Histoires post-universitaires
Chi-Kuang Yeh explore de nouvelles approches de modélisation pour le diagnostic précoce de la maladie d’Alzheimer
Le projet de recherche de Chi-Kuang Yeh, intitulé « Semi-supervised Learning for High-dimensional Functional Data Integration with Measurement Error », explorera de nouvelles approches de modélisation pour traiter des données de grande dimension et fonctionnelles à grande échelle collectées avec différents appareils (et souvent contaminées par erreur de mesure). Il appliquera les méthodologies proposées pour identifier des biomarqueurs d’imagerie et génétiques clés pour le diagnostic précoce de la maladie d’Alzheimer.
Programme : Bourse postdoctorale distinguée de l’INCASS
Région : National
Date : 2023–2025
Domaines d’intervention du projet
Dans l’étude ADNI (Alzheimer’s Disease (AD) Neuroimaging Initiative), des ensembles de données d’imagerie, cliniques, génétiques et démographiques de patients sont collectés. Cependant, étant donné que les procédures de collecte de données sont effectuées pour différents groupes, lorsque nous tentons d’intégrer des données provenant de plusieurs sources, les différences de qualité des données peuvent être un facteur de confusion potentiel et entraîner un biais des estimateurs intéressés.
Les principaux objectifs de la recherche proposée sont de développer des méthodes d’apprentissage statistique puissantes et innovantes et des outils de calcul capables de gérer systématiquement différents mécanismes d’erreur de mesure et de mauvaise classification apportés par les ensembles de données multisources/multimodalités. Le projet abordera les défis méthodologiques et informatiques de l’intégration des données, notamment la haute dimensionnalité, les covariables fonctionnelles, l’erreur de mesure et l’efficacité statistique.
L’équipe du projet s’intéresse particulièrement à l’identification de biomarqueurs d’imagerie et génétiques clés pour le diagnostic précoce de la MA où les données d’imagerie sont de qualités différentes pour certains sujets.
Apprendre à connaître Chi-Kuang
Chi-Kuang Yeh a obtenu son doctorat en statistique de l’Université de Waterloo en 2023.
Son programme de recherche s’articule principalement autour de deux directions : la conception optimale (OD) et l’analyse des données fonctionnelles (FDA). Pour OD, il se concentre sur la proposition d’algorithmes de calcul flexibles et rapides pour résoudre numériquement les problèmes d’OD, avec un accent particulier sur la robustesse des résultats et les applications pour les études sur les médicaments. Quant à la FDA, il a développé de nouvelles méthodes statistiques sur des courbes densément observées. L’efficacité de ces méthodes a été démontrée dans des applications à la sélection de modèles pour les courbes de prix journaliers de l’électricité.
Chi-Kuang a plus d’une décennie d’expérience en tant qu’assistant d’enseignement et note qu’il a toujours eu un vif intérêt pour l’enseignement, car cela offre la possibilité d’avoir un impact positif sur les autres dans une discipline commune. En poursuivant son objectif de carrière universitaire, il vise à mettre l’accent sur la recherche et l’enseignement de manière égale.
En tant que récipiendaire de la bourse postdoctorale distinguée de l’INCASS, Chi-Kuang travaillera sous la supervision d’Archer Yi Yang et de Qihuang Zhang à l’Université McGill et de Peijun Sang à l’Université de Waterloo.
J’ai toujours été passionné par la résolution de problèmes à partir de coins de la vie réelle en intégrant des méthodes de différentes disciplines et en transmettant les résultats aux autres.
À propos des superviseurs
Archer Yi Yang
Archer Yi Yang est professeur agrégé au Département de mathématiques et de statistique de l’Université McGill à Montréal.
Il est également membre académique associé de Mila (Institut québécois de l’IA), membre associé de l’École d’informatique de McGill et membre du programme Quantitative Life Sciences de McGill.
Ses intérêts de recherche comprennent les domaines suivants :
- Apprentissage automatique statistique
- Calcul statistique
- Statistiques de grande dimension
- Problèmes appliqués en génomique, médecine et industrie
Peijun Sang
Peijun Sang s’est joint au Département de statistique et de science actuarielle de l’Université de Waterloo en septembre 2018 en tant que professeur adjoint.
Ses intérêts de recherche actuels portent sur l’analyse de données fonctionnelles, qui concerne les courbes et les variables à valeur fonctionnelle. Les données d’imagerie cérébrale telles que les signaux EEG, l’imagerie par résonance magnétique fonctionnelle (FMRI) et l’imagerie du tenseur de diffusion (DTI) en sont des exemples typiques. Il s’intéresse vivement à l’application de techniques d’analyse de données fonctionnelles pour étudier la connectivité fonctionnelle entre ces données d’imagerie recueillies dans différentes régions du cerveau. Connaître ces connectivités est d’une importance vitale dans la pratique, car cela peut fournir de nouvelles informations sur certaines maladies qui peuvent difficilement être diagnostiquées avec les méthodes traditionnelles. D’un point de vue théorique, il s’intéresse aux propriétés des grands échantillons des modèles de régression fonctionnelle de grande dimension proposés pour ces données. La modélisation de la dépendance avec des modèles de copules pour des résultats discrets et/ou de survie attire également son attention.
Qihuang Zhang
Qihuang Zhang est professeur adjoint à l’Université McGill, Département d’épidémiologie, de biostatistique et de santé au travail. Avant cela, il était post-doctorant avec le Dr Mingyao Li et le Dr Rui Xiao à l’Université de Pennsylvanie. Il a obtenu son doctorat. du Département de statistique et de science actuarielle de l’Université de Waterloo (2017–2020), sous la supervision de la Dre Grace Y. Yi. Il a également été chargé de cours à temps partiel à l’Université Western.
Ses recherches portent sur le développement de méthodes statistiques pour les études d’association génétique, le séquençage d’ARN et la multi-omique spatiale. Fondamentalement, il s’efforce de donner un sens à des données complexes en abordant les erreurs de mesure, les erreurs de classification, la structure d’association graphique et la malédiction de la dimensionnalité. Dernièrement, il s’est plongé dans le domaine de l’apprentissage en profondeur et a travaillé sur le développement de méthodes pour analyser les données de transcriptomique spatiale et de métabolomique spatiale. Ces méthodes visent à fournir des informations précieuses sur l’organisation spatiale des molécules, des cellules et des tissus du point de vue d’un statisticien, avec le potentiel de générer des avantages significatifs pour la recherche médicale.
Explorez plus d’histoires
Région nationale
Région nationale
Région nationale
Région nationale
Région nationale
Trouver des programmes connexes
“Semi-supervised Learning for High-dimensional Functional Data Integration with Measurement Error” (Apprentissage semi-supervisé pour l’intégration de données fonctionnelles de grande dimension avec erreur de mesure) est un projet de bourse postdoctorale distinguée (BPDI) de l’INCASS. Le BPDI est un programme de deux ans qui comprend un projet de recherche substantiel, une collaboration interdisciplinaire appliquée et une expérience d’enseignement.
Les bourses postdoctorales de l’INCASS sont soutenues par un salaire compétitif. Ils offrent des possibilités de perfectionnement professionnel et préparent les stagiaires postdoctoraux à réussir dans diverses carrières.