Soutenance de mémoire : Stratégies d'apprentissage automatique pour la prédiction d'effets tardifs associés au traitement de la leucémie aiguë lymphoblastique infantile

Description :

Conférencier : Nicolas Raymond, étudiant à la maîtrise en informatique, Département d’informatique, Faculté des sciences, Université de Sherbrooke

Résumé : La leucémie aiguë lymphoblastique (LAL) est le cancer le plus fréquemment diagnostiqué chez l’enfant. Approximativement deux tiers des survivants de la LAL infantile présentent une ou plusieurs complications de santé à l’âge adulte. Connues sous le nom d’effets tardifs, ces complications sont plutôt le fruit du traitement que de la maladie elle-même. Les mesures actuellement mises en place pour les visites de suivi post-traitement sont généralement uniformes à l’ensemble des survivants de cancers infantiles et ne sont pas nécessairement adaptées précisément aux survivants de la LAL infantile. Conséquemment, les effets tardifs peuvent être sous-diagnostiqués et, dans la plupart des cas, seulement pris en charge après leurs apparitions. D’autre part, les directives de soins actuelles peuvent également mener à un suivi plus intensif que nécessaire, entraînant parfois des inquiétudes chez les survivants en plus d’augmenter les coûts de soins. Ainsi, il est nécessaire de prédire l’apparition des effets tardifs plus tôt pour contribuer à la santé et au bien-être des survivants. Plusieurs travaux se sont concentrés sur la recherche de biomarqueurs pouvant aider à la prédiction des effets tardifs et, notamment, un article a mis de l’avant l’utilisation d’un modèle d’apprentissage automatique pour prévenir les effets liés à la détérioration de la forme cardio-respiratoire. Toutefois, aucune solution n’a fait usage de réseaux neuronaux jusqu’à présent. Dans ce projet de recherche, nous avons développé des réseaux de neurones graphiques efficients et mis en valeur leur interprétabilité à l’aide de multiples analyses conduites suite à leurs entraînements. En premier lieu, nous avons proposé un nouveau modèle d’estimation de la consommation d’oxygène maximale (c.-à-d., VO2 max) qui ne nécessite aucune participation à un test physique (e.g., test de marche de 6 minutes). Le VO2 max est reconnu comme la meilleure mesure de la forme cardio-respiratoire, qui à son tour, est un bon indicateur du risque de développement de certaines morbidités (e.g., obésité, dépression) chez les survivants. En second lieu, nous avons développé un modèle de prédiction hâtif de l’obésité utilisant des variables cliniques disponibles dès la fin du traitement de la LAL infantile, ainsi que plusieurs marqueurs génétiques (c.-à-d., polymorphismes à un seul nucléotide). Les réseaux de neurones graphiques mis en place durant ce projet ont permis d’obtenir de meilleures performances que d’autres modèles à structures arborescentes ou neuronales.

Membre du jury, présidente rapporteuse : Aïda Ouangraoua, Professeure, Département d’informatique, Faculté des sciences, Université de Sherbrooke

Membre du jury, membre interne : Félix Camirand Lemyre, Professeur, Département de mathématiques, Faculté des sciences, Université de Sherbrooke

Membre du jury, directeur de recherche : Martin Vallières, Professeur, Département d’informatique, Faculté des sciences, Université de Sherbrooke

Toutes les personnes intéressées sont cordialement invitées.

Lien Teams : http://bit.ly/3GB1L2O