Modélisation computationnelle pour le diagnostic des troubles cérébraux
Modélisation computationnelle pour le diagnostic des troubles cérébraux
Les modèles computationnels (par exemple, les modèles conjoints des données longitudinales et de survie) sont utiles lorsque des mesures répétées et des temps de survie sont disponibles en même temps et possiblement associés. Différents types de données sont collectés pour chaque sujet à plusieurs intervalles de temps avant qu’un événement se produise (par exemple, la conversion du trouble cognitif léger (MCI) vers la maladie d’Alzheimer (AD)). Ces données, obtenues à partir de l’ensemble de données ADNI (Alzheimer’s Disease Neuroimaging Initiative), incluant des biomarqueurs liés à l’amyloïdose et à la neurodégénérescence tels que le CSF ABeta 1-42, le CSF tau, le FDG-PET, les volumes hippocampiques (HV) mesurés via l’IRM, ainsi que des scores de tests neuropsychologiques comme l’ADAS-Cog et le MMSE. L’objectif de cette thèse est d’étudier l’association entre les biomarqueurs longitudinaux (par exemple, les HV) et l’événement d’intérêt (par exemple, la conversion vers AD), et d’utiliser cette association pour prédire le temps de conversion pour de nouveaux sujets. Plusieurs articles ont démontré cette association, mais n’ont pas explicitement indiqué la probabilité de risque de progression. Une analyse séparée des biomarqueurs longitudinaux et du temps de conversion peut conduire à des résultats inefficaces ou biaisés. Les modèles conjoints traitent les données longitudinales et les temps d’événement simultanément et fournissent des inférences valides et efficaces (L. W et all., 2011).
Computational models, MRI, biomarkers, machine learning, Alzheimer, dementias, neurodegeneration, Mild Cognitive Impairment, ADAS-Cog, MMSE.
Sont éligibles les candidat(e)s ayant un diplôme de Master / d’ingénieur (ou équivalent) en mathématiques, intelligence artificielle, statistique, biostatistique, biologie computationnelle ou informatique (analyse de données massives) avec maîtrise du logiciel R et/ou Python et ayant une expérience en modélisation statistique dans le domaine de la santé (considéré comme un atout). De plus, le candidat doit être bon en anglais.
Please send the application before September 10, 2024 to:
Cedoc.admission@ueuromed.org & a.mouiha@ueuromed.org