Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ICube Laboratory – University of Strasbourg
Durée : 32 months
Contact : wemmert@unistra.fr
Date limite de publication : 2023-12-01

Contexte :
Primary liver cancers define a wide spectrum of tumors including hepatocellular carcinomas (HCC), cholangiocarcinomas (CCA) and combined hepatocellular-cholangiocarcinomas (cHCC-CCA) sharing both components. Due to high intratumor heterogeneity, accurate diagnosis of cHCC-CCA is still challenging. In addition, studies aiming to evaluate its prognosis provided discordant outcomes, with tumor behavior closer either to HCC or CCA. Considering the different management and prognosis of the types of primary liver cancers, improving their morphological characterization and recognition is needed and helpful to accurately identify cHCC-CCA.
In order to provide a comprehensive morphological signature of cHCC-CCA, we aim to develop a multiscale morphological approach (from molecular to microscopic) integrating molecular pathology using MALDI imaging (a global in situ proteomic approach), histology and immunohistochemistry (IHC). Firstly, phenotypical features of cHCC-CCA will be derived from direct comparison with HCC and CCA. Secondly, we will search for specific phenotypical features of cHCC-CCA in order to develop a diagnostic application and a prognostic correlation on the clinical outcomes. For this purpose, specific artificial intelligence algorithms based on deep learning will be developed to extract useful information and features from each image modality. The project will benefit from the collaboration and the expertise of computer scientists specialized in data and image analysis, pathologists, analytical chemists specialized in molecular imaging by mass spectrometry and clinicians. We aim to build a comprehensive exhaustive classification of cHCC-CCA based on their multilevel morphological features and identify prognostic subgroups allowing to propose a tailored management of patients

Sujet :
The candidate recruited will be in charge of developing and testing new models of deep neural architecture for multi-modal analysis of mass spectrometry and histopathology data.
We propose a sparing and original approach, relying on the use of a common backbone unsupervisely trained in an autoencoder. For that, we will rely on a pre-trained model that has proved its capacity to accurately identify and classify liver tumors between HCC and CCA. This model will be fine-tuned on our own dataset of pure HCC, pure CCA, and mixed tumors. To have enough data and a more robust model, patches from TMA and WSI will be used for that task. Once the autoencoder is trained, the first layers to the latent space will be kept and used to train simultaneously 3 fully connected classifiers: one to distinguish between HCC and CCA, one to evaluate the mVI and one to quantify the fibrosis of the tumor (the 3 features associated to clinical outcomes). This architecture will be trained on the annotated TMA: each TMA image will be divided into small tiles associated with the pathologist annotation. Finally, the trained models will be applied in a patch-based manner and evaluated on WSI. The evaluation will rely on the annotations provided by the pathologists. For each patch on the WSI our networks will provide a probability on the three aspects of the disease (tumor composition, mVI and fibrosis). Thus, for each WSI, we will obtain spatial information on the different features: which part of the tumor is considered as CCA or HCC, parts of the tissue that indicate that there is or not a vascular invasion and localization of the fibrosis.

Profil du candidat :
– Qualifications/knowledge:
PhD in Computer Science, specialized in machine learning.
Solid knowledge of Data Science and more particularly of supervised and unsupervised deep learning methods.
Experience in (medical) image analysis would also be valuable.

– Operational skills/expertise:
Good experience in Python programming and deep learning libraries (Keras, PyTorch…).
Good verbal (English or French) and written (English) communication skills.

– Personal qualities:
Interpersonal skills and the ability to work individually or as part of a project team.

Formation et compétences requises :
PhD in computer science, with knowledge and experience in data mining and image analysis.

Adresse d’emploi :
ICube – UMR 7357
300 boulevard Brant
67400 ILLKIRCH

Document attaché : 202310111158_Fiche_poste_anglais.pdf

Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : Groupe de recherche en informatique, image, automa
Durée : permanent
Contact : bertrand.cuissart@unicaen.fr
Date limite de publication : 2023-11-30

Contexte :
L’équipe CODAG (Contraintes, Ontologies, Données, Annotations, Graphes) est fortement susceptible de recruter un maître de conférences au printemps 2024.
CODAG est l’une des six équipes de recherche du GREYC (UMR CNRS 6072) ; elle est composée d’une petite trentaine de membres dont douze enseignants-chercheurs de l’université de Caen Normandie.
Le périmètre de recherche de l’équipe correspond à l’informatique pour la science des données, il est développé à la fin de l’annonce.

Si vous êtes intéressé par ce poste, vous pouvez initier un premier contact avec nous, via un membre de l’équipe ou via son responsable (bertrand.cuissart@unicaen.fr)
Nous pourrons ensuite échanger afin d’identifier des domaines d’intérêt communs.

N’hésitez pas à prendre contact avec nous,
Cordialement,

—
Bertrand Cuissart, pour CODAG

Sujet :

Contour de l’équipe :

L’équipe CODAG (Contraintes, Ontologies, Données, Annotations, Graphes) participe activement aux évolutions de la science des données en associant des chercheurs issus de cultures scientifiques complémentaires. Le périmètre des recherches englobe l’ensemble de la chaîne de traitement des données, depuis leur préparation jusqu’à la conception de modèles pour exprimer les résultats. Les travaux de recherche de l’équipe portent principalement sur les thèmes suivants : les approches déclaratives en optimisation sous contraintes, l’exploration de données, le traitement automatique des langues, l’ingénierie des connaissances, l’apprentissage et l’aide à la décision.

L’équipe s’investit fortement dans des projets interdisciplinaires en collaborant avec des experts d’autres domaines: des spécialistes du traitement des données sportives, de l’information chimique ou les données textuelles, parmi d’autres.

Particulièrement reconnue pour des résultats s’appuyant sur la diversité de ses compétences scientifiques, CODAG a pour objectif de poursuivre dans cette direction.

Profil du candidat :
A travers ses ses recrutements, l’équipe souhaite développer sa capacité à intégrer les techniques actuelles de l’informatique pour la science des données comme par exemple celles rencontrées en apprentissage machine, que ce soit comme objets d’étude, comme paradigme ou simplement par la pratique. Dans cette optique, nous sommes aussi intéressés par l’exploitation des petits jeux de données, la fouille interactive, l’analyse formelle de concepts, la programmation par contraintes ou la gestion ontologique des connaissances.

Formation et compétences requises :
Doctorat en informatique, qualification aux emplois de maître de conférences

Adresse d’emploi :
Campus 2, Bâtiment F, 6 Boulevard Maréchal Juin, 14000 Caen

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Laboratoires ICAR et LIRIS (Lyon)
Durée : 12 mois
Contact : frederic.armetta@univ-lyon1.fr
Date limite de publication : 2024-01-01

Contexte :
Bonjour à tous,

Nous recrutons en post-doctorat sur la thématique des agents conversationnels orientés but (apprentissage automatique, NLP (Natural Language Processing), HRI (Human-Robot Interactions), multi-modalité) à Lyon.

N’hésitez pas à rejoindre l’équipe du projet si vous êtes intéressés !

Sujet :
offre détaillée : https://partage.liris.cnrs.fr/index.php/s/5ycX9kHW4qLd7rb) pour une durée d’un an à discuter. N’hésitez pas à transmettre à toute personne qui pourrait être intéressée.

Site du projet : https://aslan.universite-lyon.fr/projet-peppermint-231695.kjsp?RH=1525438355903

Profil du candidat :
Si vous avez une expérience concernant les agents conversationnels, ou souhaitez approfondir ce thème, n’hésitez pas à candidater ici :
https://emploi.cnrs.fr/Offres/CDD/UMR5191-MAXPEN-022/Default.aspx !
(le début est prévu dès que possible, avant fin 2023 si possible, les dates de contrat peuvent être discutées et aménagées)

Formation et compétences requises :
– Expérience de l’IA et de l’apprentissage automatique (idéalement une expérience dans le domaine du NLP)
– Une Ouverture d’esprit, travail en équipe, autonomie et capacité à interagir avec d’autres disciplines comme les sciences sociales. Intérêt pour la recherche interdisciplinaire

Adresse d’emploi :
https://emploi.cnrs.fr/Offres/CDD/UMR5191-MAXPEN-022/Default.aspx

Document attaché : 202310091538_offre-postdoc-PepperMint.pdf

Offre en lien avec l’Action/le Réseau : DOING/– — –

Laboratoire/Entreprise : Université Lyon 2, Institut de la communication, L
Durée : –
Contact : jerome.darmont@univ-lyon2.fr
Date limite de publication : 2024-04-01

Contexte :
Profil du poste
Mots-clefs : apprentissage statistique, machine learning, application aux humanités numériques
Section CNU : 26, 27
Prise de poste : 01/09/2024
Localisation : Lyon, Campus de Bron

Sujet :
Profil enseignement : La personne recrutée interviendra à la fois en licence et en master Informatique, ainsi qu’en master Humanités numériques, en cours magistraux et en travaux dirigés. Les matières principales à prendre en charge seront à choisir parmi de nombreux cours : mathématiques, probabilités, statistique, apprentissage supervisé, apprentissage non
supervisé, analyse des données…

Profil recherche : Les recherches au sein du laboratoire ERIC se situent dans les domaines de la science des données et de l’informatique décisionnelle. Elles visent à valoriser les mégadonnées (big data),
notamment dans les domaines des sciences humaines et sociales (SHS).
La personne recrutée devra s’intégrer dans l’équipe DMD, dont les thématiques de recherche peuvent être classées en trois axes majeurs. Le premier axe concerne le développement de modèles et d’algorithmes d’apprentissage pour les données complexes (big data). Le second
axe, prévision et décision, est dédié à la mise au point de techniques de prévision et d’agrégation multicritère pour l’aide à la décision. Le troisième, relatif aux humanités numériques, est un axe transversal au laboratoire ERIC.

Profil du candidat :
Nous attendons de la personne recrutée qu’elle s’intègre à l’équipe, en développant des collaborations avec les membres actuels de l’équipe.
La thématique de recherche attendue est le machine learning au sens large (apprentissage statistique, apprentissage automatique), avec une vision moderne de ces approches. Des thématiques comme l’apprentissage par renforcement, l’apprentissage par transfert, le geometric learning… seraient particulièrement les bienvenues, avec un intérêt pour les
modèles frugaux et explicables. Un attrait pour les applications dans le domaine des humanités serait également un atout.

Formation et compétences requises :
Mathématiques, probabilités, statistique, apprentissage supervisé, apprentissage non supervisé, analyse des données

Adresse d’emploi :
Enseignement : Jérôme DARMONT, directeur adjoint de l’ICOM
https://icom.univ-lyon2.fr
jerome.darmont@univ-lyon2.fr

Recherche : Julien JACQUES, directeur du laboratoire ERIC
https://eric.msh-lse.fr
julien.jacques@univ-lyon2.fr

Document attaché : 202310061207_2024-univlyon2-posteMCF2627.pdf