CD Prédiction du neurodéveloppement des prématurés à 7 ans grâce à l'intelligence artificielle et aux biomarqueurs issus des données multimodales néonatales // CD Artificial Intelligence-based prediction of preterm neurological outcome at 7 years using mu

Ce projet vise à développer un modèle prédictif multimodal permettant d'évaluer précocement le risque de troubles neurodéveloppementaux chez les nouveau-nés prématurés. Actuellement, les modèles prédictifs existants se basent principalement sur des données cliniques, avec des performances limitées (AUC < 0.8). Nous proposons d'intégrer des données cliniques, EEG, IRM, ECG et respiratoires pour améliorer la précision de la prédiction du devenir neurologique. L'étude repose sur l'analyse de 500 prématurés issus du réseau Rafael, avec un suivi jusqu'à 7 ans. Après un prétraitement rigoureux des données (filtrage des artéfacts, extraction des caractéristiques EEG et IRM), plusieurs modèles d'apprentissage automatique seront testés et comparés. Une attention particulière sera portée à l'interprétabilité des modèles grâce à la méthode SHAP, afin d'identifier les biomarqueurs clés du développement neurocognitif. L'objectif final est de fournir un logiciel fiable, facilitant l'identification des prématurés à risque, et permettant une prise en charge précoce adaptée. Si les performances des modèles sont satisfaisantes, des approches de deep-learning pourront être explorées pour affiner les prédictions. Ce projet, porté par une équipe experte en neurophysiologie et intelligence artificielle, pourrait significativement améliorer le pronostic des prématurés grâce à un traitement personnalisé, leur qualité de vie à long terme et permettre aussi d'améliorer le suivi de ces nouveau-nés vulnérables.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The objective of this project is to develop a multimodal predictive model for the early assessment of the risk of neurodevelopmental disorders in premature newborns. Existing predictive models are primarily based on clinical data, with limited performance (AUC < 0.8). The proposed approach involves the integration of clinical, electroencephalogram (EEG), magnetic resonance imaging (MRI), electrocardiogram (ECG) and respiratory data to enhance the accuracy of neurological outcome prediction. The study will analyze 500 premature infants from the Rafael network, with a follow-up period of up to seven years. After rigorous data pre-processing (artifact filtering, EEG and MRI feature extraction), several machine learning models will be tested and compared. Particular attention will be paid to the interpretability of the models using the SHAP method, in order to identify key biomarkers of neurocognitive development. The ultimate aim is to provide a software facilitating the identification of premature babies at risk, and enabling appropriate early management. If the performance of the models is satisfactory, deep-learning approaches could be explored to refine predictions. This project, led by a team with expertise in neurophysiology and artificial intelligence, could significantly improve the prognosis of premature babies and their long-term quality of life, as well as improving monitoring of these vulnerable newborns.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://www.reseauperinatallorrain.fr/reseau-rafael/

Contrat doctoral

Concours pour un contrat doctoral

Université de Lorraine

266 BioSE - Biologie Santé Environnement

Nous recherchons un(e) candidat(e) avec une expertise en sciences cognitives, neurosciences et intelligence artificielle. Compétences attendues : -Analyse de données biomédicales : Traitement et modélisation de grandes bases de données multimodales. -Intelligence artificielle et machine learning : Développement et implémentation de modèles prédictifs. -Connaissances en neurosciences : Compréhension des mécanismes du développement cérébral et des troubles neurodéveloppementaux, ainsi que des méthodes d'analyse en neurosciences computationnelles. -Compétences en programmation : Maîtrise de Python, R et des bibliothèques associées (TensorFlow, Pandas, NumPy) pour l'analyse statistique et le machine learning. -Rigueur scientifique et esprit critique : Expérience en méthodologie scientifique, revue de la littérature et rédaction de publications. -Travail en équipe et communication : Capacité à collaborer avec des cliniciens, chercheurs et ingénieurs en IA dans un contexte interdisciplinaire. -Un parcours combinant sciences cognitives, neurosciences et intelligence artificielle est particulièrement pertinent pour ce projet, notamment une expérience en modélisation computationnelle, apprentissage machine et analyse de données en neurosciences.
We are looking for a candidate with expertise in cognitive sciences, neuroscience, and artificial intelligence. Expected Skills Biomedical data analysis: Processing and modeling large multimodal databases. Artificial intelligence and machine learning: Development and implementation of predictive models. Knowledge in neuroscience: Understanding of brain development mechanisms and neurodevelopmental disorders, as well as computational neuroscience analysis methods. Programming skills: Proficiency in Python, R, and associated libraries (TensorFlow, Pandas, NumPy) for statistical analysis and machine learning. Scientific rigor and critical thinking: Experience in scientific methodology, literature review, and publication writing. Teamwork and communication: Ability to collaborate with clinicians, researchers, and AI engineers in an interdisciplinary setting. A background combining cognitive sciences, neuroscience, and artificial intelligence is particularly relevant for this project, especially experience in computational modeling, machine learning, and neuroscience data analysis.