Thèse Modèle Prédictif par Apprentissage Statistique du Résultat de la Chirurgie de l'Épilepsie à l'Aide de Bases de Données Multimodales H/F - Doctorat.Gouv.Fr

Établissement : Université Claude Bernard Lyon 1 École doctorale : NSCo - Neurosciences et Cognition Laboratoire de recherche : CRNL - CENTRE DE RECHERCHE EN NEUROSCIENCES DE LYON Direction de la thèse : Claire HAEGELEN ORCID 0000000283414887 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-31T23:59:59 Pour l'épilepsie pharmaco-résistante, un traitement chirurgical peut être proposé pour guérir l'épilepsie. La chirurgie peut être proposée au décours d'un bilan préopératoire complexe incluant des données cliniques, électrophysiologiques, d'imageries morphologique et fonctionnelle. En épilepsie, différents modèles par apprentissage statistique (machine learning (ML)) ont été construits afin de mieux prédire le succès de la chirurgie, à l'aide de données, qu'elles soient issues de la routine clinique et/ou de bases de données multimodales (1-3). Selon les études, un nombre variable de patients étaient étudiés (de 20 à 435), intégrant parfois des biomarqueurs d'imagerie (détection de lésions ou analyse de l'épaisseur corticale). Aucune base de données à ce jour n'intègre l'ensemble des données disponibles dans le bilan pré-chirurgical, cet ensemble étant indispensable afin de prendre la meilleure décision pour le patient.

Ce projet de thèse a pour objectif de développer un modèle pronostique du succès chirurgical basé sur des données cliniques et d'imagerie multimodales (IRM, TEP, MEG) des patients épileptiques.

Il s'inscrit dans le cadre et dans la continuité du projet ANR interdisciplinaire SEIZURE (Déc 24-Déc 28) (https://anr-seizure.github.io/) dont les objectifs principaux sont 1) de construire une base de données multimodales (IRM, TEP, MEG et données cliniques) d'au moins 200 patients atteints d'épilepsie, la base EPIL-IA, 2) de développer des outils d'IA pour détecter la ou les zones épileptogènes dans les différentes modalités et 3) de développer des outils d'IA pour prédire le résultat chirurgical. L'utilisation de ces données a été approuvée par le comité d'éthique des HCL, nommant la base EPIL-IA (CNIL-HCL 22-5057).

Différentes briques de traitement développées au sein de SEIZURE seront mises à la disposition au cours du projet de thèse. Le programme de travail consistera à :

-Réaliser une veille bibliographique continue dans différents domaines stratégiques de la thèse, en particulier autour des marqueurs multimodaux pour le pronostic du succès chirurgical en épilepsie, la conception de modèles pronostiques par apprentissage statistique classique (ML) et apprentissage profond combinant des données multimodales, la construction de bases de données multimodales ouvertes' pour l'épilepsie.

-Extraire pour chaque patient des marqueurs multimodaux des données d'imagerie, d'électrophysiologie, et du registre électronique des données patient (EHR). Pour l'extraction de biomarqueurs d'imagerie, ce travail nécessitera de pouvoir manipuler des outils d'IA développés dans le cadre du projet SEIZURE ou en dehors pour détecter, segmenter les zones lésionnelles dans les images médicales (4) et les enregistrements électrophysiologiques, par exemple les pointes intercritiques enregistrées entres les crises épileptiques par magnétoencéphalographie (5). Pour l'extraction de marqueurs cliniques, en plus des données collectées en pratique clinique, l'objectif sera d'intégrer des données du bilan neuropsychologique.

-Développer un modèle pronostique combinant les biomarqueurs hétérogènes. Des approches d'apprentissage statistique classique seront d'abord explorées. Dans un second temps, des approches basées sur des modèles d'intelligence artificielle telles que les transformers tabulaires pourront être mises en oeuvre, en collaboration avec des experts du projet SEIZURE.

-Evaluer les performances de ce modèle sur la base de données rétrospective EPIL-IA et mettre en place l'évaluation de l'apport de ce type de dispositif dans la pratique clinique (comparaison des performances obtenues par des cliniciens chargés de prédire le succès chirurgical avec et sans l'aide de l'outil pronostique).
In epilepsy, various ML models have been developed to better predict surgical sucess using data, sometimes derived from clinical routines and/or multimodal databases (1-3). These databases included a variable number of patients (ranging from 20 to 435), as well as diverse clinical, neurophysiological, imaging biomarkers to predict surgical outcomes. Th models achieved accuracies ranging from 70% to 80% (1-3). Developing a prognostic model that combines these heterogeneous biomarkers could yield a more robust and realistic predictive tool (3). Finally, integrating such a model into clinical routine as a decision-support tool for surgical planning has not yet been implemented.
1) Extraction of multimodal imaging and clinical biomarker after formating EPIL\_IA database
2) Development of a prognostic model for surgical sucess based on artificial intelligence
3) Evaluation of model performance and assessment of the tool's clinical utility Various processing modules already available within the SEIZURE project will be provided to the student by the project's partners, including code for training a statistical learning model using tabular data (CRNL, CREATIS) and various codes for extracting a lesion map from AI models trained on different combinations of MRI (T1 and FLAIR) and PET images (CREATIS), as well as a code for reconstructing MEG lesion maps from the signal recording (based on the automatic detection of intercritical spikes by AI and the reconstruction of these maps using classical source reconstruction algorithms) (CRNL).

- Etudiant(e) de niveau Master 2 en neurosciences, s'intéressant aux neurosciences cliniques et/ou à l'apprentissage automatique (machine learning)
- Maitrise de la programmation en python
- Connaissances en outils de visualisation d'imagerie
- Avec une expérience de logiciels d'apprentissage automatique
- Autonomie requise, avec un esprit critique et une rigueur scientifique