Data Scientist & Ingénieure en IA

Intégration de l'équipe de recherche et développement pour optimiser l'analyse de données d'imagerie tumorale et la classification cellulaire via des approches multimodales.

• Traitement et analyse de données transcriptomiques spatiales et d'imagerie pour des tumeurs ORL en utilisant la librairie Scanpy.
• Conception et entraînement d'un modèle prédictif Random Forest robuste pour l'annotation automatique et la classification des types cellulaires.
• Implémentation d'une approche de modélisation multimodale alignant et corrélant des données d'imagerie complexe (Bioimaging) avec des données de séquençage génomique hétérogènes.
• Réalisation d'une analyse exploratoire approfondie du microenvironnement tumoral grâce à la réduction de dimensionnalité (PCA et UMAP) pour interpréter l'hétérogénéité cellulaire.

Participation au projet collaboratif hôpital/pharmacie pour développer une solution d'aide à la décision clinique par classification automatique d'interventions pharmaceutiques via des approches de Deep Learning.

• Réalisation de l'ingénierie des données textuelles : prétraitement, nettoyage et tokenisation de corpus massifs de rapports cliniques et de données médicales.
• Conception et entraînement de modèles supervisés complexes : BERT, réseaux de neurones convolutifs (CNN) et architectures LSTM pour la classification de textes cliniques.
• Implémentation d'un classifieur automatique d'interventions pharmaceutiques permettant de structurer l'information médicale et d'optimiser l'aide à la décision clinique.
• Réalisation d'une évaluation fine des performances des modèles (F1-score, courbes ROC) pour garantir la viabilité clinique des prédictions.

Contribution au projet d'analyse de sentiment appliqué aux données de santé en constituant une base de données de retours patients et en modélisant les tendances cliniques associées.

• Réalisation du web scraping pour extraire des milliers de commentaires patients (BeautifulSoup, Selenium) et créer un corpus d'étude structuré sur le Levonorgestrel.
• Effectuation du prétraitement et de la normalisation de données textuelles cliniques complexes et hétérogènes (Pandas).
• Implémentation d'un pipeline complet d'analyse de sentiment sur les données de santé.
• Visualisation des tendances cliniques, des avis patients et des corrélations d'effets secondaires (Seaborn, Matplotlib).