Modèle d'apprentissage supervisé pour le suivi longitudinal de patients et contrôle qualité en conditions réelles // Supervised learning model for longitudinal patient monitoring and quality control in real-world conditions
14 Apr 2026
Job Information
- Organisation/Company
INSA Lyon- Research Field
Computer science » Informatics- Researcher Profile
Recognised Researcher (R2)
Leading Researcher (R4)
First Stage Researcher (R1)
Established Researcher (R3)- Application Deadline
29 Jun 2026 - 22:00 (UTC)- Country
France- Type of Contract
Temporary- Job Status
Full-time- Is the job funded through the EU Research Framework Programme?
Not funded by a EU programme- Is the Job related to staff position within a Research Infrastructure?
No
Offer Description
L'objectif de cette thèse est de développer et déployer un modèle d'apprentissage supervisé en santé, capable d'analyser des données longitudinales de patients tout en garantissant un haut niveau de fiabilité en conditions réelles. L'ambition est de permettre un dépistage précoce, systématique et robuste des enfants à risque de troubles du neurodéveloppement.
Les modèles d'apprentissage profond fournissent généralement des prédictions ponctuelles, dont les performances peuvent évoluer avec les données d'entraînement. Dans des contextes critiques comme le diagnostic ou le dépistage médical, il est essentiel non seulement de prédire, mais aussi de quantifier la fiabilité des prédictions et d'assurer la stabilité des performances dans le temps.
Cette thèse s'inscrit dans le cadre de l'apprentissage continu, un domaine émergent du machine learning, qui vise à concevoir des modèles capables d'intégrer de nouvelles données progressivement sans oublier les connaissances acquises. Une attention particulière sera portée à la quantification d'incertitude, au suivi longitudinal et à la détection d'anomalies.
L'application clinique concerne le suivi longitudinal par échographie 3D du développement cérébral chez des enfants prématurés. Le projet s'appuie sur une base de données multicentrique de plus de 300 patients, collectée dans 10 centres hospitaliers. L'objectif est de développer des modèles capables de détecter précocement des anomalies, telles que la présence de lésions ou des trajectoires de croissance atypiques des structures cérébrales.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
The aim of this PhD project is to develop and deploy a supervised learning model for medical applications, capable of analyzing longitudinal patient data while ensuring high reliability in real-world settings. The ultimate goal is to enable early, systematic, and robust screening of children at risk of neurodevelopmental disorders.
Deep learning models typically produce point predictions, whose performance may vary as training data evolves. In critical applications such as medical diagnosis or screening, it is essential not only to make predictions but also to quantify their reliability and ensure performance stability over time.
This project is rooted in the emerging field of continual learning, which focuses on developing models that can progressively incorporate new data without forgetting previously acquired knowledge. Particular emphasis will be placed on uncertainty quantification, longitudinal monitoring, and anomaly detection.
The clinical application focuses on longitudinal monitoring of brain development in preterm infants using 3D ultrasound imaging. The project relies on a multicenter dataset of more than 300 patients collected from 10 hospitals. The objective is to develop supervised learning models capable of early detection of anomalies, such as brain lesions or atypical growth trajectories of cerebral structures.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/2026
WEB : https://anr.fr/Projet-ANR-25-CE17-2750
Funding category: Autre financement public
ANR Financement d'Agences de financement de la recherche
Where to apply
- Website
- https://www.abg.asso.fr/fr/candidatOffres/show/id_offre/138003
Requirements
Specific Requirements
Diplôme d'ingénieur ou Master 2. Fortes Fortes compétences en deep learning, informatique, traitement d'images, intérêt pour les enjeux médicaux.Engineering degree or Master's degree (MSc). Deep learning, computer science, and image processing, with an interest in medical challenges.
Additional Information
Work Location(s)
- Number of offers available
- 1
- Company/Institute
- INSA Lyon
- Country
- France
- City
- VILLEURBANNE Cedex
- Geofield
STATUS: EXPIRED
- X (formerly Twitter)
More share options- Viadeo
- Gmail
- Blogger
- Qzone
- YahooMail