L’embolie pulmonaire (PE) consiste en l’obstruction d’une artère pulmonaire par un caillot sanguin, appelé thrombus, et représente la troisième cause de mortalité cardiovasculaire en Europe. Une fois le diagnostic confirmé, les cliniciens déterminent le pronostic du patient, d’un risque faible à un risque élevé de décès, un processus connu sous le nom de stratification du risque, pour guider la prise en charge du patient. Actuellement, cette stratification implique l’évaluation de biomarqueurs fonctionnels, tels que la troponine plasmatique et le peptide natriurétique de type-B (BNP), et d’un seul biomarqueur morphologique : le rapport entre la taille du ventricule droit et celle du ventricule gauche (RV/LV). Bien que l’échocardiographie transthoracique (TTE) soit la méthode de référence pour mesurer le rapport RV/LV, l’angiographie pulmonaire par tomodensitométrie (CTPA) est l’imagerie la plus couramment utilisée en clinique. Cependant, des études récentes ont montré que l’estimation basée sur la CTPA est moins corrélée au pronostic du patient que celle basée sur la TTE. Sachant que plus de 90% des EP sont diagnostiquées par CTPA, il est crucial d’améliorer la capacité du CTPA à stratifier le pronostic des patients atteints d’EP afin d’améliorer leur prise en charge et, par conséquent, leur chance de guérison.

Dans ce contexte, l’ANR PERSEVERE a pour objectif de prédire le risque lié à l’embolie pulmonaire à partir de données multimodales sur le patient, incluant notamment la modélisation du réseau vasculaire. L’extraction automatique du réseau vasculaire depuis les images CTPA est déjà réalisée dans le cadre d’une autre phase de l’ANR. Le prochain problème visé concerne la prédiction du risque associé à la PE à partir des représentations extraites des images.

Ce stage vise à évaluer le potentiel des réseaux de neurones sur graphes (GNN) pour prédire le risque lié à l’embolie pulmonaire basé sur l’arbre vasculaire pulmonaire. Pour cela, la ou le candidat mènera une étude comparative de modèles de GNN classiques (p. ex. GCN) ainsi que de modèles de GNN plus récents (p. ex. GAT, GIN). Il ou elle aura aussi accès à une base de données unique de plus de 400 patients avec leur graphe vasculaire correspondant, enrichi de caractéristiques extraites de l’image ainsi que leurs données cliniques. Des échanges réguliers avec les médecins du projets seront prévus afin d’interpréter les résultats obtenus.

Le ou la stagiaire devra avoir une bonne connaissance du langage Python et des bibliothèques d’apprentissage profond (PyTorch, PyTorch Lightning). Il ou elle devra avoir une formation et/ou une expérience en deep learning. Le ou la stagiaire devra avoir un goût prononcé pour les questions cliniques et être motivé par le travail en collaboration avec des médecins.