Thèse Brains Reconnaissance des Biomarqueurs et Intelligence Artificielle pour le Dépistage Neurodégénératif H/F - 10

Établissement : Université de technologie de Troyes
École doctorale : Sciences Pour l'Ingénieur
Laboratoire de recherche : Laboratoire Informatique et Société Numérique
Direction de la thèse : Racha SOUBRA
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-23T23:59:59

Les maladies neurodégénératives (NDDs), telles que la maladie d'Alzheimer (AD), de Parkinson (PD) et la sclérose latérale amyotrophique (SLA), figurent parmi les principales causes de morbidité et de mortalité dans le monde. Ces pathologies résultent d'une dégénérescence progressive des neurones, entraînant un déclin cognitif, des troubles moteurs et une perte d'autonomie. Avec l'augmentation de l'espérance de vie, leur prévalence ne cesse de croître, imposant une pression accrue sur les systèmes de santé, les aidants et les services sociaux. À titre d'exemple, plus de 55 millions de personnes sont aujourd'hui atteintes de la maladie d'Alzheimer, un chiffre qui pourrait dépasser les 150 millions d'ici 2050. La maladie de Parkinson est quant à elle le trouble neurologique dont l'incidence augmente le plus rapidement, avec un doublement observé en 25 ans.
L'un des enjeux majeurs réside dans le diagnostic précoce : ces maladies évoluent lentement et restent longtemps silencieuses. Le diagnostic clinique repose souvent sur des examens réalisés une fois des lésions neuronales irréversibles déjà installées, limitant ainsi l'efficacité des interventions thérapeutiques. Pourtant, des études montrent qu'une détection précoce permet des traitements mieux ciblés, des ajustements de mode de vie, et une inclusion plus rapide dans les essais cliniques, retardant le déclin fonctionnel. L'identification de biomarqueurs précliniques devient ainsi un levier essentiel pour initier des thérapies neuroprotectrices à un stade optimal.
L'intelligence artificielle (IA), et notamment les méthodes d'apprentissage profond offrent aujourd'hui des perspectives prometteuses pour répondre à cet enjeu. Plusieurs études exploitent des bases de données multimodales (imagerie cérébrale, données vocales, analyses de la marche, génétique, dossiers médicaux électroniques) pour améliorer la précision du dépistage.
Les trois NDDs étudiées partagent certains mécanismes biologiques, la mort neuronale, l'accumulation de protéines anormales et la neuroinflammation, tout en présentant des différences marquées en termes de localisation anatomique, de symptômes et d'évolution. Malgré ces spécificités, la plupart des travaux se concentrent encore sur une seule pathologie, souvent Alzheimer, et visent principalement à prédire la conversion chez les sujets à risque.
À ce jour, peu de recherches adoptent une approche intégrative permettant à la fois la détection précoce et la classification différenciée de plusieurs NDDs à partir d'un même pipeline d'analyse. Une telle stratégie présente un intérêt scientifique et clinique fort, car elle permettrait :
-de mieux caractériser les similarités et divergences entre pathologies,
-d'améliorer la robustesse et la généralisabilité des modèles sur des données multi-sites,
-et de faciliter le développement d'outils de diagnostic automatisés transposables en pratique clinique.
Bien que l'intégration de modalités variées (voix, marche, génétique, données cliniques) enrichisse la prédiction, l'imagerie cérébrale reste la référence pour l'identification de biomarqueurs précoces. Les réseaux de neurones convolutifs (CNN) appliqués à l'imagerie ont démontré leur capacité à détecter des altérations subtiles (atrophie hippocampique, amincissement cortical, perturbations de la substance blanche) plusieurs années avant l'apparition des symptômes.
Cependant, ces modèles puissants sont souvent perçus comme des « boîtes noires », leur complexité limitant leur interprétabilité. Il devient donc indispensable d'intégrer des techniques d'IA explicable pour comprendre, contrôler et fiabiliser les mécanismes décisionnels.
Ce projet de thèse a pour ambition de répondre à ces enjeux en développant une approche innovante fondée sur l'analyse d'imageries cérébrales multimodales et sur des modèles d'IA explicables.

Les maladies neurodégénératives représentent un enjeu majeur de santé publique en raison du vieillissement de la population et de l'augmentation de leur prévalence. Caractérisées par une dégénérescence progressive et irréversible des neurones, elles entraînent des troubles cognitifs, moteurs et fonctionnels sévères. À ce jour, les mécanismes physiopathologiques restent partiellement compris et les diagnostics sont souvent posés à un stade tardif, limitant l'efficacité des traitements. Dans ce contexte, le développement d'outils informatiques basés sur l'intelligence artificielle apparaît comme une approche prometteuse pour détecter ces maladies à un stade précoce, notamment grâce à l'analyse conjointe d'images cérébrales (IRM, PET, SPECT) et de données cliniques. Contrairement à une approche unique, le projet adopte une méthode différenciée pour prendre en compte les particularités de chaque maladie.

Les objectifs sont :
-Identifier des biomarqueurs cérébraux précoces, communs et spécifiques aux différentes NDDs (AD, PD, ALS), à partir d'imageries cérébrales multi-sites et multimodales (IRM, scintigraphie DATSCAN), à l'aide de méthodes de traitement d'images fondées sur l'IA.
-Concevoir un algorithme robuste, généralisable et interprétable, capable de détecter précocement la neurodégénérescence et de classifier automatiquement le type de pathologie dès les stades initiaux.
-Contribuer à la mise au point d'outils de dépistage automatisés, utilisables en contexte clinique, pour accélérer le diagnostic, ralentir la progression de la maladie et limiter l'extension des lésions neuronales.