L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris
et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
présentent
l’AVIS DE SOUTENANCE de Monsieur Abdelghani HALIMI
Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à l’Institut Polytechnique de Paris Télécom SudParis en :
Signal, Images, Automatique et robotique
« Prédiction personnalisée du risque de mortalité sur liste d’attente en transplantation hépatique par apprentissage automatique explicable et transfert de connaissances »
le MERCREDI 4 NOVEMBRE 2026 à 10h00
à
Amphithéâtre 0C06 Amphi 6 hybride
19 Place Marguerite Perey, 91120 Palaiseau
Membres du jury :
Mme Cécile MALLET, Professeure, Université de Versailles Saint-Quentin-en-Yvelines, FRANCE – Rapporteur
M. Vincent AUGUSTO, Professeur, École des Mines de Saint-Étienne, FRANCE – Rapporteur
M. Eric VIBERT, Professeur des universités – praticien hospitalier, Université Paris Saclay, FRANCE – Examinateur
M. Jérome BOUDY, Professeur, Institut Polytechnique de Paris Télécom SudParis, FRANCE – Examinateur
M. Raphaël FOURNIER-S’NIEHOTTA, Maître de conférences, Sorbonne Université, FRANCE – Examinateur
Mme Sonia GARCIA-SALICETTI, Professeure, Institut Polytechnique de Paris Télécom SudParis, FRANCE – Directrice de thèse
Mme Nesma HOUMANI, Maîtresse de conférences, Institut Polytechnique de Paris Télécom SudParis, FRANCE – Co-encadrante de thèse
« Prédiction personnalisée du risque de mortalité sur liste d’attente en transplantation hépatique par apprentissage automatique explicable et transfert de connaissances »
présenté par Monsieur Abdelghani HALIMI
Résumé :
Les maladies hépatiques chroniques évoluent par la fibrose puis la cirrhose vers le stade terminal, et favorisent le carcinome hépatocellulaire (CHC). La transplantation hépatique permet de traiter les deux pathologies, mais les greffons restent rares et doivent être répartis entre les candidats. La priorisation repose sur des scores pronostiques estimant le risque à court terme de sortie de liste pour décès ou aggravation. Le MELD et ses évolutions régissent cette allocation, tandis que les candidats atteints de CHC reçoivent des points d’exception ou font l’objet de modèles spécifiques. Dérivés de régressions de Cox sur peu de variables biologiques, ces scores appliquent les mêmes pondérations fixes à tous les candidats. Ils ne représentent donc pas les interactions non linéaires entre dysfonctions hépatique, rénale et systémique, et ignorent les mesures répétées du suivi. Ils comportent aussi des inéquités documentées, notamment envers les femmes dont la moindre masse musculaire abaisse la créatinine et donc la sévérité calculée. Les travaux existants en apprentissage automatique (ML) restent souvent peu interprétables, se limitent à un horizon unique et modélisent séparément la population CHC. Cette thèse développe des méthodes de ML explicables et transférables pour la prédiction personnalisée de la sortie de liste, avec et sans CHC, à partir du registre STAR de l’OPTN/UNOS (2002 – 2023). Nous établissons d’abord les fondements d’analyse de survie du problème. Le suivi en liste est un processus à risques concurrents où sortie de liste et transplantation s’excluent mutuellement, et censurer la transplantation en surestime le risque absolu. À l’aide de modèles de Cox et de Fine-Gray, nous identifions les facteurs de risque de la sortie de liste. Appliquée aux disparités liées au sexe, cette analyse montre que le désavantage des femmes reflète un défaut de calibration plutôt que de discrimination, largement corrigé par le MELD 3.0. Nous reformulons ensuite le problème en une classification à horizon fixe, permettant l’utilisation de modèles de ML flexibles tout en exploitant l’information longitudinale. Nous introduisons le score ELTM, un modèle de gradient boosting prédisant la sortie de liste à 3, 6 et 12 mois pour la population générale sans CHC. La sélection de variables par SHAP réduit le modèle à un ensemble compact sans perte de performance, et les explications locales révèlent l’évolution du risque individuel. Nous étendons cette approche au CHC avec ELM-HCC, combinant sévérité hépatique et marqueurs de charge tumorale. Au-delà des contributions par variable, nous exploitons la représentation SHAP comme un espace de similarité entre patients, identifiant des profils de risque aux trajectoires de mortalité distinctes. Une contribution majeure concerne le transfert de représentations pronostiques entre populations. Celles-ci partageant des déterminants majeurs de mortalité, nous comparons deux stratégies de transfert de la large cohorte sans CHC vers la cohorte CHC, plus limitée : un cadre neuronal multitâche apprenant une représentation partagée, et un transfert explicite en deux étapes intégrant ELTM comme méta-variable apprise dans un modèle dédié au CHC. Le transfert explicite donne le modèle le plus performant et le moins complexe, montrant qu’une représentation compacte de la sévérité hépatique capture l’essentiel de l’information pronostique commune. Enfin, nous validons ELTM en analyse de survie avec des métriques ajustées pour la censure, face aux scores MELD et à des modèles de survie. Entraîné à horizon fixe, ELTM fournit des estimations cohérentes jusqu’à l’événement. Ces contributions permettent de : (i) analyser les disparités sous risques concurrents, (ii) fournir des estimations personnalisées et multi-horizons pour les candidats avec et sans CHC, et (iii) apporter des explications individuelles transparentes, pour une allocation plus équitable.
Abstract :
The liver holds a large functional reserve that masks damage until disease becomes advanced. Chronic liver disease then progresses through fibrosis and cirrhosis toward end-stage liver disease, and creates the conditions for hepatocellular carcinoma (HCC). Liver transplantation is the definitive treatment for both, yet donor organs remain scarce and must be distributed among competing candidates. Allocation therefore relies on prognostic scores estimating the short-term risk of death or removal from the waiting list, referred to as waitlist dropout. In current practice, MELD and its variants govern this prioritization, while HCC candidates are granted exception points or assessed through tumor-specific models. Derived from Cox regression on few laboratory variables, these scores apply identical fixed weights to all candidates. They therefore cannot capture the nonlinear interactions between hepatic, renal and systemic dysfunction and discard the repeated measurements collected during follow-up. They also carry documented inequities, most notably the disadvantage of women whose lower muscle mass deflates serum creatinine and hence their computed severity. Existing Machine Learning (ML) studies often remain difficult to interpret, focus on a single horizon, and model the HCC population separately. This thesis develops accurate, explainable and transferable ML methods for the personalized prediction of waitlist mortality for candidates with and without HCC. To this end, we use the OPTN/UNOS STAR registry, covering adult candidates listed between February 2002 and September 2023. We first establish the survival foundation of the problem. Waitlist follow-up is a competing-risks process where dropout and transplantation prevent one another, and treating transplantation as censoring overstates the absolute dropout risk. Using cause-specific Cox and Fine-Gray models, we identify the determinants of dropout. Applied to gender, this framework clarifies the disadvantage of women: it reflects a failure of calibration rather than of ranking, and is largely corrected by the sex-recalibrated MELD 3.0. We then restate this cause-specific target as a horizon-specific classification problem, enabling flexible ML models while exploiting repeated observations. We introduce the ELTM score, a gradient-boosting model predicting dropout within 3, 6 and 12 months for the general non-HCC population, interpreted through SHAP. Feature selection optimizes the model to a compact variable set without loss of performance, while local explanations reveal how individual risk evolves over time. We extend this approach to HCC candidates with ELM-HCC, combining hepatic severity with tumor burden markers. Beyond feature attribution, we exploit the SHAP representation as a patient similarity, identifying risk profiles reflecting distinct mortality pathways. A main contribution concerns cross-population risk-representation transfer. Because both populations share core determinants of mortality, we compare two strategies for transferring knowledge from the large non-HCC cohort to the smaller HCC one: a neural multi-task framework learning a shared representation, and an explicit two-stage transfer in which ELTM enters a dedicated HCC model as a learned meta-feature. The explicit transfer yields the strongest and least complex predictor, showing that a compact representation of liver disease severity captures much of the shared prognostic information. Finally, we validate ELTM within a time-to-event framework using censoring-adjusted metrics, benchmarked against MELD scores and survival models. ELTM, trained at a fixed horizon, is shown to provide consistent time-to-event estimates. Together, these contributions: (i) analyse disparities under competing risks, (ii) deliver personalized and multi-horizon risk estimates for both populations, and (iii) provide transparent, patient-level explanations supporting equitable organ allocation.