Biographie
Eloïse Berson possède une Chaire de Professeure junior en intelligence artificielle pour la santé numérique à Mines Paris – PSL. Elle mène ses recherches au Centre de bio-informatique (CBIO), entre Les Mines Paris – PSL et l’Institut Curie. Elle développe des méthodes d’intelligence artificielle et de deep learning pour la médecine translationnelle. Ses travaux portent sur l’intégration de données cliniques et multiomiques afin d’améliorer la stratification des risques, la prédiction de l’évolution clinique et la compréhension des mécanismes associés aux maladies humaines telles que le cancer et les maladies neurodégénératives. Son objectif est de concevoir des méthodes robustes et interprétables pouvant être transférées vers la recherche clinique et, à terme, la pratique médicale.
Elle a obtenu son doctorat en intelligence artificielle et computer graphics à CentraleSupélec et à l’Université Paris-Saclay. Réalisée dans le cadre d’une collaboration avec la start-up Dynamixyz, sa thèse portait sur le développement de modèles génératifs multimodaux. Elle a ensuite rejoint Stanford University comme chercheuse postdoctorale en intelligence artificielle et neurosciences. Elle y a développé des approches à l’interface de la biologie et de la clinique, notamment en concevant des modèles de deep learning à grande échelle pour les données multiomiques, en étudiant les modèles de fondation pour les dossiers patients électroniques et en développant des méthodes de modélisation des trajectoires multimodales de patients.
Ses travaux ont notamment été publiés dans Nature Communications, Nature Methods, Brain, Nature Machine Intelligence et Nature Computational Science. Soucieuse de favoriser le transfert des innovations méthodologiques vers des applications concrètes, elle a également suivi le programme Stanford Ignite en entrepreneuriat deep tech à la Stanford Graduate School of Business.
Ses recherches ont été soutenues par la Stanford Knight Initiative for Brain Resilience Postdoctoral Fellowship et par la PSL Young Researcher Starting Grant. Convaincue que les plus belles idées naissent de la diversité des perspectives, Eloïse accueille à bras ouverts les collaborations interdisciplinaires et internationales.
Publication(s)
-
2026
Quantitative assessment of neonatal health using dried blood spot metabolite profiles and deep learning DOI : 10.1126/scitranslmed.adv4942
-
2025
Deep learning-based cell type profiles reveal signatures of Alzheimer's disease resilience and resistance DOI : 10.1093/brain/awaf285
-
2025
Epigenomic profile of GBA1 in Parkinson's disease DOI : 10.1016/j.parkreldis.2025.108066
-
2025
Mitigation of outcome conflation in predicting patient outcomes using electronic health records DOI : 10.1093/jamia/ocaf033
-
2025
Benchmarking of pre-training strategies for electronic health record foundation models DOI : 10.1093/jamiaopen/ooaf090
-
2025
Correction to: A machine learning approach to leveraging electronic health records for enhanced omics analysis (Nature Machine Intelligence, (2025), 7, 2, (293-306), 10.1038/s42256-024-00974-9) DOI : 10.1038/s42256-025-01021-x
-
2025
Mediterranean vs. Western diet effects on the primate cerebral cortical pre-synaptic proteome: Relationships with the transcriptome and multi-system phenotypes DOI : 10.1002/alz.70041
-
2025
Author Correction: AI-guided precision parenteral nutrition for neonatal intensive care units (Nature Medicine, (2025), 31, 6, (1882-1894), 10.1038/s41591-025-03601-1) DOI : 10.1038/s41591-025-03691-x
-
2025
AI-guided precision parenteral nutrition for neonatal intensive care units DOI : 10.1038/s41591-025-03601-1
-
2025
A machine learning approach to leveraging electronic health records for enhanced omics analysis DOI : 10.1038/s42256-024-00974-9
-
2025
Infusion of young donor plasma components in older patients modifies the immune and inflammatory response to surgical tissue injury: a randomized clinical trial DOI : 10.1186/s12967-025-06215-w
-
2025
Development and validation of a pre-trained language model for neonatal morbidities: a retrospective, multicentre, prognostic study DOI : 10.1016/j.landig.2025.100926
-
2024
Intra- and post-pandemic impact of the COVID-19 outbreak on Stanford Health Care DOI : 10.1016/j.acpath.2024.100113
-
2024
Generating pregnant patient biological profiles by deconvoluting clinical records with electronic health record foundation models DOI : 10.1093/bib/bbae574
-
2024
Unlocking human immune system complexity through AI DOI : 10.1038/s41592-024-02351-1
-
2024
Comprehensive overview of the anesthesiology research landscape: A machine Learning Analysis of 737 NIH-funded anesthesiology primary Investigator's publication trends DOI : 10.1016/j.heliyon.2024.e29050
-
2024
Single-cell peripheral immunoprofiling of lewy body and Parkinson’s disease in a multi-site cohort DOI : 10.1186/s13024-024-00748-2
-
2023
In-silico generation of high-dimensional immune response data in patients using a deep neural network DOI : 10.1002/cyto.a.24709
-
2023
Prediction of neuropathologic lesions from clinical data DOI : 10.1002/alz.12921
-
2023
Understanding the molecular basis of resilience to Alzheimer’s disease DOI : 10.3389/fnins.2023.1311157
-
2023
Large-scale correlation network construction for unraveling the coordination of complex biological systems DOI : 10.1038/s43588-023-00429-y
-
2023
Quantitative estimate of cognitive resilience and its medical and genetic associations DOI : 10.1186/s13195-023-01329-z
-
2023
Multiomic signals associated with maternal epidemiological factors contributing to preterm birth in low- and middle-income countries DOI : 10.1126/sciadv.ade7692
-
2023
Data-driven longitudinal characterization of neonatal health and morbidity DOI : 10.1126/scitranslmed.adc9854
-
2023
Whole genome deconvolution unveils Alzheimer’s resilient epigenetic signature DOI : 10.1038/s41467-023-40611-4
-
2023
Cross-species comparative analysis of single presynapses DOI : 10.1038/s41598-023-40683-8
-
2023
Deep representation learning identifies associations between physical activity and sleep patterns during pregnancy and prematurity DOI : 10.1038/s41746-023-00911-x
-
2022
Revealing the impact of lifestyle stressors on the risk of adverse pregnancy outcomes with multitask machine learning DOI : 10.3389/fped.2022.933266
Direction(s) de thèse(s)
- 2025 Prédiction biologiquement interprétable du risque de maladie à long terme ELGOHARY Kareem
