Cette thèse aborde le défi crucial de la prédiction et de la gestion de la rétinopathie diabétique (RD), une cause majeure de perte de vision dans le monde. Compte tenu de l’augmentation prévue de la prévalence du diabète, il est urgent de disposer d’outils efficaces pour évaluer la progression de la RD. Cette recherche se concentre sur l’utilisation des modalités d’imagerie avancées et des techniques d’apprentissage profond, en particulier dans le cadre du projet ANR RHU EviRed.

En exploitant les données d’imagerie longitudinales et en intégrant l’apprentissage auto-supervisé contextuel, des modèles sensibles au temps et des tâches longitudinales augmentées, la thèse vise à développer des modèles prédictifs capables d’identifier la progression de la maladie à un stade précoce. Ces modèles sont formés pour gérer l’hétérogénéité des données cliniques et pour intégrer diverses sources de données, améliorant ainsi la précision et l’efficacité du diagnostic et de la gestion de la RD.

Mes contributions incluent le développement de modèles d’apprentissage profond sensibles au temps, l’intégration de données multi-modales et la validation de ces modèles à l’aide de vastes ensembles de données cliniques. Les résultats de cette recherche promettent d’améliorer considérablement les soins aux patients et d’optimiser les ressources de santé.