Portrait de Martin Vallières

Martin Vallières

Membre académique associé
Professeur agrégé, McGill University, Département d'oncologie
Sujets de recherche
Apprentissage automatique médical
IA et santé
Site web
Google Scholar
LinkedIn

Biographie

Martin Vallières est un chercheur qui développe des méthodes d’IA pour la médecine de précision. Son expertise en recherche se situe à l’intersection de l’IA et des sciences cliniques. Son parcours de recherche distinct a contribué au développement de ce type d’expertise « hybride », d’une importance capitale pour accélérer l’adoption des méthodes d’IA dans le milieu clinique.

Martin Vallières a étudié le génie physique au baccalauréat. De 2010 à 2017, il a ensuite étudié la physique médicale aux niveaux de la maîtrise et du doctorat, développant plusieurs modèles prédictifs pour différents types de cancer. De 2017 à 2020, il a poursuivi divers stages postdoctoraux au cours desquels il a élaboré des modèles prédictifs multimodaux en oncologie. En avril 2020, il a rejoint le Département d’informatique de l’Université de Sherbrooke à titre de professeur adjoint et de titulaire d’une chaire canadienne CIFAR en IA.

En août 2025, Martin Vallières a été nommé professeur agrégé à l’Unité de physique médicale du Département d’oncologie de l’Université McGill. Cette nouvelle nomination permettra à Martin Vallières d’être en relation plus étroite avec les équipes de recherche clinique et les utilisateurs finaux du domaine de la santé, un élément clé pour le succès de son programme de recherche.

Étudiants actuels

Hakima Laribi
Doctorat - Université de Sherbrooke
Superviseur⋅e principal⋅e :
Dan Poenaru
Site web
Github
Olivier Lefebvre
Doctorat - Université de Sherbrooke
Superviseur⋅e principal⋅e :
Dan Poenaru
Github

Publications

Radiomics-Based Machine Learning for Outcome Prediction in a Multicenter Phase II Study of Programmed Death-Ligand 1 Inhibition Immunotherapy for Glioblastoma
Elizabeth George
Elizabeth Flagg
Kuan-chun Chang
Hai-Yang Bai
H. Aerts
Martin Vallières
David A. Reardon
R.Y. Huang
BACKGROUND AND PURPOSE: Imaging assessment of an immunotherapy response in glioblastoma is challenging due to overlap in the appearance of t… (voir plus)reatment-related changes with tumor progression. Our purpose was to determine whether MR imaging radiomics-based machine learning can predict progression-free survival and overall survival in patients with glioblastoma on programmed death-ligand 1 inhibition immunotherapy. MATERIALS AND METHODS: Post hoc analysis was performed of a multicenter trial on the efficacy of durvalumab in glioblastoma (n = 113). Radiomics tumor features on pretreatment and first on-treatment time point MR imaging were extracted. The random survival forest algorithm was applied to clinical and radiomics features from pretreatment and first on-treatment MR imaging from a subset of trial sites (n = 60–74) to train a model to predict long overall survival and progression-free survival and was tested externally on data from the remaining sites (n = 29–43). Model performance was assessed using the concordance index and dynamic area under the curve from different time points. RESULTS: The mean age was 55.2 (SD, 11.5) years, and 69% of patients were male. Pretreatment MR imaging features had a poor predictive value for overall survival and progression-free survival (concordance index  = 0.472–0.524). First on-treatment MR imaging features had high predictive value for overall survival (concordance index = 0.692–0.750) and progression-free survival (concordance index = 0.680–0.715). CONCLUSIONS: A radiomics-based machine learning model from first on-treatment MR imaging predicts survival in patients with glioblastoma on programmed death-ligand 1 inhibition immunotherapy.
2022-04-27
American Journal of Neuroradiology (publié)
doi.org