Société : INSTITUT DE CANCÉROLOGIE DE L'OUEST - Saint-Herblain Lieu : Saint-Herblain Loire-Atlantique
Alternance(Bac +5) - DataScience - H/F
Poste rattaché au Service Data Factory & Analytics (Direction de la recherche et des data).
L'objectif principal est de développer une solution permettant d'automatiser le processus d'extraction
d'informations pertinentes (périmètre des variables encore à définir) à partir de documents médicaux non
structurés et d'évaluer les performances de cette solution.
Tâches principales :
â?¢ Compréhension des données médicales :
familiarisation avec les différents types de comptes rendus
médicaux.
Analyse des spécificités linguistiques et des structures de ces documents.
â?¢ Appréhension de la pipeline d'extraction existante.
â?¢ Adaptation de la pipeline d'extraction existante et/ou développement d'une nouvelle :
conception et
mise en Å?uvre d'un pipeline automatisé utilisant Mistral AI pour extraire les variables d'intérêts à
partir des documents médicaux, et permettant d'alimenter une base de données structurée.
â?¢ Évaluation de la performance de la solution en termes de précision, de rappel et de F1-score en
utilisant une base de données manuellement saisie comme Gold Standard.
â?¢ Identification des opportunités d'amélioration et itération du modèle pour une extraction plus
performante.
â?¢ Adaptation du process pour extraire différentes variables.
Cette alternance offre une opportunité unique d'acquérir des compétences pratiques en datascience appliquée à la santé, tout en contribuant au développement d'une solution innovante essentielle pour exploiter des données médicales non structurées.
L'alternant(e) travaillera en étroite collaboration avec une équipe multidisciplinaire composée de spécialistes en biostatistique, datascience et en oncologie.
Références :
1.
Schiappa R, Contu S, Culie D, Thamphya B, Chateau Y, Gal J, et al.
RUBY:
Natural Language Processing of
French Electronic Medical Records for Breast Cancer Research.
Using natural language
processing to improve efficiency of manual chart abstraction in research:
the case of breast cancer recurrence.
Am J Epidemiol.
2014 Mar 15;179(6):
749 58.
doi:
10.1093/aje/kwt441 PubMed PMID:
24488511; PubMed
Central PMCID:
PMC3939853.
6.
Banerjee I, Bozkurt S, Caswell-Jin JL, Kurian AW, Rubin DL.
Natural Language Processing Approaches to
Detect the Timeline of Metastatic Recurrence of Breast Cancer.
JCO Clin Cancer Inform.
2019 Oct;3:
1 12.
doi:
10.1200/CCI.19.00034 PubMed PMID:
31584836.
7.
Joseph E, Vallee P, Perennec T, Wagneur N, Frenel JS, Campone M, et al.
Development and Assessment
of a Pipeline for Extracting Structured Data From Free-Text Medical Reports Using a Large Language Model.
JCO
Clin Cancer Inform.
2026 Feb;10:
e2500133.
doi:
10.1200/CCI-25-00133 PubMed PMID:
41707099; PubMed
Central PMCID:
PMC12928813.
En prévision de votre dernière année d'études (Bac +5) en DataScience, vous recherchez pour la rentrée
prochaine une alternance.
Vous devrez disposer de bonnes connaissances des modèles de traitement du
langage et du machine learning et être force de proposition.
Vous devez être à l'aise avec les langages de
programmation Python et/ou R et avoir une appétence pour les applications en santé et l'oncologie.
De bonnes capacités de communication, orales et écrites, sont souhaitées.
Lieu de stage :
Institut de Cancérologie de l'Ouest (ICO) - Site de Nantes / Saint-Herblain - Bd Professeur
Jacques Monod, 44800 Saint-Herblain
Encadrant :
Florent Le Borgne, Data Analyst - Statisticien
Date de début :
à partir de septembre 2026
Durée :
un an INSTITUT DE CANCÉROLOGIE DE L'OUEST - Saint-Herblain
L'Institut de Cancérologie de l'Ouest (ICO) Nantes-Angers est un centre d'excellence dans la prise en charge du cancer et la recherche.
Labelisé Comprehensive Cancer Center (CCC) par l'Organisation of European Cancer Institutes (OECI), l'ICO est le 1er centre de lutte contre le cancer de province en France et le 3ème au niveau national après l'Institut Gustave Roussy (Villejuif) et l'Institut Curie (Paris) en termes de file active de patients et d'inclusion dans les essais cliniques.
Depuis 5 ans, l'ICO a placé les données de vie réelle (Real-World Data / RWD) et l'IA au centre de sa stratégie de recherche et d'innovation.
Son service Data Factory & Analytics est une structure pluridisciplinaire, intégrée, dédiée à la collecte, à la qualification, à l'analyse et à la valorisation des données générées à l'occasion du soin de nos patients.
Le service assure la maîtrise complète du cycle de vie des données depuis leur production lors de la prise en charge des patients au sein de l'ICO jusqu'à leur analyse et leur valorisation.
Afin de développer son activité de recherche sur données de vie réelles, l'ICO développe son propre Entrepôt de Données de Santé (EDS).
L'objectif est d'utiliser les différentes sources de données existantes à l'ICO dans le cadre de la recherche ou du soin afin de créer une unique base de données structurées contenant les variables considérées comme les plus importantes pour mener des travaux de recherche sur données observationnelles.
Aujourd'hui l'EDS est alimenté à partir des bases de données structurées disponibles à l'ICO et des travaux sont en cours dans le but d'extraire des données structurées à partir des documents des patients (comptes rendus de consultation, comptes rendus d'anatomopathologie, etc.).
Depuis quelques années, de nombreuses études ont montré qu'il est possible d'extraire des données structurées à partir des comptes rendus en utilisant le NLP (Natural Language Processing) mais toutes ces études reposent sur une méthode nécessitant une longue et coûteuse phase d'annotation afin d'entrainer le modèle (1 6).
A l'ICO nous avons réalisé un premier travail montrant les capacités d'un algorithme basé sur le Large Language Model (LLM) Mistral Large à extraire les données de 3 biomarqueurs du cancer du sein à partir des comptes-rendus d'anatomopathologie (7).
D'autres travaux sont en cours afin d'extraire les dates de métastases et de progressions.
L'alternance consistera à poursuivre les développements autour de cette pipeline LLM afin extraire d'autres données structurées à partir des comptes-rendus médicaux des patients.
