La chimiométrie est aujourd'hui un domaine reconnu de la chimie analytique. Ces trente dernières années nous ont ainsi permis de démontrer son potentiel pour le traitement de données expérimentales complexes issues de nombreuses techniques de caractérisation mettant en œuvre les outils de l'apprentissage machine (machine learning). L'imagerie spectroscopique au sens large, générant des masses de données toujours plus importantes, a particulièrement profité de ces concepts [1]. Avec le recul, nous pouvons dire que nous sommes aujourd'hui capables d'extraire de nombreuses informations chimiques à partir des données spectrales acquises mais néanmoins sans véritablement exploiter les informations spatiales intrinsèquement incluses. Le but de cette thèse sera ainsi d'investiguer le potentiel des approches d'intelligence artificielle (IA) développées ces dernières années, devant par construction mieux prendre en compte toutes les caractéristiques des données massives acquises en imagerie spectroscopique. Plus spécifiquement, nous nous intéresserons en premier lieu aux concepts de l'apprentissage profond (deep learning) avec les emblématiques réseaux de neurones profonds [2] (deep neural networks) appliquées à des données d'imagerie des spectroscopies LIBS (Laser Induced Breakdown Spectroscopy), Raman et de Fluorescence pour l'exploration d'échantillons biologiques complexes dans le domaine du diagnostic médical mais aussi dans le cadre de la recherche d'éléments stratégiques dans les phases minérales. Cette thèse sera aussi une opportunité d'évaluer les apports d'un nouveau concept d'IA sur ces mêmes explorations spectrales, à savoir les grands modèles de langage [3] (Large Language Models) qui révolutionneront sans aucun doute de nombreux domaines scientifiques dans un futur très proche. La diversité des techniques d'imagerie, des problématiques et des outils d'explorations envisagés dans cette thèse devrait ainsi nous permettre de faire une évaluation objective de ces concepts d'IA pour l'exploration des données spectroscopiques massives.



Références :

[1] V.H.C. Ferreira, V. Gardette, B. Busser, L. Sancey, S. Ronsmans, V. Bonneterre, V. Motto-Ros, L. Duponchel, Enhancing Diagnostic Capabilities for Occupational Lung Diseases Using LIBS Imaging on Biopsy Tissue, Anal. Chem. 96 (2024) 7038–7046. https://doi.org/10.1021/acs.analchem.4c00237.

[2] P. Dehbozorgi, L. Duponchel, V. Motto-Ros, T. Bocklitz, Enhancing Prediction Stability and Performance in Libs Analysis Using Custom Cnn Architectures, (2024). https://doi.org/10.2139/ssrn.4945459.

[3] L. Duponchel, R. Rocha De Oliveira, V. Motto-Ros, Large Language Models (such as ChatGPT) as Tools for Machine Learning-Based Data Insights in Analytical Chemistry, Anal. Chem. (2025) acs.analchem.4c05046. https://doi.org/10.1021/acs.analchem.4c05046.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Chemometrics is now a well-established field within analytical chemistry. Over the past thirty years, it has demonstrated its potential for processing complex experimental data derived from various characterization techniques, leveraging machine learning tools. Spectroscopic imaging, in its broadest sense, which generates ever-growing volumes of data, has particularly benefited from these concepts [1]. With hindsight, we can say that we are now capable of extracting extensive chemical information from acquired spectral data. However, we are still not fully exploiting the spatial information intrinsically embedded within it. The goal of this thesis is therefore to explore the potential of Artificial Intelligence (AI) approaches developed in recent years, which, by design, should better account for all the characteristics of massive datasets acquired in spectroscopic imaging. More specifically, we will first focus on deep learning concepts, particularly deep neural networks [2], applied to imaging data from LIBS (Laser-Induced Breakdown Spectroscopy), Raman, and Fluorescence spectroscopies. These methods will be used to explore complex biological samples for medical diagnostics as well as for the search for strategic elements in mineral phases. This thesis will also serve as an opportunity to assess the contribution of a new AI paradigm in these spectral explorations: Large Language Models (LLMs) [3], which will undoubtedly revolutionize numerous scientific fields in the near future. The diversity of imaging techniques, challenges, and exploratory tools considered in this thesis should enable us to conduct an objective evaluation of these AI concepts for the analysis of massive spectroscopic data.



References:

[1] V.H.C. Ferreira, V. Gardette, B. Busser, L. Sancey, S. Ronsmans, V. Bonneterre, V. Motto-Ros, L. Duponchel, Enhancing Diagnostic Capabilities for Occupational Lung Diseases Using LIBS Imaging on Biopsy Tissue, Anal. Chem. 96 (2024) 7038–7046. https://doi.org/10.1021/acs.analchem.4c00237.

[2] P. Dehbozorgi, L. Duponchel, V. Motto-Ros, T. Bocklitz, Enhancing Prediction Stability and Performance in Libs Analysis Using Custom Cnn Architectures, (2024). https://doi.org/10.2139/ssrn.4945459.

[3] L. Duponchel, R. Rocha De Oliveira, V. Motto-Ros, Large Language Models (such as ChatGPT) as Tools for Machine Learning-Based Data Insights in Analytical Chemistry, Anal. Chem. (2025) acs.analchem.4c05046. https://doi.org/10.1021/acs.analchem.4c05046.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://lasir.cnrs.fr/emplois-stages/

Funding category: Contrat doctoral

Concours pour un contrat doctoral