CF202440851
Post-doc: apprentissage profond et traitement du signal ECG
J-16
Post-Doc
Sciences pour l'Ingénieur
Nouvelle-Aquitaine
Disciplines
Traitement du Signal, Intelligence Artificielle
Laboratoire
X-LIM
Institution d'accueil
CHU POITIERS
Autre institution
Centre d'Investigations Cliniques (CIC1402)
Ecole doctorale
Ecole Doctorale de mathématiques et informatique - ED 39

Description

L’entrepôt de données de santé du CHU de Poitiers recrute un(e) ingénieur(e) dont la mission principale sera de participer à un projet de recherche d’analyse des ECG et prédiction de patients à risque avec apprentissage profond.

1. Contexte et motivation
L'insuffisance cardiaque (IC) touche plus d'un million de personnes et est responsable de plus de 160 000 hospitalisations et 70 000 décès par an en France. Elle constitue un problème de santé publique en raison de l'augmentation de sa prévalence due au vieillissement de la population.
En pratique clinique, le signal électrique cardiaque est analysé au moyen de l’électrocardiogramme (ECG) 12 dérivations. Lors de la réalisation d’un ECG, de très nombreuses données brutes sont collectées afin de transformer le signal électrique en images exploitables par les cliniciens. Outre l’aspect statique de ces images, ce traitement entraine une déperdition de l’information initiale. Pourtant, ces données brutes pourraient être exploitées dans leur entièreté sous forme de données tabulaires afin d’avoir une description bien plus fine du signal électrique cardiaque. Ce type d’analyse pourrait permettre de détecter des variabilités non perceptibles sur l’image et annonciatrices de la survenue de futurs symptômes cliniques.
Depuis 2018, au CHU de Poitiers les données brutes des ECG 12 dérivations sont systématiquement sauvegardées pour les patients ayant bénéficié d’une hospitalisation ou d’une consultation programmée dans le cadre du suivi de leur IC chronique. La mobilisation de l’ensemble de ces données est facilitée par la mise en place d’un entrepôt de données de santé (EDS) dans cet établissement.

Les méthodes à base de CNN ont montré leur efficacité dans la reconnaissance de motifs répétitifs pour des tâches de classification. Leurs avantages résident notamment dans leur capacité à exploiter la totalité des données ECG, à apprendre automatiquement des caractéristiques à partir de grandes quantités de données, éliminant ainsi le besoin d’ingénierie manuelle des caractéristiques. De plus, cette méthode permet de suivre le processus d’apprentissage et d’interpréter les résultats de la prédiction.

Dans ce projet, nous voulons concevoir un modèle de prédiction à court terme des patients à risque de décès ou d’hospitalisation pour IC qui nous permettrait de mettre en place des stratégies de prévention ciblées.

1. Développements proposés
Des modèles prédictifs à partir des données ECG avec et sans les données cliniques seront obtenus par des réseaux de neurones convolutifs. Les réseaux de neurones convolutifs (CNN) la capacité d’apprendre automatiquement des caractéristiques à partir de grandes quantités de données, éliminant ainsi le besoin d’ingénierie manuelle des caractéristiques, mais la compréhension de leur raisonnement reste compliquée. Par ailleurs, nous recherchons les paramètres ou les zones d’intérêts des signaux électriques statiques des ECG les plus pertinents dans l'association avec le risque d’hospitalisation pour IC. La capacité prédictive du modèle sera évaluée sur la base d'apprentissage et de validation.

Au regard de déséquilibre de deux classes à prédire, l'étape d'augmentation de données sera probablement nécessaire. Au-delà de la qualité de la discrimination, il existe un vrai enjeu d’interprétation. En effet, les modèles CNN sont souvent considérés comme des "boîtes noires", manquant de transparence dans leurs processus de décision. Pour surmonter ces défis, cette étude est dédiée au développement d'un modèle capable non seulement de gérer la tâche de classification automatique des signaux ECG multiclasses déséquilibrés, mais aussi de posséder un haut degré d'interprétabilité pour répondre aux besoins professionnels du domaine du diagnostic médical.

Compétences requises

• Thèse d’université dans le domaine des traitements du signal, informatique, intelligence artificielle, traitement de données, apprentissage profond, … • Une bonne connaissance en traitement de signaux et une aisance avec les outils nécessaires à leur manipulation est indispensable (python/matlab, linux shell scripting) • Une expérience préalable en apprentissage profond est indispensable Capacités particulières Le (la) candidat(e) devra en outre avoir les qualités humaines et relationnelles adaptées au travail au sein d'une équipe composite, pluridisciplinaire intégrant des médecins, des informaticiens, ingénieurs et des biostatisticiens.

Bibliographie

- Acharya, U. Rajendra, et al. "Deep convolutional neural network for the automated diagnosis of congestive heart failure using ECG signals." Applied Intelligence 49 (2019): 16-27. - Oza, Aditya, et al. "Hybrid CNN-LSTM Framework for Enhanced Congestive Heart Failure Diagnosis: Integrating GQRS Detection." International Conference on Pattern Recognition. Cham: Springer Nature Switzerland, 2024. - Jahmunah, Vicneswary, et al. "Explainable detection of myocardial infarction using deep learning models with Grad-CAM technique on ECG signals." Computers in Biology and Medicine 146 (2022): 105550.

Mots clés

intelligence artificielle, apprentissage profond, traitement du signal, ECG

Offre financée

Type de financement
Fondation, Contrat de travail, Financement mixte

Dates

Date limite de candidature 02/03/25

Durée12 mois

Date de démarrageDès que possible

Date de création17/12/24

Langues

Niveau de français requisAucun

Niveau d'anglais requisB1 (pré-intermédiaire)

Divers

Frais de scolarité annuels0 € / an

Contacts

Vous devez vous connecter pour voir ces informations.

Cliquez ici pour vous connecter ou vous inscrire (c'est gratuit !)