IMENE GHOUDELBOURK

– Traitement de données transcriptomiques spatiales et d'imagerie pour des tumeurs ORL à l'aide de la librairie Scanpy. – Conception et entraînement d'un modèle prédictif Random Forest robuste pour l'annotation automatique et la classification des types cellulaires. – Modélisation Multimodale: Alignement et corrélation de données d'imagerie complexes (Bioimaging) avec des données de séquençage génomique hétérogènes. – Analyse exploratoire : Réduction de dimensionnalité via des algorithmes PCA et UMAP pour interpréter et visualiser l'hétérogénéité cellulaire au sein du microenvironnement tumoral.

– Ingénierie des données textuelles : Prétraitement, nettoyage et tokenisation de corpus massifs de données textuelles médicales et de rapports cliniques (NLTK, Scikit-learn). – Architecture de Deep Learning : Conception, entraînement et comparaison de modèles supervisés complexes : BERT, réseaux de neurones convolutifs (CNN) et LSTM. – Application clinique : Implémentation réussie d'un classifieur automatique d'interventions pharmaceutiques pour structurer l'information médicale et optimiser l'aide à la décision. – Évaluation : Analyse fine des performances des modèles (F1-score, courbes ROC) pour garantir la viabilité clinique des prédictions.

– Web Scraping & Constitution de base de données : Extraction de milliers de commentaires patients (BeautifulSoup, Selenium) pour créer un corpus d'étude structuré sur le Levonorgestrel. – NLP & Prétraitement de données hétérogènes : Nettoyage et normalisation de données textuelles cliniques complexes (Pandas) et implémentation d'un pipeline d'analyse de sentiment. – Analyse statistique & Restitution: Visualisation des tendances cliniques, des avis patients et des corrélations d'effets secondaires (Seaborn, Matplotlib).