JLJulia Linhart

Julia Linhart

*This is an algorithmically generated author record based on publicly available information.

Julia Linhart has a total of 31 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Simulation-based inference with deep learning : application to neuroscience time series data

    by Julia Linhart

    Inférence à base de simulateurs par réseaux de neurones : application aux signaux de neurosciences: Les simulateurs jouent un rôle central dans la science expérimentale, facilitant l'exploration de systèmes complexes avec des événements rares et difficilement mesurables, que ce soit en physique des particules, en climatologie, en astrophysique, en cosmologie ou en neurosciences. L'objectif est d'inverser ces modèles computationnels et de déterminer les paramètres qui décrivent au mieux les observations expérimentales, afin d'enrichir notre compréhension du monde réel. Cependant, au vu de la complexité des processus génératifs modélisés, la vraisemblance de ces simulateurs est souvent difficilement calculable et les méthodes d'inférence bayésienne classiques, telles que le MCMC, généralement inapplicables. L'inférence à base de simulations (SBI) constitue une alternative prometteuse, où la vraisemblance est implicitement remplacée par l'action du simulateur. Grâce aux avancées en apprentissage profond, de nouveaux algorithmes sont maintenant capables de traiter des données en haute dimension et d'approximer des distributions postérieures arbitrairement complexes sur les paramètres du simulateur. Le SBI a désormais le potentiel de révolutionner la science expérimentale. Cette thèse se concentre sur des méthodes de SBI basées sur des modèles génératifs profonds puissants, connus sous le nom de "normalizing flows" et de "modèles de diffusion". Plus précisément, en utilisant le Jansen and Rit Neural Mass Model (JRNMM) comme un exemple récurrent en neurosciences computationnelles, le but est d'investiguer leur performance en termes de précision, d'efficacité et de fiabilité. Une première analyse expérimentale avec des résultats sur des signaux cérébraux réels, motive l'intégralité des contributions méthodologiques de ce projet doctoral. En particulier, nous proposons une nouvelle méthode de validation, avec des garanties théoriques, ainsi que des diagnostiques facilement interprétables, pour une évaluation fiable d'estimateurs de densité conditionnelle. De plus, nous introduisons un algorithme d'inférence innovant, qui exploite l'accès à plusieurs observations afin d'obtenir des estimations de paramètres plus précises. Il s'agit d'un algorithme d'échantillonnage basé sur la diffusion avec des avantages remarquables par rapport à celles basées sur les “normalizing flows”, notamment en termes de flexibilité et de coût de simulation. Suite à une démonstration empirique de l'amélioration de nos propositions par rapport aux méthodes existantes, les illustrations numériques sur le JRNMM nous permettent de souligner leurs avantages pour optimiser le processus expérimental dans des scénarios réels complexes. En effet, les résultats obtenus avec notre nouvelle méthode d'inférence révèlent l'incertitude irréductible due à la dégénérescence de paramètres couplés, un phénomène caractéristique des dynamiques neuronales. Nos diagnostiques permettent de valider la qualité de la distribution postérieure estimée et garantit ainsi sa fiabilité dans l'exploration de nouvelles techniques de modélisation pour résoudre ce problème de dégénérescence. En résumé, les contributions méthodologiques de cette thèse apportent des avancées significatives dans le domaine du SBI en proposant des diagnostics de validation pertinents et des méthodes d'inférence innovantes. Appuyé par diverses initiatives open-source, ce travail vise à établir le SBI et les modèles génératifs profonds comme des outils utiles et fiables pour la recherche scientifique, permettant par exemple une modélisation plus précise et réaliste du cerveau, afin d'expliquer des comportements neuronaux complexes.

  • Open Access

    Deep learning assessment of metastatic relapse risk from digitized breast cancer histological slides

    by I. Garberis, V. Gaury, C. Saillard, D. Drubay, K. Elgui, B. Schmauch, A. Jaeger, L. Herpin, J. Linhart, M. Sapateiro, et al.

    Accurate risk stratification is critical for guiding treatment decisions in early breast cancer. We present an artificial intelligence (AI)-based tool that analyzes digitized tumor slides to predict 5-year metastasis-free survival (MFS) in patients with estrogen receptor-positive, HER2-negative (ER + /HER2 − ) early breast cancer (EBC). Our deep learning model, RlapsRisk BC, independently predicts MFS and provides significant prognostic value beyond traditional clinico-pathological variables (C-index 0.81 vs 0.76, p < 0.05). Applying a 5% MFS event probability threshold stratifies patients into low- and high-risk groups. After dichotomization, combining RlapsRisk BC with clinico-pathological factors increases cumulative sensitivity (0.69 vs 0.63) and dynamic specificity (0.80 vs 0.76) compared to clinical factors alone. Expert analysis of high-impact regions identified by the model highlights well-established morphological features, supporting its interpretability and biological relevance.