Interactions rayonnement-atmosphère en milieu urbain : modélisation avancée et analyse de leurs effets sur le rafraîchissement

Doctorant : Félix SCHMITT

Laboratoire INSA : CETHIL

École doctorale : ED162 : MEGA de Lyon (Mécanique, Energétique, Génie civil, Acoustique)

Avec l'urbanisation mondiale croissante et des vagues de chaleur de plus en plus intenses et fréquentes, la surchauffe urbaine a des conséquences délétères sur le confort et la santé des citadins. Prédire les conditions microclimatiques urbaines est dès lors crucial pour comprendre et atténuer cette surchauffe. Ce travail de thèse propose un modèle micro-météorologique avancé, capable de simuler les interactions entre rayonnement infrarouge thermique (IRT) et atmosphère urbaine à micro-échelle. Il s’agit du couplage entre un solveur CFD basé sur la méthode de Boltzmann sur réseau et la simulation des grandes échelles, et un solveur IRT en milieu participant. Le solveur IRT est d’abord appliqué dans une rue canyon dont les parois sont plus chaudes que l'air. Les résultats montrent que le flux IRT moyen absorbé aux parois est surestimé de 4 à 12 W/m2 en considérant l'air comme transparent, pour un rapport d'aspect compris entre 0,75 et 2,4. Des simulations de convection mixte sont ensuite réalisées dans une rue canyon à échelle réduite, dont les parois sont chauffées, démontrant la capacité du solveur à reproduire les caractéristiques moyennes et turbulentes de l'écoulement mixte et des transferts de chaleur, par comparaison des solutions à des mesures en soufflerie. Enfin, des simulations micro-météorologiques couplées IRT- CFD dans une rue canyon à échelle réelle, sous des conditions météorologiques réalistes, sont effectuées afin d’évaluer l’impact des interactions IRT/air sur l’écoulement et le rafraîchissement de la rue après le coucher du soleil. Les résultats indiquent que l'écoulement mixte n’est pas affecté par les interactions. Le refroidissement moyen de surface est 4 à 8 % plus rapide avec les interactions. L'ensemble de ce travail conforte la pertinence d'un niveau de modélisation élevé dans une configuration de rue pour l'étude dynamique des microclimats urbains sous l'influence des interactions IRT/atmosphère.

Selon les données du 6ᵉ rapport du GIEC, le changement climatique est la plus grande menace pour la santé humaine. Maladies cardiovasculaires causées par les hausses des températures, maladies respiratoires liées à la pollution atmosphérique, maladies animales transmissibles à l’homme causées par l’effondrement de la biodiversité et l’agriculture intensive, ou encore problèmes de santé mentale, avec le développement de troubles anxieux et des traumatismes causés par les catastrophes naturelles. Toutes ces maladies de société ont un trait commun : « Elles sont intrinsèquement liées aux nouveaux modes de vie de nos sociétés industrialisées. C’est un constat difficile, dont il ne faut pas se détourner », ont affirmé Marianne Chouteau et Adina Lazar, enseignantes chercheuses à l’INSA Lyon. À l’occasion du deuxième séminaire « Let’s look up! » en mai dernier, le collectif de chercheurs et d’enseignants-chercheurs de l’INSA Lyon et de l'Université Lyon 1 ont exploré cette thématique.
 
Le cas des zoonoses
Les dernières décennies ont montré une accélération dans l’émergence de zoonoses, ces maladies qui passent de l’animal à l’homme. Déjà identifié depuis le Néolithique, il est désormais connu que ce mécanisme de contamination peut être à l’œuvre dans différents cas : lors d’un contact direct avec un animal contaminé ; par l’intermédiaire de l’environnement (eau, sols) ; par l’intermédiaire d’un animal vecteur ; ou encore par la consommation d’aliments d’origine animale contaminés. C’est avec la présentation détaillée de cette pathologie bovine que débute la présentation de Thierry Baron¹,chef de l’Unité Maladies Neurodégénératives de Lyon. Après des années de recherches sur les maladies à prions, il dirige aujourd’hui des études sur la maladie de Parkinson et autres variants. À travers ses travaux, il a pu montrer que le développement de cette maladie pouvait être favorisé par l’exposition à divers composés naturels ou artificiels comme les pesticides. « Les maladies à prions sont, dans la plupart des cas, considérées comme sporadiques, et leur cause est inconnue. Mais parfois des clusters de malades sont observés localement, il est alors possible d’aller rechercher les déterminants possibles de ces maladies par des enquêtes de terrain », explique le directeur de recherches de l’ANSES.
 
Environnement et technologie : les autres déterminants de la santé
Dans les années quatre-vingt, la crise de la vache folle avait sévi en Europe, causé notamment par la concentration d’animaux d’élevage. La crise avait entraîné des victimes humaines, des milliers de vaches abattues et une crise économique pour la filière bovine, conséquences d’un changement du procédé industriel de fabrication de farines animales. La baisse de la température de cuisson, qui visait à optimiser la qualité nutritive, limiter le coût de production, et réduire l’impact sur l’environnement et le personnel technique, a conduit à une crise de grande ampleur. Ainsi, dans le cas de la crise de la vache folle, la barrière de l’espèce a été franchie : le prion est passé du mouton à la vache, puis de la vache à l’homme via l’alimentation causant 28 décès recensés et confirmés. Intrinsèquement liée à l’organisation industrielle, cette crise a souligné les limites de la logique de performance de nos sociétés. « C’est une illustration de la nécessité de considérer la santé de façon globale. La logique productiviste s’est construite sur une rupture complète de l’homme avec son écosystème. Aujourd’hui, on le sait : les déterminants de la santé humaine ne sont pas seulement d'ordre biologique et social, mais aussi d'ordre environnemental et technologique », explique Nicolas Lechopier, maître de conférences à l’Université Lyon 1 en philosophie spécialiste d’éthique de la santé publique et animateur des débats lors de ce séminaire.  
 
Des territoires sacrifiés à l’industrie du pétrole
Gwenola Le Naour, maîtresse de conférences à Sciences Po Lyon, est spécialiste de l’histoire des pollutions et des mobilisations pour la santé. Elle a souligné le rôle crucial des savoirs de ces habitants vivants sur des territoires sacrifiés par les activités industrielles, dans la dénonciation des effets sur leur santé. « On a vu apparaître, dans l’histoire des pollutions et des mobilisations pour la santé, des sources nouvelles – enquêtes et luttes des travailleurs et des riverains, éclairant les dégâts environnementaux et sanitaires et les luttes pour la santé environnementale. Par exemple, dans les territoires pétroliers au 20ᵉ siècle, les plaintes des populations qui vivent dans ces zones industrielles sont systématiquement disqualifiées, car perçues comme non scientifiques. Cependant, elles parviennent à mobiliser et à produire des savoirs leur permettant de contester les stratégies entrepreneuriales menaçant leurs lieux de vie », a expliqué la chercheuse qui s’est également intéressée dans un prisme plus contemporain, aux mobilisations contre la pollution du sud Lyonnais.
 
En organisant le cycle de séminaires « Let’s look up! », le collectif de chercheurs et d’enseignants-chercheurs de l’INSA Lyon et de l'Université Lyon 1 souhaitent questionner le concept “One health” à travers différentes voies. « En questionnant les liens entre la santé humaine, la santé animale et l’environnement, nous souhaitons repenser nos pratiques de recherches quotidiennes. Nous sommes issus de la biologie et des Sciences Humaines et Sociales (SHS), mais nous avons bon espoir de diffuser l’importance du vivant auprès de nos collègues, en lui laissant la capacité de se restaurer, et retrouver un équilibre. Pour citer Baptiste Morizot, philosophe et maître de conférences, ‘le vivant actuel, ce n’est pas une cathédrale en flammes, c’est un feu qui s’éteint. Et le défendre, ce n’est pas le rebâtir comme une cathédrale en ruine, c’est l’aviver’. »  

 

 

[1] Thierry Baron, DR ANSES, est chef de l’unité de l’Unité Maladies Neurodégénératives de Lyon et responsable du laboratoire National de Référence sur les maladies à prions des ruminants.

Deep brain unsupervised anomaly detection model based on multimodality imaging

Doctorante : Daria ZOTOVA

Laboratoire INSA : CREATIS

Ecole doctorale : ED160 EEA

L'épilepsie touche environ 65 millions de personnes dans le monde, nécessitant pour certains une intervention chirurgicale dépendante de la localisation précise de la zone épileptogène. Cette thèse vise à améliorer la détection des lésions épileptogènes via un système de diagnostic assisté par ordinateur (CAD), en utilisant des données neuroimagerie multimodales. Elle propose l'utilisation de réseaux siamois non supervisés avec des modèles SVM à classe unique pour identifier les anomalies dans les scans cérébraux, initialement testés sur des IRM T1 et FLAIR.
Une contribution majeure est le développement de méthodes pour générer des images PET synthétiques à partir de scans IRM T1, améliorant les capacités de détection du système CAD et abordant le défi des modalités manquantes en utilisant ces images synthétiques comme remplacement des données PET réelles. Cette approche permet une intégration multimodale efficace pour la détection de zones épileptogènes.
La première partie de la thèse examine les avancées dans l'apprentissage profond pour l'imagerie médicale et les stratégies d'intégration des données. La seconde partie détaille les expériences sur la synthèse PET et l'amélioration de la performance du modèle CAD avec l'intégration des données PET synthétiques. Ce travail avance le domaine de l'imagerie médicale dans la recherche sur l'épilepsie et propose des pistes pour améliorer la détection des lésions et les résultats chirurgicaux.

Multi-Objective Optimization in Short and Mid-term Home Health Care Planning

Doctorante : Jiao ZHAO

Laboratoire INSA : DISP

Ecole doctorale : ED512 Infomaths

L'industrie des Soins de Santé à Domicile (SSD) offre des soins essentiels aux personnes âgées, handicapées et malades chroniques, financée par l'assurance sociale et la fiscalité. Les entreprises SSD doivent planifier efficacement pour maximiser l'utilisation des ressources et assurer des soins de qualité.
Dans les entreprises de SSD, les gestionnaires acceptent un nombre limité de patients, évaluant leur niveau de dépendance et planifiant leurs services hebdomadaires. Les soignants, internes et externes, visitent les patients selon des itinéraires et horaires définis. L'objectif est de créer ces itinéraires et horaires tout en considérant le nombre de soignants différents. Une approche de programmation linéaire en nombres entiers mixtes est utilisée, intégrant une recherche de grand voisinage dans un cadre de recherche locale améliorée. Les résultats montrent une performance supérieure à la méthode augmentée de contrainte et enfin des recommandations de gestion sont données.
Suite à la planification hebdomadaire en soins à domicile, des incertitudes liées aux temps de service peuvent survenir, affectant la qualité du service. Pour y remédier, nous introduisons un problème d'optimisation bi-objectif pour la planification et le routage incertains. Nous proposons des versions déterministes et stochastiques d'une recherche adaptative de grand voisinage intégrée dans un cadre de recherche locale multidirectionnelle améliorée, offrant une efficacité supérieure comparée au Solveur Gurobi. La robustesse de notre modèle et méthode est confirmée par une analyse de sensibilité. Enfin, l'application pratique de cette méthode est démontrée par un cas réel, accompagnée de recommandations managériales.
 

Apprentissage profond de variétés pour une meilleure caractérisation de l'hypertension artérielle en imagerie échocardiographique

Doctorant : Nathan PAINCHAUD

Laboratoire INSA : CREATIS
École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

L'hypertension artérielle est une maladie cardiovasculaire répandue, affectant plus de 1,2 milliard de personnes dans le monde. Son diagnostic est difficile en raison de la variété des symptômes et du manque d'outils d'analyse rapides et précis. Cette thèse propose une méthode d'apprentissage automatique pour analyser les données médicales, particulièrement les images échocardiographiques, et extraire des informations pertinentes pour le diagnostic de l'hypertension. Les méthodes proposées combinent des modèles d'apprentissage automatique avec des techniques d'apprentissage de représentation pour garantir la cohérence des prédictions et améliorer leur interprétabilité. Des descripteurs de forme et de déformation sont extraits des images segmentées et combinés avec des données des dossiers médicaux électroniques. Un transformeur multimodal est utilisé pour apprendre une représentation commune de ces données, capable de mettre en évidence le continuum pathologique de l'hypertension. L'application de la méthode à une population de patients a permis de détecter des profils subtils de formes et de déformations corrélés avec l'hypertension. Ces résultats ouvrent la voie à de nouvelles études sur les mécanismes pathologiques de l'hypertension et à l'amélioration du diagnostic de la maladie.

Deuxième séminaire organisé dans le cadre du projet let’s look up “Ingénierie et recherche par le prisme du concept One health” soutenu par la Maison des Sciences de l’Homme Lyon-Saint-Etienne (MSH-LSE) et l’Institut des systèmes complexes (IXXI).

Nous accueillerons Thierry Baron, Directeur de recherche à l'ANSES et chef de l’unité de l’Unité Maladies Neurodégénératives de Lyon. Il nous parlera notamment de la maladie de Parkinson, exemple emblématique qui permet d’illustrer les interactions complexes entre la susceptibilité de l’hôte et les facteurs environnementaux multiples qui peuvent favoriser ou au contraire limiter l’apparition de la maladie lors du vieillissement.

Puis Gwenola Le Naour, maîtresse de conférences en science politique à Sciences Po Lyon et co-auteure du livre « Vivre et lutter dans un monde toxique », présentera les impacts des pollutions sur la santé et les mobilisations qui en découlent, à partir d'études menées dans différentes régions du monde.

Nicolas Lechopier, maître de conférences, au laboratoire S2HEP et enseignant à la Faculté de Médecine Lyon Est jouera le rôle de “discutant” avec les conférenciers et le public.

Les conférences seront également accessibles en visioconférence.

Interprétabilité des réseaux de neurones profonds et segmentation faiblement supervisée des lésions cérébrales sur IRM

Doctorante : Valentine WARGNIER

Laboratoire INSA : CREATIS

Ecole doctorale : ED205 : Interdisciplinaire Sciences Santé

L’imagerie médicale est un outil fondamental pour diagnostiquer les maladies, suivre leur évolution mais aussi comprendre leur fonctionnement afin de mieux les soigner. L’imagerie par résonance magnétique est une méthode de choix pour visualiser le cortex cérébral et ses pathologies comme la sclérose en plaques, une maladie auto-immune inflammatoire et démyélinisante qui est la première cause de handicap non traumatique chez les jeunes adultes, ou encore les gliomes, qui sont les tumeurs primitives cérébrales les plus courantes.
Pour analyser ces images de manière automatique, les méthodes basées sur l’apprentissage profond présentent de très bonnes performances pour différents types de tâches comme la classification ou la segmentation. Ces méthodes automatiques apportent aux cliniciens une pré-analyse très utile dans leurs études ou diagnostics. Cependant, elles nécessitent beaucoup de données pour leur entraînement. Dans le cas des méthodes de segmentation supervisées, les annotations manuelles nécessaires pour chaque image sont très coûteuses. Le développement de méthodes faiblement ou non- supervisées performantes, ne nécessitant pas ou peu d’annotations manuelles, est donc nécessaire. En outre, dans un domaine critique comme celui de la médecine, il est important que les décisions des réseaux soient explicables et s'appuient sur les signes radiologiques de la pathologie présents dans l’image et utilisés par les cliniciens. Or, les réseaux de neurones profonds sont, de par leur grand nombre de paramètres et les interconnexions non linéaires dont ils sont composés, difficiles à expliquer. Proposer des réseaux explicables et interprétables est donc une problématique forte pour l'analyse d’images médicales par apprentissage profond. Dans cette thèse, nous avons abordé ces deux thématiques. En nous focalisant sur une tâche de classification entre des images de sujets sains et des images de patients (notamment atteints de sclérose en plaques ou de gliomes), nous avons montré que la décision des classifieurs de l’état de l’art n’est pas forcément pertinente et en accord avec les aprioris médicaux. Cela peut avoir de lourdes conséquences : pour du diagnostic, l'utilisation de tels classifieurs biaisés n'est pas raisonnable et lorsqu’ils sont utilisés au sein d’autres modèles, comme les modèles génératifs, cela peut faire chuter les performances. Nous avons donc proposé des classifieurs plus interprétables avec une décision davantage basée sur les signes radiologiques de la pathologie considérée. Trois solutions ont été proposées. Tout d’abord, nous avons normalisé l’entrée des réseaux de neurones afin d’éliminer les biais présents dans l’image et qui peuvent être utilisés par les réseaux classiques pour prendre leur décision. Ensuite, nous avons contraint les classifieurs au cours de leur entraînement en utilisant les cartes d’attributions, des méthodes de l’état de l'art permettant d’identifier les zones de l’image d’entrée utilisées par le réseau pour prendre sa décision. Enfin, nous avons utilisé des réseaux intrinsèquement explicables : les réseaux monotones. Nous avons notamment proposé une méthode pour transformer n’importe quelle architecture en réseau monotone alors que les réseaux monotones de l’état de l’art étaient limités à des architectures de très faible profondeur. Avec ces réseaux de classification interprétables ne disposant que du label de l'image à l'entraînement, nous pouvons réaliser une segmentation faiblement supervisée des lésions cérébrales, la décision étant basée sur ces dernières.
 

 

 

 

Détection et description de points clés par apprentissage en vue d'un recalage à grande échelle

Doctorant : Nicolas LOISEAU

Laboratoire INSA : CREATIS
Ecole doctorale : ED160 EEA

Les hôpitaux génèrent de plus en plus d'images médicales en 3D. Ces volumes nécessitent un recalage automatique, en vue d'être analyser de manière systématique et à grande échelle. Les points clés sont utilisés pour réduire la durée et la mémoire nécessaire à ce recalage et peuvent être détectés et décrits à l'aide de différentes méthodes classiques, mais également à l'aide de réseaux neuronaux, comme cela a été démontré de nombreuses fois en 2D. Cette thèse présente les résultats et les discussions sur les méthodes de détection et de description de points clés à l'aide de réseaux neuronaux 3D. Deux types de réseaux ont été étudiés pour détecter et/ou décrire des points caractéristiques dans des images médicales 3D. Les premiers réseaux étudiés permettent de décrire les zones entourant directement les points clés, tandis que les seconds effectuent les deux étapes de détection et de description des points clés en une seule fois.

Et s’il était possible, grâce à l’intelligence artificielle, de soulager les pressions opérationnelles des équipes soignantes et offrir une meilleure qualité de suivi aux patients en prédisant leurs parcours de soins ?​ C’est le sujet qui a occupé Alice Martin, désormais docteure, lors de sa thèse menée au laboratoire DISP¹. Alors que les structures de santé françaises rencontrent des difficultés structurelles, celles-ci tentent d'améliorer la prise en charge des patients notamment en cas de maladies chroniques. Pour anticiper l’évolution de la consommation des actes thérapeutiques, Alice Martin a cherché à comprendre les aspects du profil des patients à travers la donnée. 

Aujourd’hui, les structures de santé rencontrent des difficultés structurelles dans l'organisation des soins et la prise en charge de leurs patients. Quelles sont-elles ?
L’accès aux soins souffre de fractures multiples : augmentation du nombre de maladies chroniques, vieillissement de la population, fracture territoriale dans l'accès aux soins médicaux, pressions financières et recherche d’efficience à tout prix… Beaucoup de structures de santé tentent de s’adapter à ces transformations en optimisant les parcours patients, notamment grâce à la prédiction des évènements cliniques. Cela suppose de mieux comprendre les patients pour leur proposer des prises en charge adaptées à leurs besoins et à leur profil clinique. D’autre part, il y a une disponibilité croissante des données de santé et une meilleure applicabilité de l’intelligence artificielle. Près de 30 % des données stockées dans le monde sont des données de santé et l’exploitation de celles-ci peuvent aider notamment  à assurer la viabilité du système de santé français, qui n’a pas de visée de rentabilité.

Durant votre thèse, vous avez travaillé à cette prédiction des parcours patients. Comment mieux prévoir et soulager les structures dans leurs organisations ? 
Pour anticiper des évènements cliniques sur un profil de patient donné, il a fallu étudier de près beaucoup de données médico-économiques. Ces données, notamment celles issues de la facturations des hôpitaux, sont très révélatrices des parcours de soins. Elles permettent de recomposer la trajectoire suivie des patients, grâce à l’intelligence artificielle qui offre d’excellentes perspectives d’analyse, de modélisation et d’interprétation. Nous avons étudié deux cas d’application. Le premier avec les Hospices Civils de Lyon, autour des troubles neurocognitifs comme l’Alzheimer. Nous avions accès à une base de données de suivi très riche qui, croisée avec les données de l’assurance maladie, ont donné un maillage très précis. Cela nous a permis d’identifier des profils types et d’établir des liens entre le profil et des évènements qui pourraient affecter le parcours de santé. Le deuxième cas d’application concernait un hôpital où l’enjeu était de réduire la variation des besoins en soins de patients traités à domicile, lors de situation de soins palliatifs ou de polyhandicap par exemple. Malheureusement, nous n’avons pas pu donner de suite concrète aux travaux avec cet organisme de santé, mais nous aurions souhaité développer une interface d’aide à la prise de décision pour les personnels soignants. 

Des applications réelles de ce type de prédiction sont donc possibles pour les organisations de santé ? 
Bien sûr, l’usage des algorithmes pour les organisations de santé n’est pas nouveau, mais dans notre cas, une réelle application pose plusieurs questions. D’abord, il faut s’assurer de pouvoir obtenir des données de santé de qualité, pouvant varier d’un établissement ou d’un service à un autre. Ensuite, il existe toujours des biais : ces données sont-elles représentatives de la réalité ? Les biais de représentations et de réplications de nos propres stéréotypes s’appliquent aussi ici. Sur les données que j’ai traitées, il y a eu une situation assez révélatrice : à l’occasion d’un questionnaire visant à évaluer le niveau de dépendance de patients atteints de trouble neurocognitifs, une série de questions les interrogeait sur leurs habitudes à faire le ménage, la lessive ou la vaisselle. De prime abord et au regard de ces questions, les patients de sexe masculin semblaient assez dépendants, alors qu’en réalité, ces patients n’avaient jamais été habitués à ces tâches quotidiennes durant toute leur vie. Avec ces seules données, on aurait tendance à surestimer la dépendance des hommes, alors qu’en réalité, ça n’est qu’un mode de vie qui se reflète. Face à ces biais, il faut être attentif pour pouvoir y apporter des corrections. Aussi, dans notre cas, nos IA généralisent et s’adaptent assez mal à de nouveaux contextes ; difficile pour elles de prévoir des évènements comme la crise Covid par exemple. Plus loin encore se pose la question de la responsabilité juridique de l’algorithme : à partir du moment où l’on décide de son implémentation au sein d’un hôpital, qui doit porter la responsabilité des résultats ? En fait, il y a beaucoup de problématiques qui dépassent la vision académique et qui peuvent poser énormément de freins à l’adoption même si nos travaux ont ouvert beaucoup de perspectives en matière de soutien au corps médical et à la qualité de prise en charge des patients.

 

[1] Decision & Information Systems for Production systems (INSA Lyon/ Lyon 2/Lyon 1/Université Jean Monnet)

Dans le cadre du projet let’s look up! Ingénierie et recherche par le prisme de la santé globale soutenu par la Maison des Sciences de l’Homme Lyon-Saint-Etienne (MSH-LS) et l’Institut des systèmes complexes (IXXI), nous organisons un cycle de séminaires pluridisciplinaires de décembre 2023 à décembre 2025

Ces séminaires visent à sensibiliser la communauté des chercheurs au concept de santé globale questionnant les liens santé humaine-santé animale-environnement.

Lors de ce premier séminaire, nous vous invitons à interroger nos pratiques de recherches quotidiennes avec les conférenciers, Claire Harpet, Aurore Toulou, Pablo Jensen et Yves Gingras.

Entrée gratuite, mais inscription obligatoire (webinaire et présentiel).