Description

Cette thèse vise à développer une plateforme de microscopie Raman augmentée par intelligence artificielle pour le diagnostic oncologique. L'histopathologie demeure le gold standard du diagnostic des cancers solides, mais sa nature qualitative et la variabilité inter-observateur qu'elle engendre nécessitent des approches complémentaires plus objectives et reproductibles. La micro-spectroscopie Raman offre une alternative prometteuse : sans marquage chimique ni préparation invasive, elle révèle directement la distribution spatiale des constituants moléculaires du tissu natif, fournissant une empreinte biochimique riche et spécifique. Son déploiement clinique se heurte cependant à un obstacle fondamental, la faible efficacité de la diffusion Raman impose des temps d'acquisition longs, limitant les zones analysables à quelques centaines de micromètres, loin des surfaces de plusieurs centaines de millimètres carrés qu'exige la pratique pathologique courante.
Le travail de recherche s'inscrit dans ce contexte et s'appuie sur le couplage de méthodes avancées d'apprentissage profond et de stratégies d'acquisition intelligente pour lever ce verrou. Les approches développées, combinant réseaux de neurones convolutionnels, modèles génératifs et algorithmes d'acquisition adaptative, visent à reconstruire des cartographies moléculaires complètes et fidèles à partir de données acquises rapidement, ouvrant l'accès à des champs de vue compatibles avec les exigences cliniques. En croisant les disciplines en instrumentation optique, en intelligence artificielle et en anatomopathologie, ce projet contribue à faire de la micro-spectroscopie Raman un outil viable pour la médecine de précision en oncologie.

Compétences requises

Master en chimie, biologie. Compétences en apprentissage profond ou spectroscopie appréciées. Autonomie, interdisciplinarité et anglais scientifique courant requis.

Bibliographie

[1] Horgan, Conor C., et al. 'High-throughput molecular imaging via deep-learning-enabled Raman spectroscopy.' Analytical chemistry 93.48 (2021): 15850-15860.
[2] Tabata, Koji, et al. 'On-the-fly Raman microscopy guaranteeing the accuracy of discrimination.' Proceedings of the National Academy of Sciences 121.12 (2024): e2304866121.

Mots clés

imagerie Raman, Deep Learning, Histopathologie