Stage M2 – Machine Learning appliqué aux données cliniques (Temporal Fusion Transformer)

Contexte scientifique

• L’intelligence artificielle et le deep learning sont appliqués à l’analyse des données biomédicales et des séries temporelles issues des services de réanimation (signes vitaux, scores cliniques, traitements, examens biologiques).
• Le projet vise à exploiter et adapter le modèle Temporal Fusion Transformer (TFT) pour la prédiction d’événements cliniques en réanimation, en s’appuyant sur des bases de données cliniques harmonisées.

Objectifs du stage

• Prétraitement des données cliniques : structuration des séries temporelles, robustesse des données et encodage des variables d’intérêt.
• Implémentation, calibration et optimisation du modèle TFT : adaptation aux spécificités biomédicales, recherche d’hyperparamètres et validation croisée.
• Analyse de sensibilité et interprétabilité : étudier l’impact des variables d’entrée, identifier les facteurs cliniques les plus influents et exploiter les mécanismes d’attention pour produire des visualisations cliniquement pertinentes.
• Optimisation du pipeline : améliorer la robustesse, le temps de calcul et la précision via des techniques d’optimisation.

Profil recherché

• Étudiant(e) en Master 2 ou dernière année d’école d’ingénieur, spécialisation IA, data science ou mathématiques appliquées ; inscrit dans un établissement d’enseignement supérieur français ou européen.
• Compétences attendues : solide formation en machine learning / deep learning, maîtrise de Python, bibliothèques de manipulation de données (NumPy, pandas, Matplotlib, Seaborn) et frameworks ML (PyTorch, PyTorch Lightning, scikit-learn, Optuna).
• Autres qualités : aisance avec Git, travail en binôme, intérêt marqué pour les applications biomédicales, autonomie, rigueur, esprit critique et curiosité scientifique.

Cadre du stage et encadrement

• Lieu : Centre Hospitalier Universitaire de La Réunion – Site Nord.
• Début : dès que possible, au plus tard janvier ou février 2026 ; Durée : 5–6 mois (stage long avec possibilité de valorisation scientifique).
• Encadrement : co-supervision par le Data Scientist Tristan Barennes et le Pr. Cyril Ferdynus.
• Valorisation possible : publication scientifique, présentation en conférence, intégration dans un projet de recherche plus large.

Informations complémentaires

• Le stage s’inscrit dans des projets de recherche en cours et implique une collaboration étroite avec le data scientist encadrant et potentiellement des cliniciens pour orienter les analyses.
• Références bibliographiques et bases de données citées dans l’annonce (études et articles sur données ICU, TFT et jeux de données harmonisés) pour guider les travaux et les approches méthodologiques.

📧 Pour postuler: cyril.ferdynus@chu-reunion.fr