Apprentissage automatique multimodal pour la prédiction de la gravité clinique // Multimodal Machine Learning for Clinical Severity Prediction

L'apprentissage automatique en santé a fortement progressé grâce aux données cliniques massives. Si les modèles classiques (forêts aléatoires, SVM) restent efficaces pour des données limitées et bruitées, les approches de deep learning multimodal offrent de nouvelles perspectives en combinant des données hétérogènes (texte, audio/vidéo, données cliniques structurées).

Cependant, plusieurs défis subsistent : la fusion de données hétérogènes, la rareté des données, le surapprentissage et la généralisation en conditions réelles.

Dans ce cadre, le projet ANR RHU I-DEAL vise à prédire la sévérité de la maladie de Crohn à partir de données de suivi à distance.

L'objectif de la thèse est de développer des modèles multimodaux robustes, en concevant des méthodes de fusion adaptées, en évaluant l'apport de chaque modalité, en gérant les données bruitées/incomplètes, et en validant les modèles en conditions cliniques réelles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Machine learning in healthcare has significantly advanced with the availability of large clinical datasets. While traditional models (e.g., random forests, SVMs) remain effective for small and noisy data, multimodal deep learning approaches offer new opportunities by integrating heterogeneous data sources (text, audio/video, structured clinical data).

However, key challenges remain, including multimodal data fusion, data scarcity, overfitting, and generalization to real-world clinical settings.

In this context, the ANR RHU I-DEAL project aims to predict Crohn's disease severity using remote patient monitoring data.

The main objective of this PhD is to develop robust multimodal models by designing appropriate fusion methods, assessing the contribution of each modality, handling noisy and incomplete data, and evaluating models in realistic clinical environments.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Autre financement public

ANR Financement d'Agences de financement de la recherche

Université de Lorraine

77 IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

Le candidat doit posséder : Un master en informatique ou dans un domaine connexe ; Bases solides en machine learning, Python (scikit-learn, PyTorch ou équivalent) Une maîtrise de l'apprentissage automatique (apprentissage profond) ; Un bon niveau d'anglais (écrit et oral) ; D'excellentes compétences rédactionnelles. Atouts : - deep learning - multimodal learning - traitement du signal ou NLP
The candidate must have: A Master's degree in computer science or a related field; Strong foundations in machine learning and Python (scikit-learn, PyTorch, or equivalent); Proficiency in machine learning (deep learning); A good level of English (written and spoken); Excellent writing skills. Preferred qualifications: Deep learning Multimodal learning Signal processing or NLP (Natural Language Processing)