécialiste “usager”.

Objectifs : L’objectif sera de pouvoir apporter un suivi aux patients présentant une plainte de mémoire, qui intègre des algorithmes d’analyse de données (pour extraire des signatures discriminantes) et de l’intelligence artificielle (pour déployer des systèmes de diagnostic automatique). L’objectif final est d’identifier une signature numérique construit à partir de l’usage de l’utilisation de smartphone en vie courante, des traces qu’il peut collecter et de données cliniques pour proposer une signature clinico-numérique de l’évolution de la maladie. Cet outil permettra de développer une médecine personnalisée et de mieux cibler les examens complémentaires nécessaire aux personnes ayant une plainte de mémoire.

Description du sujet : Ces dernières années le domaine de l’apprentissage machine et de la décision automatique a subi un important bouleversement scientifique avec l’apparition des stratégies d’apprentissage profond. L’apprentissage profond est une stratégie basée sur des algorithmes neuronaux qui se propose de construire un espace optimal de représentation de l’information à partir d’un corpus labélisé représentatif de la problématique à traiter. Lors de l’apprentissage des couches de décision, l’algorithme d’optimisation construit aussi la représentation la plus fine des données d’entrée afin d’obtenir la meilleure chaine d’analyse. Il existe de très nombreux articles traitant de l’approche Deep, nous citerons ici celui de Y. LeCun dans Nature [24]. Cette stratégie a obtenu de nombreux succès dans des domaines très différents. Etant donné le nombre de références concernant les applications de l’approche Deep, nous préférons référencer par exemple les leçons proposées dans le cadre du Collège de France [25]. Dans le domaine de la santé, l’apprentissage profond continue d’évoluer et d’améliorer les performances des systèmes d’aide au diagnostic en utilisant à chaque fois de nouvelles connaissances et outils cliniques ce qui en fait maintenant des systèmes incontournables. Récemment, l’apprentissage profond, en utilisant des données de neuroimagerie sans prétraitement ni connaissances a priori a montré des progrès dans la détection de la MA [21]. Comme nous le pointons ci-dessus les stratégies basées entièrement apprentissage ont complètement montré leur potentiel dans un cadre de corpus composé d’images, mais il reste de nombreuses interrogations dans le cas des vecteurs caractéristiques combinant des mesures de natures différentes. Dans ce cadre, les smartphones étant actuellement le dispositif d’interaction le plus populaire, de nombreuses études analysant les caractéristiques d’utilisation ainsi que les statistiques d’interaction ont été publiées [26, 27]. Toutefois, la plupart des études portent sur l’ingénierie manuelle des caractéristiques qui nécessite un temps d’analyse très important. De plus, le volume et la vitesse de création de ces données ne permet pas une analyse en temps réel. De ce fait, l’utilisation de l’apprentissage automatique pour déduire les traits de comportement des êtres humains fait partie du domaine de la recherche depuis longtemps. Dans le contexte du projet, les objectifs sont doubles : d’une part, il s’agit de fournir une macro et une micro-analyse de l’utilisation des appareils mobiles tout en classant le comportement normal et pathologique. D’autre part, il faut prévoir l’automatisation de cette tâche afin d’en réduire le temps. Compte tenu des faits présentés, notre principale question de recherche : Comment pouvons-nous apprendre à connaître les utilisateurs à partir de l’analyse de l’utilisation des appareils en temps réel ? La première approche que nous proposons de déployer reposera sur le concept de transfert learning (problème de base faiblement étiquetée). L’apprentissage par transfert (TL) [28] vise à produire un modèle efficace pour une tâche cible avec des données d’apprentissage limitées ou non étiquetées en exploitant des connaissances provenant d’un domaine source différent mais connexe pour prédire l’étiquette.

Compétences acquises à l’issue de la thèse : Déploiement Algorithme IA, E-santé, Modélisation géométrique Donnée

Présentation de l’équipe d’accueil : Le projet repose sur la collaboration de plusieurs laboratoires aux compétences complémentaires en recherche clinique (CIC1402), en analyse des données et intelligence artificielle (laboratoire Xlim CNRS UMR 7252 ), psychologie cognitive (laboratoire CeRCA CNRS UMR 7295), et sur expertise clinique des trois centres Mémoire Ressources et Recherche (CMRR) de la région Nouvelle Aquitaine (Poitiers, Bordeaux et Limoges) qui prennent en charge médicalement ces patients. Il doit permettre de répondre à un des grands défis sociétaux aux enjeux médico-économiques majeurs, identifier par le plan maladie neurodégénérative et la région.

Compétences souhaitées pour les candidats : IA, Programmation

Pour plus d’informations et pour candidater, merci de contacter :

Date de dépôt : 04/26/2021 à 14 h 43 min




ED SISMI