Thèse Développement et Application Clinique de Modèles de Réseaux Neuronaux pour la Prédiction de la Survie dans le Cancer de l'Oesophage H/F - 69

Établissement : Université Claude Bernard Lyon 1
École doctorale : E2M2 - Evolution Ecosystèmes Microbiologie Modélisation
Laboratoire de recherche : LBBE - LABORATOIRE DE BIOMÉTRIE ET BIOLOGIE EVOLUTIVE
Direction de la thèse : Pascal ROY ORCID 0000000338373198
Début de la thèse : 2026-04-01
Date limite de candidature : 2026-04-15T23:59:59

Le cancer de l'oesophage est une tumeur maligne très répandue en Chine. Les stratégies thérapeutiques s'appuient de plus en plus sur une prise en charge multimodale globale et sur une évaluation pronostique précise. À l'heure actuelle, les modèles statistiques présentent des limites en présence de données cliniques complexes, alors que les modèles d'apprentissage profond ont démontré un fort potentiel dans le domaine de la prédiction médicale. Cependant, leur fiabilité, leur interprétabilité, et leur applicabilité clinique pour la prédiction de la survie des patients atteints d'un cancer de l'oesophage doivent encore faire l'objet d'études de validation approfondies.
L'objectif de la thèse est de comparer les propriétés prédictives de modèles pronostiques de complexité croissante : Linéaires généralisés (GLM intégrant des combinaisons linéaires des variables pronostiques), additifs généralisés (GAM intégrant des fonctions souples pour ajuster les effets des variables pronostiques), et d'apprentissage profond généralisés (GDLM intégrant des réseaux de neurones pour la prise en compte d'effets complexes des variables pronostiques). La première étape du travail de recherche comparera les propriétés prédictives des GLM, GAM et GDLM sur le plan théorique, en distinguant les notions de prédiction moyenne et de prédiction individuelle (contextualisée). Estimer les prédictions individuelles des modèles (prédictions contextualisées) est essentiel dans le cadre du développement de la médecine personnalisée. Les notions de sur-ajustement des modèles (avec les GLM, GAM et GDLM), et les apports respectifs de différentes méthodes de pénalisation seront comparés. Les critères d'utilisation de modèles complexes seront discutés en fonction de la taille des étude (nombre de patients, nombre de variables).
Les approches GLM, GAM et GDLM seront ensuite appliquées à différentes cohortes internationales de patients atteints de cancers de l'oesophage, les propriétés prédictives obtenues en ajustant les 3 types de modèles sur des cohortes internationales de patients seront comparées. Les différences observées seront interprétées à partir des informations fournies à l'issue des études de simulation.

Etablissement du pronostic des patients atteints d'un cancer de l'oesophage afin d'optimiser leur mode de prise en charge
Identification du modèle de complexité adéquat
Modélisation statistique en médecine de précision.

Comparer les propriétés respectives des GLM, GAM et GDLM pour proposer le modèle de complexité le plus adéquat pour une prise en charge personnalisée du patient

Analyse des propriétés des GLM, GAM et GDLM, explicite ou par simulations.
Application de ces modèles à l'analyse de données internationales, comparaison de leurs performances prédictives, interprétation des différences observées à partir des connaissances théoriques acquises à l'étape 1.