retrieve:
Return the details about the given News id.

list:
List all News objects.

GET /api/v1/news/?format=api
HTTP 200 OK
Allow: GET, HEAD, OPTIONS
Content-Type: application/json
Vary: Accept

{
    "count": 31503,
    "next": "http://actu.epfl.ch/api/v1/news/?format=api&limit=10&offset=10",
    "previous": null,
    "results": [
        {
            "id": 192711,
            "lang": "fr",
            "title": "Un microscope intelligent prédit les signes de neurodégénérescence",
            "subtitle": "<p>Des scientifiques de l’EPFL ont mis au point un microscope autonome capable de prédire le début de l’agrégation de protéines mal repliées – caractéristique des maladies neurodégénératives – et d’analyser les propriétés biomécaniques de ces agrégats.</p>",
            "text": "<p>L’accumulation de protéines mal repliées dans le cerveau joue un rôle central dans la progression de maladies neurodégénératives, comme la maladie de Huntington, la maladie d’Alzheimer et la maladie de Parkinson. Mais pour l’œil humain, les protéines destinées à former des agrégats nocifs ne sont pas différentes des protéines normales. La formation de tels agrégats a également tendance à se produire de manière aléatoire et relativement rapide – à l’échelle de quelques minutes. La capacité d’identifier et de caractériser les agrégats de protéines est essentielle pour comprendre et combattre les maladies neurodégénératives.</p> <p>Grâce à l’apprentissage profond, des scientifiques de l’EPFL ont mis au point un système d’imagerie autonome qui exploite plusieurs méthodes de microscopie pour suivre et analyser l’agrégation des protéines en temps réel, voire l’anticiper avant qu’elle ne commence. En plus d’optimiser l’efficacité de l’imagerie, cette approche minimise l’utilisation de marqueurs fluorescents, qui peuvent altérer les propriétés biophysiques des échantillons cellulaires et nuire à l’exactitude de l’analyse.</p> <p>«C’est la première fois que nous sommes en mesure de prévoir avec précision la formation de ces agrégats de protéines, déclare Khalid Ibrahim, qui a récemment défendu sa thèse à l’EPFL. Comme leurs propriétés biomécaniques sont liées aux maladies et à la perturbation de la fonction cellulaire, comprendre comment ces propriétés évoluent tout au long du processus d’agrégation permettra d’acquérir des connaissances fondamentales essentielles pour développer des solutions.»</p> <p>Khalid Ibrahim vient de publier ces travaux dans <a href=\"http://doi.org/10.1038/s41467-025-60912-0\"><em>Nature Communications</em></a> aux côtés d’Aleksandra Radenovic, responsable du <a href=\"https://www.epfl.ch/labs/lben/\">Laboratoire de biologie à l’échelle nanométrique</a> de la Faculté des sciences et techniques de l’ingénieur, et de Hilal Lashuel de la Faculté des sciences de la vie, en collaboration avec Carlo Bevilacqua et Robert Prevedel du Laboratoire européen de biologie moléculaire de Heidelberg, en Allemagne. Ce projet est le fruit d'une collaboration de longue date entre les deux laboratoires de l’EPFL, qui réunissent des compétences complémentaires en matière de neurodégénérescence et de technologies avancées d'imagerie des cellules vivantes. « Ce projet est né de la volonté de mettre au point des méthodes qui révèlent de nouvelles connaissances biophysiques, et il est passionnant de voir comment cette vision a porté ses fruits», déclare Aleksandra Radenovic.</p> <p><strong>Assister à la naissance d’un agrégat de protéines</strong></p> <p>Dans le cadre de leur première collaboration, dirigée par Khalid Ibrahim, l'équipe a développé un algorithme d’apprentissage profond <a href=\"https://actu.epfl.ch/news/l-ia-revolutionne-l-etude-des-maladies-neurodegene/\">qui a permis de détecter des agrégats de protéines matures</a> lorsqu’ils sont présentés avec des images non marquées de cellules vivantes. La nouvelle étude s’appuie sur ces travaux avec une version de classification d’images de l’algorithme qui analyse ces images en temps réel: lorsque cet algorithme détecte un agrégat de protéines matures, il déclenche un microscope Brillouin, qui analyse la lumière diffusée pour caractériser les propriétés biomécaniques de l’agrégat comme l’élasticité.</p> <p>Normalement, la vitesse d’imagerie lente d’un microscope Brillouin en fait un mauvais choix pour l’étude des agrégats de protéines à évolution rapide. Mais grâce à l’approche basée sur l’IA de l’équipe de l’EPFL, le microscope Brillouin n’est activé que lorsqu’un agrégat de protéines est détecté, ce qui accélère l’ensemble du processus tout en ouvrant de nouvelles perspectives en microscopie intelligente.</p> <p>«C’est la première publication qui montre le potentiel impressionnant des systèmes autonomes pour intégrer des méthodes de microscopie sans marqueur, ce qui devrait permettre à davantage de biologistes d’adopter des techniques de microscopie intelligente en évolution rapide», affirme Khalid Ibrahim.</p> <p>Comme l’algorithme de classification d’images ne cible que les agrégats de protéines matures, les scientifiques devaient encore aller plus loin s’ils voulaient détecter la formation d’agrégats. Pour cela, ils ont mis au point un deuxième algorithme d’apprentissage profond et l’ont entraîné sur des images marquées par fluorescence de protéines dans des cellules vivantes. Cet algorithme de détection de «début d’agrégation» peut différencier des images quasi identiques afin d’identifier correctement quand l’agrégation aura lieu avec une précision de 91 %. Une fois ce début d’agrégation détecté, le système autonome réactive l’imagerie Brillouin pour offrir une fenêtre inédite sur l’agrégation des protéines. Pour la première fois, la biomécanique de ce processus peut être capturée dynamiquement au fur et à mesure.</p> <p>Hilal Lashuel souligne qu’en plus de faire progresser la microscopie intelligente, ces travaux ont d’importantes implications pour la découverte de médicaments et la médecine de précision. « Les méthodes de microscopie sans marqueur créent des moyens entièrement nouveaux d'étudier et de cibler de petits agrégats de protéines appelés oligomères toxiques, dont on pense qu'ils jouent un rôle causal central dans la neurodégénérescence. Nous sommes ravis de nous appuyer sur ces réalisations et d'ouvrir la voie à des plateformes de développement de médicaments qui accéléreront la mise au point de thérapies plus efficaces pour les maladies neurodégénératives. »</p>",
            "order": 200124,
            "publish_date": "2025-07-24T11:00:03",
            "visual_url": "https://actu.epfl.ch/image/155227/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/154556/1440x810.jpg",
            "visual_description": "Illustration de la microscopie intelligente pour la détection des agrégats de protéines. 2025 Alexey Chizhik/EPFL - CC-BY-SA 4.0",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 10,
                "name": "STI",
                "fr_description": "Canal permettant de gérer les actualités de la faculté STI",
                "en_description": "Canal permettant de gérer les actualités de la faculté STI",
                "de_description": "",
                "is_active": true
            },
            "category": {
                "id": 3,
                "fr_label": "Recherche",
                "en_label": "Research",
                "de_label": "Forschung"
            },
            "news_url": "https://actu.epfl.ch/news/un-microscope-intelligent-predit-les-signes-de-neu",
            "themes": [
                "http://actu.epfl.ch/api/v1/themes/2/?format=api",
                "http://actu.epfl.ch/api/v1/themes/11/?format=api"
            ],
            "publics": [
                "http://actu.epfl.ch/api/v1/publics/1/?format=api",
                "http://actu.epfl.ch/api/v1/publics/2/?format=api",
                "http://actu.epfl.ch/api/v1/publics/3/?format=api",
                "http://actu.epfl.ch/api/v1/publics/4/?format=api",
                "http://actu.epfl.ch/api/v1/publics/5/?format=api",
                "http://actu.epfl.ch/api/v1/publics/6/?format=api"
            ],
            "faculties": [
                "http://actu.epfl.ch/api/v1/faculties/6/?format=api",
                "http://actu.epfl.ch/api/v1/faculties/7/?format=api"
            ],
            "projects": [
                "http://actu.epfl.ch/api/v1/projects/267/?format=api",
                "http://actu.epfl.ch/api/v1/projects/272/?format=api",
                "http://actu.epfl.ch/api/v1/projects/274/?format=api"
            ],
            "authors": [
                {
                    "first_name": "Celia",
                    "last_name": "Luterbacher",
                    "url": null
                }
            ],
            "links": [],
            "funding": "",
            "references": "<p>Self-Driving Microscopy Detects the Onset of Protein Aggregation and Enables Intelligent Brillouin Imaging. Khalid A. Ibrahim, Camille Cathala, Carlo Bevilacqua, Lely Feletti, Robert Prevedel, Hilal A. Lashuel and Aleksandra Radenovic. https://doi.org/10.1038/s41467-025-60912-0 </p>\n<p>Ibrahim, K.A., Grußmayer, K.S., Riguet, N. et al. Label-free identification of protein aggregates using deep learning. Nat Commun 14, 7816 (2023). https://doi.org/10.1038/s41467-023-43440-7</p>",
            "is_under_cc_license": true
        },
        {
            "id": 198864,
            "lang": "fr",
            "title": "Un microscope intelligent prédit les signes de neurodégénérescence",
            "subtitle": "<p>Des scientifiques de l’EPFL ont mis au point un microscope autonome capable de prédire le début de l’agrégation de protéines mal repliées – caractéristique des maladies neurodégénératives – et d’analyser les propriétés biomécaniques de ces agrégats.</p>",
            "text": "<p>L’accumulation de protéines mal repliées dans le cerveau joue un rôle central dans la progression de maladies neurodégénératives, comme la maladie de Huntington, la maladie d’Alzheimer et la maladie de Parkinson. Mais pour l’œil humain, les protéines destinées à former des agrégats nocifs ne sont pas différentes des protéines normales. La formation de tels agrégats a également tendance à se produire de manière aléatoire et relativement rapide – à l’échelle de quelques minutes. La capacité d’identifier et de caractériser les agrégats de protéines est essentielle pour comprendre et combattre les maladies neurodégénératives.</p> <p>Grâce à l’apprentissage profond, des scientifiques de l’EPFL ont mis au point un système d’imagerie autonome qui exploite plusieurs méthodes de microscopie pour suivre et analyser l’agrégation des protéines en temps réel, voire l’anticiper avant qu’elle ne commence. En plus d’optimiser l’efficacité de l’imagerie, cette approche minimise l’utilisation de marqueurs fluorescents, qui peuvent altérer les propriétés biophysiques des échantillons cellulaires et nuire à l’exactitude de l’analyse.</p> <p>«C’est la première fois que nous sommes en mesure de prévoir avec précision la formation de ces agrégats de protéines, déclare Khalid Ibrahim, qui a récemment défendu sa thèse à l’EPFL. Comme leurs propriétés biomécaniques sont liées aux maladies et à la perturbation de la fonction cellulaire, comprendre comment ces propriétés évoluent tout au long du processus d’agrégation permettra d’acquérir des connaissances fondamentales essentielles pour développer des solutions.»</p> <p>Khalid Ibrahim vient de publier ces travaux dans <a href=\"http://doi.org/10.1038/s41467-025-60912-0\"><em>Nature Communications</em></a> aux côtés d’Aleksandra Radenovic, responsable du <a href=\"https://www.epfl.ch/labs/lben/\">Laboratoire de biologie à l’échelle nanométrique</a> de la Faculté des sciences et techniques de l’ingénieur, et de Hilal Lashuel de la Faculté des sciences de la vie, en collaboration avec Carlo Bevilacqua et Robert Prevedel du Laboratoire européen de biologie moléculaire de Heidelberg, en Allemagne. Ce projet est le fruit d'une collaboration de longue date entre les deux laboratoires de l’EPFL, qui réunissent des compétences complémentaires en matière de neurodégénérescence et de technologies avancées d'imagerie des cellules vivantes. « Ce projet est né de la volonté de mettre au point des méthodes qui révèlent de nouvelles connaissances biophysiques, et il est passionnant de voir comment cette vision a porté ses fruits», déclare Aleksandra Radenovic.</p> <p><strong>Assister à la naissance d’un agrégat de protéines</strong></p> <p>Dans le cadre de leur première collaboration, dirigée par Khalid Ibrahim, l'équipe a développé un algorithme d’apprentissage profond <a href=\"https://actu.epfl.ch/news/l-ia-revolutionne-l-etude-des-maladies-neurodegene/\">qui a permis de détecter des agrégats de protéines matures</a> lorsqu’ils sont présentés avec des images non marquées de cellules vivantes. La nouvelle étude s’appuie sur ces travaux avec une version de classification d’images de l’algorithme qui analyse ces images en temps réel: lorsque cet algorithme détecte un agrégat de protéines matures, il déclenche un microscope Brillouin, qui analyse la lumière diffusée pour caractériser les propriétés biomécaniques de l’agrégat comme l’élasticité.</p> <p>Normalement, la vitesse d’imagerie lente d’un microscope Brillouin en fait un mauvais choix pour l’étude des agrégats de protéines à évolution rapide. Mais grâce à l’approche basée sur l’IA de l’équipe de l’EPFL, le microscope Brillouin n’est activé que lorsqu’un agrégat de protéines est détecté, ce qui accélère l’ensemble du processus tout en ouvrant de nouvelles perspectives en microscopie intelligente.</p> <p>«C’est la première publication qui montre le potentiel impressionnant des systèmes autonomes pour intégrer des méthodes de microscopie sans marqueur, ce qui devrait permettre à davantage de biologistes d’adopter des techniques de microscopie intelligente en évolution rapide», affirme Khalid Ibrahim.</p> <p>Comme l’algorithme de classification d’images ne cible que les agrégats de protéines matures, les scientifiques devaient encore aller plus loin s’ils voulaient détecter la formation d’agrégats. Pour cela, ils ont mis au point un deuxième algorithme d’apprentissage profond et l’ont entraîné sur des images marquées par fluorescence de protéines dans des cellules vivantes. Cet algorithme de détection de «début d’agrégation» peut différencier des images quasi identiques afin d’identifier correctement quand l’agrégation aura lieu avec une précision de 91 %. Une fois ce début d’agrégation détecté, le système autonome réactive l’imagerie Brillouin pour offrir une fenêtre inédite sur l’agrégation des protéines. Pour la première fois, la biomécanique de ce processus peut être capturée dynamiquement au fur et à mesure.</p> <p>Hilal Lashuel souligne qu’en plus de faire progresser la microscopie intelligente, ces travaux ont d’importantes implications pour la découverte de médicaments et la médecine de précision. « Les méthodes de microscopie sans marqueur créent des moyens entièrement nouveaux d'étudier et de cibler de petits agrégats de protéines appelés oligomères toxiques, dont on pense qu'ils jouent un rôle causal central dans la neurodégénérescence. Nous sommes ravis de nous appuyer sur ces réalisations et d'ouvrir la voie à des plateformes de développement de médicaments qui accéléreront la mise au point de thérapies plus efficaces pour les maladies neurodégénératives. »</p>",
            "order": 200124,
            "publish_date": "2025-07-24T11:00:03",
            "visual_url": "https://actu.epfl.ch/image/155970/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/155971/1440x810.jpg",
            "visual_description": "Illustration de la microscopie intelligente pour la détection des agrégats de protéines. 2025 Alexey Chizhik/EPFL - CC-BY-SA 4.0",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 1,
                "name": "Mediacom",
                "fr_description": "Canal permettant de gérer les actualités de la home page de l'epfl. Voir http://www.epfl.ch",
                "en_description": "Canal permettant de gérer les actualités de la home page de l'epfl. Voir http://www.epfl.ch",
                "de_description": "Canal permettant de gérer les actualités de la home page de l'epfl. Voir http://www.epfl.ch",
                "is_active": true
            },
            "category": {
                "id": 3,
                "fr_label": "Recherche",
                "en_label": "Research",
                "de_label": "Forschung"
            },
            "news_url": "https://actu.epfl.ch/news/un-microscope-intelligent-predit-les-signes-de-n-2",
            "themes": [
                "http://actu.epfl.ch/api/v1/themes/2/?format=api",
                "http://actu.epfl.ch/api/v1/themes/11/?format=api"
            ],
            "publics": [
                "http://actu.epfl.ch/api/v1/publics/1/?format=api",
                "http://actu.epfl.ch/api/v1/publics/2/?format=api",
                "http://actu.epfl.ch/api/v1/publics/3/?format=api",
                "http://actu.epfl.ch/api/v1/publics/4/?format=api",
                "http://actu.epfl.ch/api/v1/publics/5/?format=api",
                "http://actu.epfl.ch/api/v1/publics/6/?format=api"
            ],
            "faculties": [
                "http://actu.epfl.ch/api/v1/faculties/6/?format=api",
                "http://actu.epfl.ch/api/v1/faculties/7/?format=api"
            ],
            "projects": [],
            "authors": [
                {
                    "first_name": "Celia",
                    "last_name": "Luterbacher",
                    "url": null
                }
            ],
            "links": [],
            "funding": "",
            "references": "<p>Self-Driving Microscopy Detects the Onset of Protein Aggregation and Enables Intelligent Brillouin Imaging. Khalid A. Ibrahim, Camille Cathala, Carlo Bevilacqua, Lely Feletti, Robert Prevedel, Hilal A. Lashuel and Aleksandra Radenovic. https://doi.org/10.1038/s41467-025-60912-0 </p>\n<p>Ibrahim, K.A., Grußmayer, K.S., Riguet, N. et al. Label-free identification of protein aggregates using deep learning. Nat Commun 14, 7816 (2023). https://doi.org/10.1038/s41467-023-43440-7</p>",
            "is_under_cc_license": true
        },
        {
            "id": 199473,
            "lang": "fr",
            "title": "Un microscope intelligent prédit les signes de neurodégénérescence",
            "subtitle": "<p>Des scientifiques de l’EPFL ont mis au point un microscope autonome capable de prédire le début de l’agrégation de protéines mal repliées – caractéristique des maladies neurodégénératives – et d’analyser les propriétés biomécaniques de ces agrégats.</p>",
            "text": "<p>L’accumulation de protéines mal repliées dans le cerveau joue un rôle central dans la progression de maladies neurodégénératives, comme la maladie de Huntington, la maladie d’Alzheimer et la maladie de Parkinson. Mais pour l’œil humain, les protéines destinées à former des agrégats nocifs ne sont pas différentes des protéines normales. La formation de tels agrégats a également tendance à se produire de manière aléatoire et relativement rapide – à l’échelle de quelques minutes. La capacité d’identifier et de caractériser les agrégats de protéines est essentielle pour comprendre et combattre les maladies neurodégénératives.</p> <p>Grâce à l’apprentissage profond, des scientifiques de l’EPFL ont mis au point un système d’imagerie autonome qui exploite plusieurs méthodes de microscopie pour suivre et analyser l’agrégation des protéines en temps réel, voire l’anticiper avant qu’elle ne commence. En plus d’optimiser l’efficacité de l’imagerie, cette approche minimise l’utilisation de marqueurs fluorescents, qui peuvent altérer les propriétés biophysiques des échantillons cellulaires et nuire à l’exactitude de l’analyse.</p> <p>«C’est la première fois que nous sommes en mesure de prévoir avec précision la formation de ces agrégats de protéines, déclare Khalid Ibrahim, qui a récemment défendu sa thèse à l’EPFL. Comme leurs propriétés biomécaniques sont liées aux maladies et à la perturbation de la fonction cellulaire, comprendre comment ces propriétés évoluent tout au long du processus d’agrégation permettra d’acquérir des connaissances fondamentales essentielles pour développer des solutions.»</p> <p>Khalid Ibrahim vient de publier ces travaux dans <a href=\"http://doi.org/10.1038/s41467-025-60912-0\"><em>Nature Communications</em></a> aux côtés d’Aleksandra Radenovic, responsable du <a href=\"https://www.epfl.ch/labs/lben/\">Laboratoire de biologie à l’échelle nanométrique</a> de la Faculté des sciences et techniques de l’ingénieur, et de Hilal Lashuel de la Faculté des sciences de la vie, en collaboration avec Carlo Bevilacqua et Robert Prevedel du Laboratoire européen de biologie moléculaire de Heidelberg, en Allemagne. Ce projet est le fruit d'une collaboration de longue date entre les deux laboratoires de l’EPFL, qui réunissent des compétences complémentaires en matière de neurodégénérescence et de technologies avancées d'imagerie des cellules vivantes. « Ce projet est né de la volonté de mettre au point des méthodes qui révèlent de nouvelles connaissances biophysiques, et il est passionnant de voir comment cette vision a porté ses fruits», déclare Aleksandra Radenovic.</p> <p><strong>Assister à la naissance d’un agrégat de protéines</strong></p> <p>Dans le cadre de leur première collaboration, dirigée par Khalid Ibrahim, l'équipe a développé un algorithme d’apprentissage profond <a href=\"https://actu.epfl.ch/news/l-ia-revolutionne-l-etude-des-maladies-neurodegene/\">qui a permis de détecter des agrégats de protéines matures</a> lorsqu’ils sont présentés avec des images non marquées de cellules vivantes. La nouvelle étude s’appuie sur ces travaux avec une version de classification d’images de l’algorithme qui analyse ces images en temps réel: lorsque cet algorithme détecte un agrégat de protéines matures, il déclenche un microscope Brillouin, qui analyse la lumière diffusée pour caractériser les propriétés biomécaniques de l’agrégat comme l’élasticité.</p> <p>Normalement, la vitesse d’imagerie lente d’un microscope Brillouin en fait un mauvais choix pour l’étude des agrégats de protéines à évolution rapide. Mais grâce à l’approche basée sur l’IA de l’équipe de l’EPFL, le microscope Brillouin n’est activé que lorsqu’un agrégat de protéines est détecté, ce qui accélère l’ensemble du processus tout en ouvrant de nouvelles perspectives en microscopie intelligente.</p> <p>«C’est la première publication qui montre le potentiel impressionnant des systèmes autonomes pour intégrer des méthodes de microscopie sans marqueur, ce qui devrait permettre à davantage de biologistes d’adopter des techniques de microscopie intelligente en évolution rapide», affirme Khalid Ibrahim.</p> <p>Comme l’algorithme de classification d’images ne cible que les agrégats de protéines matures, les scientifiques devaient encore aller plus loin s’ils voulaient détecter la formation d’agrégats. Pour cela, ils ont mis au point un deuxième algorithme d’apprentissage profond et l’ont entraîné sur des images marquées par fluorescence de protéines dans des cellules vivantes. Cet algorithme de détection de «début d’agrégation» peut différencier des images quasi identiques afin d’identifier correctement quand l’agrégation aura lieu avec une précision de 91 %. Une fois ce début d’agrégation détecté, le système autonome réactive l’imagerie Brillouin pour offrir une fenêtre inédite sur l’agrégation des protéines. Pour la première fois, la biomécanique de ce processus peut être capturée dynamiquement au fur et à mesure.</p> <p>Hilal Lashuel souligne qu’en plus de faire progresser la microscopie intelligente, ces travaux ont d’importantes implications pour la découverte de médicaments et la médecine de précision. « Les méthodes de microscopie sans marqueur créent des moyens entièrement nouveaux d'étudier et de cibler de petits agrégats de protéines appelés oligomères toxiques, dont on pense qu'ils jouent un rôle causal central dans la neurodégénérescence. Nous sommes ravis de nous appuyer sur ces réalisations et d'ouvrir la voie à des plateformes de développement de médicaments qui accéléreront la mise au point de thérapies plus efficaces pour les maladies neurodégénératives. »</p>",
            "order": 200124,
            "publish_date": "2025-07-24T11:00:03",
            "visual_url": "https://actu.epfl.ch/image/156057/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/156058/1440x810.jpg",
            "visual_description": "Illustration de la microscopie intelligente pour la détection des agrégats de protéines. 2025 Alexey Chizhik/EPFL - CC-BY-SA 4.0",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 599,
                "name": "wellbeing",
                "fr_description": "Actualités de l'EPFL liées à la santé mentale et au bien-être",
                "en_description": "EPFL news related to mental health and well being",
                "de_description": "",
                "is_active": true
            },
            "category": {
                "id": 3,
                "fr_label": "Recherche",
                "en_label": "Research",
                "de_label": "Forschung"
            },
            "news_url": "https://actu.epfl.ch/news/un-microscope-intelligent-predit-les-signes-de-n-3",
            "themes": [
                "http://actu.epfl.ch/api/v1/themes/2/?format=api",
                "http://actu.epfl.ch/api/v1/themes/11/?format=api"
            ],
            "publics": [
                "http://actu.epfl.ch/api/v1/publics/1/?format=api",
                "http://actu.epfl.ch/api/v1/publics/2/?format=api",
                "http://actu.epfl.ch/api/v1/publics/3/?format=api",
                "http://actu.epfl.ch/api/v1/publics/4/?format=api",
                "http://actu.epfl.ch/api/v1/publics/5/?format=api",
                "http://actu.epfl.ch/api/v1/publics/6/?format=api"
            ],
            "faculties": [
                "http://actu.epfl.ch/api/v1/faculties/6/?format=api",
                "http://actu.epfl.ch/api/v1/faculties/7/?format=api"
            ],
            "projects": [],
            "authors": [
                {
                    "first_name": "Celia",
                    "last_name": "Luterbacher",
                    "url": null
                }
            ],
            "links": [],
            "funding": "",
            "references": "<p>Self-Driving Microscopy Detects the Onset of Protein Aggregation and Enables Intelligent Brillouin Imaging. Khalid A. Ibrahim, Camille Cathala, Carlo Bevilacqua, Lely Feletti, Robert Prevedel, Hilal A. Lashuel and Aleksandra Radenovic. https://doi.org/10.1038/s41467-025-60912-0 </p>\n<p>Ibrahim, K.A., Grußmayer, K.S., Riguet, N. et al. Label-free identification of protein aggregates using deep learning. Nat Commun 14, 7816 (2023). https://doi.org/10.1038/s41467-023-43440-7</p>",
            "is_under_cc_license": true
        },
        {
            "id": 199506,
            "lang": "fr",
            "title": "Un microscope intelligent prédit les signes de neurodégénérescence",
            "subtitle": "<p>Des scientifiques de l’EPFL ont mis au point un microscope autonome capable de prédire le début de l’agrégation de protéines mal repliées – caractéristique des maladies neurodégénératives – et d’analyser les propriétés biomécaniques de ces agrégats.</p>",
            "text": "<p>L’accumulation de protéines mal repliées dans le cerveau joue un rôle central dans la progression de maladies neurodégénératives, comme la maladie de Huntington, la maladie d’Alzheimer et la maladie de Parkinson. Mais pour l’œil humain, les protéines destinées à former des agrégats nocifs ne sont pas différentes des protéines normales. La formation de tels agrégats a également tendance à se produire de manière aléatoire et relativement rapide – à l’échelle de quelques minutes. La capacité d’identifier et de caractériser les agrégats de protéines est essentielle pour comprendre et combattre les maladies neurodégénératives.</p> <p>Grâce à l’apprentissage profond, des scientifiques de l’EPFL ont mis au point un système d’imagerie autonome qui exploite plusieurs méthodes de microscopie pour suivre et analyser l’agrégation des protéines en temps réel, voire l’anticiper avant qu’elle ne commence. En plus d’optimiser l’efficacité de l’imagerie, cette approche minimise l’utilisation de marqueurs fluorescents, qui peuvent altérer les propriétés biophysiques des échantillons cellulaires et nuire à l’exactitude de l’analyse.</p> <p>«C’est la première fois que nous sommes en mesure de prévoir avec précision la formation de ces agrégats de protéines, déclare Khalid Ibrahim, qui a récemment défendu sa thèse à l’EPFL. Comme leurs propriétés biomécaniques sont liées aux maladies et à la perturbation de la fonction cellulaire, comprendre comment ces propriétés évoluent tout au long du processus d’agrégation permettra d’acquérir des connaissances fondamentales essentielles pour développer des solutions.»</p> <p>Khalid Ibrahim vient de publier ces travaux dans <a href=\"http://doi.org/10.1038/s41467-025-60912-0\"><em>Nature Communications</em></a> aux côtés d’Aleksandra Radenovic, responsable du <a href=\"https://www.epfl.ch/labs/lben/\">Laboratoire de biologie à l’échelle nanométrique</a> de la Faculté des sciences et techniques de l’ingénieur, et de Hilal Lashuel de la Faculté des sciences de la vie, en collaboration avec Carlo Bevilacqua et Robert Prevedel du Laboratoire européen de biologie moléculaire de Heidelberg, en Allemagne. Ce projet est le fruit d'une collaboration de longue date entre les deux laboratoires de l’EPFL, qui réunissent des compétences complémentaires en matière de neurodégénérescence et de technologies avancées d'imagerie des cellules vivantes. « Ce projet est né de la volonté de mettre au point des méthodes qui révèlent de nouvelles connaissances biophysiques, et il est passionnant de voir comment cette vision a porté ses fruits», déclare Aleksandra Radenovic.</p> <p><strong>Assister à la naissance d’un agrégat de protéines</strong></p> <p>Dans le cadre de leur première collaboration, dirigée par Khalid Ibrahim, l'équipe a développé un algorithme d’apprentissage profond <a href=\"https://actu.epfl.ch/news/l-ia-revolutionne-l-etude-des-maladies-neurodegene/\">qui a permis de détecter des agrégats de protéines matures</a> lorsqu’ils sont présentés avec des images non marquées de cellules vivantes. La nouvelle étude s’appuie sur ces travaux avec une version de classification d’images de l’algorithme qui analyse ces images en temps réel: lorsque cet algorithme détecte un agrégat de protéines matures, il déclenche un microscope Brillouin, qui analyse la lumière diffusée pour caractériser les propriétés biomécaniques de l’agrégat comme l’élasticité.</p> <p>Normalement, la vitesse d’imagerie lente d’un microscope Brillouin en fait un mauvais choix pour l’étude des agrégats de protéines à évolution rapide. Mais grâce à l’approche basée sur l’IA de l’équipe de l’EPFL, le microscope Brillouin n’est activé que lorsqu’un agrégat de protéines est détecté, ce qui accélère l’ensemble du processus tout en ouvrant de nouvelles perspectives en microscopie intelligente.</p> <p>«C’est la première publication qui montre le potentiel impressionnant des systèmes autonomes pour intégrer des méthodes de microscopie sans marqueur, ce qui devrait permettre à davantage de biologistes d’adopter des techniques de microscopie intelligente en évolution rapide», affirme Khalid Ibrahim.</p> <p>Comme l’algorithme de classification d’images ne cible que les agrégats de protéines matures, les scientifiques devaient encore aller plus loin s’ils voulaient détecter la formation d’agrégats. Pour cela, ils ont mis au point un deuxième algorithme d’apprentissage profond et l’ont entraîné sur des images marquées par fluorescence de protéines dans des cellules vivantes. Cet algorithme de détection de «début d’agrégation» peut différencier des images quasi identiques afin d’identifier correctement quand l’agrégation aura lieu avec une précision de 91 %. Une fois ce début d’agrégation détecté, le système autonome réactive l’imagerie Brillouin pour offrir une fenêtre inédite sur l’agrégation des protéines. Pour la première fois, la biomécanique de ce processus peut être capturée dynamiquement au fur et à mesure.</p> <p>Hilal Lashuel souligne qu’en plus de faire progresser la microscopie intelligente, ces travaux ont d’importantes implications pour la découverte de médicaments et la médecine de précision. « Les méthodes de microscopie sans marqueur créent des moyens entièrement nouveaux d'étudier et de cibler de petits agrégats de protéines appelés oligomères toxiques, dont on pense qu'ils jouent un rôle causal central dans la neurodégénérescence. Nous sommes ravis de nous appuyer sur ces réalisations et d'ouvrir la voie à des plateformes de développement de médicaments qui accéléreront la mise au point de thérapies plus efficaces pour les maladies neurodégénératives. »</p>",
            "order": 200124,
            "publish_date": "2025-07-24T11:00:03",
            "visual_url": "https://actu.epfl.ch/image/156143/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/156144/1440x810.jpg",
            "visual_description": "Illustration de la microscopie intelligente pour la détection des agrégats de protéines. 2025 Alexey Chizhik/EPFL - CC-BY-SA 4.0",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 427,
                "name": "AE",
                "fr_description": "Annonce des actions, consultation et manifestations\r\norganisées par l'Assemblée d'Ecole",
                "en_description": "",
                "de_description": null,
                "is_active": true
            },
            "category": {
                "id": 3,
                "fr_label": "Recherche",
                "en_label": "Research",
                "de_label": "Forschung"
            },
            "news_url": "https://actu.epfl.ch/news/un-microscope-intelligent-predit-les-signes-de-n-4",
            "themes": [
                "http://actu.epfl.ch/api/v1/themes/2/?format=api",
                "http://actu.epfl.ch/api/v1/themes/11/?format=api"
            ],
            "publics": [
                "http://actu.epfl.ch/api/v1/publics/1/?format=api",
                "http://actu.epfl.ch/api/v1/publics/2/?format=api",
                "http://actu.epfl.ch/api/v1/publics/3/?format=api",
                "http://actu.epfl.ch/api/v1/publics/4/?format=api",
                "http://actu.epfl.ch/api/v1/publics/5/?format=api",
                "http://actu.epfl.ch/api/v1/publics/6/?format=api"
            ],
            "faculties": [
                "http://actu.epfl.ch/api/v1/faculties/6/?format=api",
                "http://actu.epfl.ch/api/v1/faculties/7/?format=api"
            ],
            "projects": [],
            "authors": [
                {
                    "first_name": "Celia",
                    "last_name": "Luterbacher",
                    "url": null
                }
            ],
            "links": [],
            "funding": "",
            "references": "<p>Self-Driving Microscopy Detects the Onset of Protein Aggregation and Enables Intelligent Brillouin Imaging. Khalid A. Ibrahim, Camille Cathala, Carlo Bevilacqua, Lely Feletti, Robert Prevedel, Hilal A. Lashuel and Aleksandra Radenovic. https://doi.org/10.1038/s41467-025-60912-0 </p>\n<p>Ibrahim, K.A., Grußmayer, K.S., Riguet, N. et al. Label-free identification of protein aggregates using deep learning. Nat Commun 14, 7816 (2023). https://doi.org/10.1038/s41467-023-43440-7</p>",
            "is_under_cc_license": true
        },
        {
            "id": 199511,
            "lang": "fr",
            "title": "Un microscope intelligent prédit les signes de neurodégénérescence",
            "subtitle": "<p>Des scientifiques de l’EPFL ont mis au point un microscope autonome capable de prédire le début de l’agrégation de protéines mal repliées – caractéristique des maladies neurodégénératives – et d’analyser les propriétés biomécaniques de ces agrégats.</p>",
            "text": "<p>L’accumulation de protéines mal repliées dans le cerveau joue un rôle central dans la progression de maladies neurodégénératives, comme la maladie de Huntington, la maladie d’Alzheimer et la maladie de Parkinson. Mais pour l’œil humain, les protéines destinées à former des agrégats nocifs ne sont pas différentes des protéines normales. La formation de tels agrégats a également tendance à se produire de manière aléatoire et relativement rapide – à l’échelle de quelques minutes. La capacité d’identifier et de caractériser les agrégats de protéines est essentielle pour comprendre et combattre les maladies neurodégénératives.</p> <p>Grâce à l’apprentissage profond, des scientifiques de l’EPFL ont mis au point un système d’imagerie autonome qui exploite plusieurs méthodes de microscopie pour suivre et analyser l’agrégation des protéines en temps réel, voire l’anticiper avant qu’elle ne commence. En plus d’optimiser l’efficacité de l’imagerie, cette approche minimise l’utilisation de marqueurs fluorescents, qui peuvent altérer les propriétés biophysiques des échantillons cellulaires et nuire à l’exactitude de l’analyse.</p> <p>«C’est la première fois que nous sommes en mesure de prévoir avec précision la formation de ces agrégats de protéines, déclare Khalid Ibrahim, qui a récemment défendu sa thèse à l’EPFL. Comme leurs propriétés biomécaniques sont liées aux maladies et à la perturbation de la fonction cellulaire, comprendre comment ces propriétés évoluent tout au long du processus d’agrégation permettra d’acquérir des connaissances fondamentales essentielles pour développer des solutions.»</p> <p>Khalid Ibrahim vient de publier ces travaux dans <a href=\"http://doi.org/10.1038/s41467-025-60912-0\"><em>Nature Communications</em></a> aux côtés d’Aleksandra Radenovic, responsable du <a href=\"https://www.epfl.ch/labs/lben/\">Laboratoire de biologie à l’échelle nanométrique</a> de la Faculté des sciences et techniques de l’ingénieur, et de Hilal Lashuel de la Faculté des sciences de la vie, en collaboration avec Carlo Bevilacqua et Robert Prevedel du Laboratoire européen de biologie moléculaire de Heidelberg, en Allemagne. Ce projet est le fruit d'une collaboration de longue date entre les deux laboratoires de l’EPFL, qui réunissent des compétences complémentaires en matière de neurodégénérescence et de technologies avancées d'imagerie des cellules vivantes. « Ce projet est né de la volonté de mettre au point des méthodes qui révèlent de nouvelles connaissances biophysiques, et il est passionnant de voir comment cette vision a porté ses fruits», déclare Aleksandra Radenovic.</p> <p><strong>Assister à la naissance d’un agrégat de protéines</strong></p> <p>Dans le cadre de leur première collaboration, dirigée par Khalid Ibrahim, l'équipe a développé un algorithme d’apprentissage profond <a href=\"https://actu.epfl.ch/news/l-ia-revolutionne-l-etude-des-maladies-neurodegene/\">qui a permis de détecter des agrégats de protéines matures</a> lorsqu’ils sont présentés avec des images non marquées de cellules vivantes. La nouvelle étude s’appuie sur ces travaux avec une version de classification d’images de l’algorithme qui analyse ces images en temps réel: lorsque cet algorithme détecte un agrégat de protéines matures, il déclenche un microscope Brillouin, qui analyse la lumière diffusée pour caractériser les propriétés biomécaniques de l’agrégat comme l’élasticité.</p> <p>Normalement, la vitesse d’imagerie lente d’un microscope Brillouin en fait un mauvais choix pour l’étude des agrégats de protéines à évolution rapide. Mais grâce à l’approche basée sur l’IA de l’équipe de l’EPFL, le microscope Brillouin n’est activé que lorsqu’un agrégat de protéines est détecté, ce qui accélère l’ensemble du processus tout en ouvrant de nouvelles perspectives en microscopie intelligente.</p> <p>«C’est la première publication qui montre le potentiel impressionnant des systèmes autonomes pour intégrer des méthodes de microscopie sans marqueur, ce qui devrait permettre à davantage de biologistes d’adopter des techniques de microscopie intelligente en évolution rapide», affirme Khalid Ibrahim.</p> <p>Comme l’algorithme de classification d’images ne cible que les agrégats de protéines matures, les scientifiques devaient encore aller plus loin s’ils voulaient détecter la formation d’agrégats. Pour cela, ils ont mis au point un deuxième algorithme d’apprentissage profond et l’ont entraîné sur des images marquées par fluorescence de protéines dans des cellules vivantes. Cet algorithme de détection de «début d’agrégation» peut différencier des images quasi identiques afin d’identifier correctement quand l’agrégation aura lieu avec une précision de 91 %. Une fois ce début d’agrégation détecté, le système autonome réactive l’imagerie Brillouin pour offrir une fenêtre inédite sur l’agrégation des protéines. Pour la première fois, la biomécanique de ce processus peut être capturée dynamiquement au fur et à mesure.</p> <p>Hilal Lashuel souligne qu’en plus de faire progresser la microscopie intelligente, ces travaux ont d’importantes implications pour la découverte de médicaments et la médecine de précision. « Les méthodes de microscopie sans marqueur créent des moyens entièrement nouveaux d'étudier et de cibler de petits agrégats de protéines appelés oligomères toxiques, dont on pense qu'ils jouent un rôle causal central dans la neurodégénérescence. Nous sommes ravis de nous appuyer sur ces réalisations et d'ouvrir la voie à des plateformes de développement de médicaments qui accéléreront la mise au point de thérapies plus efficaces pour les maladies neurodégénératives. »</p>",
            "order": 200124,
            "publish_date": "2025-07-24T11:00:03",
            "visual_url": "https://actu.epfl.ch/image/156145/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/156146/1440x810.jpg",
            "visual_description": "Illustration de la microscopie intelligente pour la détection des agrégats de protéines. 2025 Alexey Chizhik/EPFL - CC-BY-SA 4.0",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 507,
                "name": "LBEN",
                "fr_description": "LBEN canal d'actualités",
                "en_description": "LBEN news channel",
                "de_description": null,
                "is_active": true
            },
            "category": {
                "id": 3,
                "fr_label": "Recherche",
                "en_label": "Research",
                "de_label": "Forschung"
            },
            "news_url": "https://actu.epfl.ch/news/un-microscope-intelligent-predit-les-signes-de-n-5",
            "themes": [
                "http://actu.epfl.ch/api/v1/themes/2/?format=api",
                "http://actu.epfl.ch/api/v1/themes/11/?format=api"
            ],
            "publics": [
                "http://actu.epfl.ch/api/v1/publics/1/?format=api",
                "http://actu.epfl.ch/api/v1/publics/2/?format=api",
                "http://actu.epfl.ch/api/v1/publics/3/?format=api",
                "http://actu.epfl.ch/api/v1/publics/4/?format=api",
                "http://actu.epfl.ch/api/v1/publics/5/?format=api",
                "http://actu.epfl.ch/api/v1/publics/6/?format=api"
            ],
            "faculties": [
                "http://actu.epfl.ch/api/v1/faculties/6/?format=api",
                "http://actu.epfl.ch/api/v1/faculties/7/?format=api"
            ],
            "projects": [],
            "authors": [
                {
                    "first_name": "Celia",
                    "last_name": "Luterbacher",
                    "url": null
                }
            ],
            "links": [],
            "funding": "",
            "references": "<p>Self-Driving Microscopy Detects the Onset of Protein Aggregation and Enables Intelligent Brillouin Imaging. Khalid A. Ibrahim, Camille Cathala, Carlo Bevilacqua, Lely Feletti, Robert Prevedel, Hilal A. Lashuel and Aleksandra Radenovic. https://doi.org/10.1038/s41467-025-60912-0 </p>\n<p>Ibrahim, K.A., Grußmayer, K.S., Riguet, N. et al. Label-free identification of protein aggregates using deep learning. Nat Commun 14, 7816 (2023). https://doi.org/10.1038/s41467-023-43440-7</p>",
            "is_under_cc_license": true
        },
        {
            "id": 199255,
            "lang": "fr",
            "title": "Nergiz Sahin Solmaz reçoit le prix Raymond Andrew",
            "subtitle": "<p>Nergiz Sahin Solmaz, qui a obtenu son doctorat au sein du programme doctoral en microsystèmes et microélectronique de l’EPFL, s’est vu décerner le prix Raymond Andrew par la société de résonance magnétique Groupement AMPERE lors de la conférence <a href=\"https://euromar2025.org/awards.html\">EUROMAR 2025</a>.</p>",
            "text": "<p>Elle a reçu ce prix en reconnaissance de sa thèse de doctorat intitulée <em>“Single-Chip Dynamic Nuclear Polarization Microsystems”</em><em>. </em>Ce prix est attribué par le Groupement <a href=\"https://www.ampere-society.org/\">AMPERE</a> à de jeunes scientifiques pour une thèse de doctorat exceptionnelle dans le domaine de la résonance magnétique, en hommage aux travaux pionniers du Prof. Dr. Raymond Andrew.</p> <p>Nergiz a réalisé son doctorat au Laboratoire de microsystèmes (<a href=\"https://www.epfl.ch/labs/lmis1/\">LMIS1</a>) en 2023, sous la direction de Giovanni Boero. Ses recherches sur la polarisation nucléaire dynamique sur puce unique ont permis de repousser les limites de détection et de miniaturisation, en intégrant pour la première fois des détecteurs ESR et RMN sur une seule puce en silicium — une avancée qui ouvre la voie à la démocratisation de cette technologie et à un accès élargi pour la communauté scientifique.</p> <div style=\"text-align:center\"> <figure class=\"image\" style=\"display:inline-block\"><img alt=\"\" height=\"534\" src=\"//actu.epfl.ch/public/upload/fckeditorimage/a5/7b/285f8216.jpg\" width=\"800\"/> <figcaption>© Marcin Selent, University of Oulu</figcaption> </figure> </div> <p></p>",
            "order": 199924,
            "publish_date": "2025-07-22T09:41:16",
            "visual_url": "https://actu.epfl.ch/image/156030/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/156031/1440x810.jpg",
            "visual_description": "© Marcin Selent, University of Oulu",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 78,
                "name": "research_awards",
                "fr_description": "Canal permettant de gérer les actualités des prix",
                "en_description": "Canal permettant de gérer les actualités des prix",
                "de_description": "",
                "is_active": true
            },
            "category": {
                "id": 1,
                "fr_label": "EPFL",
                "en_label": "EPFL",
                "de_label": "EPFL"
            },
            "news_url": "https://actu.epfl.ch/news/nergiz-sahin-solmaz-recoit-le-prix-raymond-andre-2",
            "themes": [],
            "publics": [],
            "faculties": [],
            "projects": [],
            "authors": [],
            "links": [],
            "funding": "",
            "references": "",
            "is_under_cc_license": false
        },
        {
            "id": 199246,
            "lang": "fr",
            "title": "Nergiz Sahin Solmaz reçoit le prix Raymond Andrew",
            "subtitle": "<p>Nergiz Sahin Solmaz, qui a obtenu son doctorat au sein du programme doctoral en microsystèmes et microélectronique de l’EPFL, s’est vu décerner le prix Raymond Andrew par la société de résonance magnétique Groupement AMPERE lors de la conférence <a href=\"https://euromar2025.org/awards.html\">EUROMAR 2025</a>.</p>",
            "text": "<p>Elle a reçu ce prix en reconnaissance de sa thèse de doctorat intitulée <em>“Single-Chip Dynamic Nuclear Polarization Microsystems”</em><em>. </em>Ce prix est attribué par le Groupement <a href=\"https://www.ampere-society.org/\">AMPERE</a> à de jeunes scientifiques pour une thèse de doctorat exceptionnelle dans le domaine de la résonance magnétique, en hommage aux travaux pionniers du Prof. Dr. Raymond Andrew.</p> <p>Nergiz a réalisé son doctorat au Laboratoire de microsystèmes (<a href=\"https://www.epfl.ch/labs/lmis1/\">LMIS1</a>) en 2023, sous la direction de Giovanni Boero. Ses recherches sur la polarisation nucléaire dynamique sur puce unique ont permis de repousser les limites de détection et de miniaturisation, en intégrant pour la première fois des détecteurs ESR et RMN sur une seule puce en silicium — une avancée qui ouvre la voie à la démocratisation de cette technologie et à un accès élargi pour la communauté scientifique.</p> <div style=\"text-align:center\"> <figure class=\"image\" style=\"display:inline-block\"><img alt=\"\" height=\"534\" src=\"//actu.epfl.ch/public/upload/fckeditorimage/a5/7b/285f8216.jpg\" width=\"800\"/> <figcaption>© Marcin Selent, University of Oulu</figcaption> </figure> </div> <p></p>",
            "order": 199924,
            "publish_date": "2025-07-22T09:41:16",
            "visual_url": "https://actu.epfl.ch/image/156026/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/156027/1440x810.jpg",
            "visual_description": "© Marcin Selent, University of Oulu",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 10,
                "name": "STI",
                "fr_description": "Canal permettant de gérer les actualités de la faculté STI",
                "en_description": "Canal permettant de gérer les actualités de la faculté STI",
                "de_description": "",
                "is_active": true
            },
            "category": {
                "id": 1,
                "fr_label": "EPFL",
                "en_label": "EPFL",
                "de_label": "EPFL"
            },
            "news_url": "https://actu.epfl.ch/news/nergiz-sahin-solmaz-recoit-le-prix-raymond-andrew",
            "themes": [],
            "publics": [],
            "faculties": [],
            "projects": [],
            "authors": [],
            "links": [],
            "funding": "",
            "references": "",
            "is_under_cc_license": false
        },
        {
            "id": 199259,
            "lang": "fr",
            "title": "Comment faire pour que l'IA voie aussi bien que les humains",
            "subtitle": "<p>Une étude de l’EPFL révèle pourquoi les êtres humains excellent dans la reconnaissance des objets à partir de fragments alors que l’IA peine à le faire, soulignant le rôle crucial de l’intégration des contours dans la vision humaine.</p>",
            "text": "<p>Chaque jour, nous reconnaissons sans effort des amis dans une foule ou identifions des formes familières, même si elles sont partiellement cachées. Notre cerveau assemble des fragments pour en faire des objets entiers, remplissant les blancs pour donner un sens à un monde souvent chaotique.</p> <p>Cette capacité est appelée «intégration des contours». Même les systèmes d’IA les plus intelligents ont encore du mal à effectuer cette tâche. Malgré les réalisations remarquables de l’intelligence artificielle dans la reconnaissance d’images, les IA peinent encore à généraliser à partir d’informations visuelles incomplètes ou fragmentées.</p> <p>Lorsque les objets sont partiellement cachés, effacés ou fragmentés, la plupart des modèles d’IA hésitent, classent incorrectement ou abandonnent. Cela peut être un grave problème dans la vie réelle, compte tenu de notre dépendance croissante à l’IA pour des applications, telles que les voitures autonomes, les prothèses et la robotique.<img align=\"\" alt=\"Anchor\" src=\"data:image/gif;base64,R0lGODlhAQABAPABAP///wAAACH5BAEKAAAALAAAAAABAAEAAAICRAEAOw==\" title=\"Anchor\"/></p> <p><a name=\"_Hlk201652202\">L'équipe du </a><a href=\"https://www.epfl.ch/labs/schrimpflab/\">NeuroAI Lab</a> de l’EPFL, dirigée par Martin Schrimpf, a entrepris de comparer systématiquement la manière dont les personnes et l’IA gèrent les puzzles visuels. <a href=\"https://people.epfl.ch/ben.lonnqvist\">Ben Lonnqvist</a>, étudiant diplômé de <a href=\"https://www.epfl.ch/education/phd/edne-neuroscience/\">l’EDNE</a> et principal auteur de l’étude, a collaboré avec le <a href=\"https://www.epfl.ch/labs/lpsy/\">Laboratoire de psychophysique</a> du professeur Michael Herzog pour développer une série de tests de reconnaissance dans lesquels des êtres humains et plus de 1000 réseaux neuronaux artificiels devaient identifier des objets dont les contours étaient manquants ou fragmentés. Leurs résultats montrent qu’en matière d’intégration des contours, les êtres humains surpassent systématiquement l’IA de pointe, et révèlent pourquoi.</p> <p>La recherche a été présentée à la <a href=\"https://icml.cc/\">Conférence internationale sur l’apprentissage machine (ICML) de 2025</a>.</p> <figure class=\"image\"><img alt=\"Les humains peuvent identifier des objets à partir de données partielles, tandis que les IA ont du mal à le faire. Crédit : Ben Lönnvist (EPFL)\" height=\"543\" src=\"//actu.epfl.ch/public/upload/fckeditorimage/85/c4/a82b951e.jpg\" width=\"1261\"/> <figcaption>Les humains peuvent identifier des objets à partir de données partielles, tandis que les IA ont du mal à le faire. Crédit : Ben Lönnvist (EPFL)</figcaption> </figure> <p><strong>Des tests de plus en plus difficiles</strong></p> <p>L’équipe a mis en place un test de reconnaissance d’objets en laboratoire avec une cinquantaine de volontaires. Les participantes et participants ont visualisé des images d’objets du quotidien, tels que des tasses, des chapeaux et des casseroles, dont les contours étaient systématiquement effacés ou décomposés en segments. Parfois, seulement 35 % des contours d’un objet restaient visibles. En parallèle, l’équipe a confié la même tâche à plus de 1000 modèles d’IA, dont certains des systèmes les plus puissants disponibles.</p> <p>L’expérience a porté sur 20 conditions différentes, variant le type et la quantité d’informations visuelles. L’équipe a comparé les performances dans ces conditions, mesurant la précision et analysant la manière dont les êtres humains et les machines réagissaient à des puzzles visuels de plus en plus difficiles.</p> <p>Les êtres humains se sont avérés remarquablement performants, obtenant souvent une précision de 50 % même lorsque la plus grande partie du contour d’un objet était absente. Les modèles d’IA, en revanche, avaient tendance à se perdre dans des suppositions aléatoires dans les mêmes conditions. Seuls les modèles entraînés sur des milliards d’images se sont rapprochés des performances humaines et, même alors, ils ont dû être spécifiquement adaptés aux images de l’étude.</p> <p>En creusant davantage, les chercheuses et chercheurs ont découvert que les êtres humains préfèrent naturellement reconnaître des objets lorsque des parties fragmentées pointent dans la même direction, ce que l’équipe a appelé le «biais d’intégration». Les modèles d’IA entraînés pour développer un biais similaire ont obtenu de meilleurs résultats lorsqu’ils étaient confrontés à des distorsions d’image. L’entraînement des systèmes d’IA spécialement conçus pour intégrer les contours a amélioré leur précision et leur a également permis de se concentrer davantage sur la forme d’un objet que sur sa texture.</p> <p><strong>Donner aux machines un contenu plus humain</strong></p> <p>Ces résultats suggèrent que l’intégration des contours n’est pas une caractéristique innée, mais qu’elle peut être apprise de l’expérience. Pour les industries qui s’appuient sur la vision par ordinateur, comme les voitures autonomes ou l’imagerie médicale, créer une IA qui voit le monde davantage comme nous pourrait aboutir à une technologie plus sûre et plus fiable.</p> <p>Les travaux montrent également que le meilleur moyen de combler cet écart n’est pas de bricoler avec des architectures d’IA, mais de donner aux machines un contenu visuel plus «humain», comprenant plusieurs images du monde réel où les objets sont souvent partiellement cachés.</p>",
            "order": 199910,
            "publish_date": "2025-07-22T07:00:03",
            "visual_url": "https://actu.epfl.ch/image/156032/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/156033/1440x810.jpg",
            "visual_description": "© EPFL/iStock (Vertigo3d)",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 7,
                "name": "IC",
                "fr_description": "IC - Main news\r\nCanal permettant de gérer les actualités de la faculté IC",
                "en_description": "IC - Main news\r\nCanal permettant de gérer les actualités de la faculté IC",
                "de_description": "",
                "is_active": true
            },
            "category": {
                "id": 3,
                "fr_label": "Recherche",
                "en_label": "Research",
                "de_label": "Forschung"
            },
            "news_url": "https://actu.epfl.ch/news/comment-faire-pour-que-l-ia-voie-aussi-bien-que--3",
            "themes": [
                "http://actu.epfl.ch/api/v1/themes/2/?format=api",
                "http://actu.epfl.ch/api/v1/themes/3/?format=api",
                "http://actu.epfl.ch/api/v1/themes/11/?format=api"
            ],
            "publics": [
                "http://actu.epfl.ch/api/v1/publics/1/?format=api",
                "http://actu.epfl.ch/api/v1/publics/2/?format=api",
                "http://actu.epfl.ch/api/v1/publics/3/?format=api",
                "http://actu.epfl.ch/api/v1/publics/4/?format=api",
                "http://actu.epfl.ch/api/v1/publics/5/?format=api",
                "http://actu.epfl.ch/api/v1/publics/6/?format=api"
            ],
            "faculties": [
                "http://actu.epfl.ch/api/v1/faculties/4/?format=api",
                "http://actu.epfl.ch/api/v1/faculties/7/?format=api"
            ],
            "projects": [],
            "authors": [
                {
                    "first_name": "Nik",
                    "last_name": "Papageorgiou",
                    "url": "https://people.epfl.ch/n.papageorgiou?lang=fr"
                }
            ],
            "links": [],
            "funding": "",
            "references": "<p>Ben Lönnqvist, Elsa Scialom, Abdulkadir Gokce, Zehra Merchant, Michael H. Herzog, Martin Schrimpf. Contour Integration Underlies Human-Like Vision. arXiv: <a href=\"https://arxiv.org/abs/2504.05253\">2504.05253</a></p>",
            "is_under_cc_license": true
        },
        {
            "id": 199169,
            "lang": "fr",
            "title": "Comment faire pour que l'IA voie aussi bien que les humains",
            "subtitle": "<p>Une étude de l’EPFL révèle pourquoi les êtres humains excellent dans la reconnaissance des objets à partir de fragments alors que l’IA peine à le faire, soulignant le rôle crucial de l’intégration des contours dans la vision humaine.</p>",
            "text": "<p>Chaque jour, nous reconnaissons sans effort des amis dans une foule ou identifions des formes familières, même si elles sont partiellement cachées. Notre cerveau assemble des fragments pour en faire des objets entiers, remplissant les blancs pour donner un sens à un monde souvent chaotique.</p> <p>Cette capacité est appelée «intégration des contours». Même les systèmes d’IA les plus intelligents ont encore du mal à effectuer cette tâche. Malgré les réalisations remarquables de l’intelligence artificielle dans la reconnaissance d’images, les IA peinent encore à généraliser à partir d’informations visuelles incomplètes ou fragmentées.</p> <p>Lorsque les objets sont partiellement cachés, effacés ou fragmentés, la plupart des modèles d’IA hésitent, classent incorrectement ou abandonnent. Cela peut être un grave problème dans la vie réelle, compte tenu de notre dépendance croissante à l’IA pour des applications, telles que les voitures autonomes, les prothèses et la robotique.<img align=\"\" alt=\"Anchor\" src=\"data:image/gif;base64,R0lGODlhAQABAPABAP///wAAACH5BAEKAAAALAAAAAABAAEAAAICRAEAOw==\" title=\"Anchor\"/></p> <p><a name=\"_Hlk201652202\">L'équipe du </a><a href=\"https://www.epfl.ch/labs/schrimpflab/\">NeuroAI Lab</a> de l’EPFL, dirigée par Martin Schrimpf, a entrepris de comparer systématiquement la manière dont les personnes et l’IA gèrent les puzzles visuels. <a href=\"https://people.epfl.ch/ben.lonnqvist\">Ben Lonnqvist</a>, étudiant diplômé de <a href=\"https://www.epfl.ch/education/phd/edne-neuroscience/\">l’EDNE</a> et principal auteur de l’étude, a collaboré avec le <a href=\"https://www.epfl.ch/labs/lpsy/\">Laboratoire de psychophysique</a> du professeur Michael Herzog pour développer une série de tests de reconnaissance dans lesquels des êtres humains et plus de 1000 réseaux neuronaux artificiels devaient identifier des objets dont les contours étaient manquants ou fragmentés. Leurs résultats montrent qu’en matière d’intégration des contours, les êtres humains surpassent systématiquement l’IA de pointe, et révèlent pourquoi.</p> <p>La recherche a été présentée à la <a href=\"https://icml.cc/\">Conférence internationale sur l’apprentissage machine (ICML) de 2025</a>.</p> <figure class=\"image\"><img alt=\"Les humains peuvent identifier des objets à partir de données partielles, tandis que les IA ont du mal à le faire. Crédit : Ben Lönnvist (EPFL)\" height=\"543\" src=\"//actu.epfl.ch/public/upload/fckeditorimage/85/c4/a82b951e.jpg\" width=\"1261\"/> <figcaption>Les humains peuvent identifier des objets à partir de données partielles, tandis que les IA ont du mal à le faire. Crédit : Ben Lönnvist (EPFL)</figcaption> </figure> <p><strong>Des tests de plus en plus difficiles</strong></p> <p>L’équipe a mis en place un test de reconnaissance d’objets en laboratoire avec une cinquantaine de volontaires. Les participantes et participants ont visualisé des images d’objets du quotidien, tels que des tasses, des chapeaux et des casseroles, dont les contours étaient systématiquement effacés ou décomposés en segments. Parfois, seulement 35 % des contours d’un objet restaient visibles. En parallèle, l’équipe a confié la même tâche à plus de 1000 modèles d’IA, dont certains des systèmes les plus puissants disponibles.</p> <p>L’expérience a porté sur 20 conditions différentes, variant le type et la quantité d’informations visuelles. L’équipe a comparé les performances dans ces conditions, mesurant la précision et analysant la manière dont les êtres humains et les machines réagissaient à des puzzles visuels de plus en plus difficiles.</p> <p>Les êtres humains se sont avérés remarquablement performants, obtenant souvent une précision de 50 % même lorsque la plus grande partie du contour d’un objet était absente. Les modèles d’IA, en revanche, avaient tendance à se perdre dans des suppositions aléatoires dans les mêmes conditions. Seuls les modèles entraînés sur des milliards d’images se sont rapprochés des performances humaines et, même alors, ils ont dû être spécifiquement adaptés aux images de l’étude.</p> <p>En creusant davantage, les chercheuses et chercheurs ont découvert que les êtres humains préfèrent naturellement reconnaître des objets lorsque des parties fragmentées pointent dans la même direction, ce que l’équipe a appelé le «biais d’intégration». Les modèles d’IA entraînés pour développer un biais similaire ont obtenu de meilleurs résultats lorsqu’ils étaient confrontés à des distorsions d’image. L’entraînement des systèmes d’IA spécialement conçus pour intégrer les contours a amélioré leur précision et leur a également permis de se concentrer davantage sur la forme d’un objet que sur sa texture.</p> <p><strong>Donner aux machines un contenu plus humain</strong></p> <p>Ces résultats suggèrent que l’intégration des contours n’est pas une caractéristique innée, mais qu’elle peut être apprise de l’expérience. Pour les industries qui s’appuient sur la vision par ordinateur, comme les voitures autonomes ou l’imagerie médicale, créer une IA qui voit le monde davantage comme nous pourrait aboutir à une technologie plus sûre et plus fiable.</p> <p>Les travaux montrent également que le meilleur moyen de combler cet écart n’est pas de bricoler avec des architectures d’IA, mais de donner aux machines un contenu visuel plus «humain», comprenant plusieurs images du monde réel où les objets sont souvent partiellement cachés.</p>",
            "order": 199910,
            "publish_date": "2025-07-22T07:00:03",
            "visual_url": "https://actu.epfl.ch/image/156018/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/156019/1440x810.jpg",
            "visual_description": "© EPFL/iStock (Vertigo3d)",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 1,
                "name": "Mediacom",
                "fr_description": "Canal permettant de gérer les actualités de la home page de l'epfl. Voir http://www.epfl.ch",
                "en_description": "Canal permettant de gérer les actualités de la home page de l'epfl. Voir http://www.epfl.ch",
                "de_description": "Canal permettant de gérer les actualités de la home page de l'epfl. Voir http://www.epfl.ch",
                "is_active": true
            },
            "category": {
                "id": 3,
                "fr_label": "Recherche",
                "en_label": "Research",
                "de_label": "Forschung"
            },
            "news_url": "https://actu.epfl.ch/news/comment-faire-pour-que-l-ia-voie-aussi-bien-que-le",
            "themes": [
                "http://actu.epfl.ch/api/v1/themes/2/?format=api",
                "http://actu.epfl.ch/api/v1/themes/3/?format=api",
                "http://actu.epfl.ch/api/v1/themes/11/?format=api"
            ],
            "publics": [
                "http://actu.epfl.ch/api/v1/publics/1/?format=api",
                "http://actu.epfl.ch/api/v1/publics/2/?format=api",
                "http://actu.epfl.ch/api/v1/publics/3/?format=api",
                "http://actu.epfl.ch/api/v1/publics/4/?format=api",
                "http://actu.epfl.ch/api/v1/publics/5/?format=api",
                "http://actu.epfl.ch/api/v1/publics/6/?format=api"
            ],
            "faculties": [
                "http://actu.epfl.ch/api/v1/faculties/4/?format=api",
                "http://actu.epfl.ch/api/v1/faculties/7/?format=api"
            ],
            "projects": [],
            "authors": [
                {
                    "first_name": "Nik",
                    "last_name": "Papageorgiou",
                    "url": "https://people.epfl.ch/n.papageorgiou?lang=fr"
                }
            ],
            "links": [],
            "funding": "",
            "references": "<p>Ben Lönnqvist, Elsa Scialom, Abdulkadir Gokce, Zehra Merchant, Michael H. Herzog, Martin Schrimpf. Contour Integration Underlies Human-Like Vision. arXiv: <a href=\"https://arxiv.org/abs/2504.05253\">2504.05253</a></p>",
            "is_under_cc_license": true
        },
        {
            "id": 199174,
            "lang": "fr",
            "title": "Comment faire pour que l'IA voie aussi bien que les humains",
            "subtitle": "<p>Une étude de l’EPFL révèle pourquoi les êtres humains excellent dans la reconnaissance des objets à partir de fragments alors que l’IA peine à le faire, soulignant le rôle crucial de l’intégration des contours dans la vision humaine.</p>",
            "text": "<p>Chaque jour, nous reconnaissons sans effort des amis dans une foule ou identifions des formes familières, même si elles sont partiellement cachées. Notre cerveau assemble des fragments pour en faire des objets entiers, remplissant les blancs pour donner un sens à un monde souvent chaotique.</p> <p>Cette capacité est appelée «intégration des contours». Même les systèmes d’IA les plus intelligents ont encore du mal à effectuer cette tâche. Malgré les réalisations remarquables de l’intelligence artificielle dans la reconnaissance d’images, les IA peinent encore à généraliser à partir d’informations visuelles incomplètes ou fragmentées.</p> <p>Lorsque les objets sont partiellement cachés, effacés ou fragmentés, la plupart des modèles d’IA hésitent, classent incorrectement ou abandonnent. Cela peut être un grave problème dans la vie réelle, compte tenu de notre dépendance croissante à l’IA pour des applications, telles que les voitures autonomes, les prothèses et la robotique.<img align=\"\" alt=\"Anchor\" src=\"data:image/gif;base64,R0lGODlhAQABAPABAP///wAAACH5BAEKAAAALAAAAAABAAEAAAICRAEAOw==\" title=\"Anchor\"/></p> <p><a name=\"_Hlk201652202\">L'équipe du </a><a href=\"https://www.epfl.ch/labs/schrimpflab/\">NeuroAI Lab</a> de l’EPFL, dirigée par Martin Schrimpf, a entrepris de comparer systématiquement la manière dont les personnes et l’IA gèrent les puzzles visuels. <a href=\"https://people.epfl.ch/ben.lonnqvist\">Ben Lonnqvist</a>, étudiant diplômé de <a href=\"https://www.epfl.ch/education/phd/edne-neuroscience/\">l’EDNE</a> et principal auteur de l’étude, a collaboré avec le <a href=\"https://www.epfl.ch/labs/lpsy/\">Laboratoire de psychophysique</a> du professeur Michael Herzog pour développer une série de tests de reconnaissance dans lesquels des êtres humains et plus de 1000 réseaux neuronaux artificiels devaient identifier des objets dont les contours étaient manquants ou fragmentés. Leurs résultats montrent qu’en matière d’intégration des contours, les êtres humains surpassent systématiquement l’IA de pointe, et révèlent pourquoi.</p> <p>La recherche a été présentée à la <a href=\"https://icml.cc/\">Conférence internationale sur l’apprentissage machine (ICML) de 2025</a>.</p> <figure class=\"image\"><img alt=\"Les humains peuvent identifier des objets à partir de données partielles, tandis que les IA ont du mal à le faire. Crédit : Ben Lönnvist (EPFL)\" height=\"543\" src=\"//actu.epfl.ch/public/upload/fckeditorimage/85/c4/a82b951e.jpg\" width=\"1261\"/> <figcaption>Les humains peuvent identifier des objets à partir de données partielles, tandis que les IA ont du mal à le faire. Crédit : Ben Lönnvist (EPFL)</figcaption> </figure> <p><strong>Des tests de plus en plus difficiles</strong></p> <p>L’équipe a mis en place un test de reconnaissance d’objets en laboratoire avec une cinquantaine de volontaires. Les participantes et participants ont visualisé des images d’objets du quotidien, tels que des tasses, des chapeaux et des casseroles, dont les contours étaient systématiquement effacés ou décomposés en segments. Parfois, seulement 35 % des contours d’un objet restaient visibles. En parallèle, l’équipe a confié la même tâche à plus de 1000 modèles d’IA, dont certains des systèmes les plus puissants disponibles.</p> <p>L’expérience a porté sur 20 conditions différentes, variant le type et la quantité d’informations visuelles. L’équipe a comparé les performances dans ces conditions, mesurant la précision et analysant la manière dont les êtres humains et les machines réagissaient à des puzzles visuels de plus en plus difficiles.</p> <p>Les êtres humains se sont avérés remarquablement performants, obtenant souvent une précision de 50 % même lorsque la plus grande partie du contour d’un objet était absente. Les modèles d’IA, en revanche, avaient tendance à se perdre dans des suppositions aléatoires dans les mêmes conditions. Seuls les modèles entraînés sur des milliards d’images se sont rapprochés des performances humaines et, même alors, ils ont dû être spécifiquement adaptés aux images de l’étude.</p> <p>En creusant davantage, les chercheuses et chercheurs ont découvert que les êtres humains préfèrent naturellement reconnaître des objets lorsque des parties fragmentées pointent dans la même direction, ce que l’équipe a appelé le «biais d’intégration». Les modèles d’IA entraînés pour développer un biais similaire ont obtenu de meilleurs résultats lorsqu’ils étaient confrontés à des distorsions d’image. L’entraînement des systèmes d’IA spécialement conçus pour intégrer les contours a amélioré leur précision et leur a également permis de se concentrer davantage sur la forme d’un objet que sur sa texture.</p> <p><strong>Donner aux machines un contenu plus humain</strong></p> <p>Ces résultats suggèrent que l’intégration des contours n’est pas une caractéristique innée, mais qu’elle peut être apprise de l’expérience. Pour les industries qui s’appuient sur la vision par ordinateur, comme les voitures autonomes ou l’imagerie médicale, créer une IA qui voit le monde davantage comme nous pourrait aboutir à une technologie plus sûre et plus fiable.</p> <p>Les travaux montrent également que le meilleur moyen de combler cet écart n’est pas de bricoler avec des architectures d’IA, mais de donner aux machines un contenu visuel plus «humain», comprenant plusieurs images du monde réel où les objets sont souvent partiellement cachés.</p>",
            "order": 199912,
            "publish_date": "2025-07-22T07:00:03",
            "visual_url": "https://actu.epfl.ch/image/156022/1440x810.jpg",
            "thumbnail_url": "https://actu.epfl.ch/image/156023/1440x810.jpg",
            "visual_description": "© EPFL/iStock (Vertigo3d)",
            "short_vimeo_video_id": "",
            "short_vimeo_video_credits": "",
            "carousel_images": [],
            "video": "",
            "channel": {
                "id": 9,
                "name": "SV",
                "fr_description": "Canal permettant de gérer les actualités de la faculté SV",
                "en_description": "Canal permettant de gérer les actualités de la faculté SV",
                "de_description": "News Fakultät für Lebenswissenschaften | SV",
                "is_active": true
            },
            "category": {
                "id": 3,
                "fr_label": "Recherche",
                "en_label": "Research",
                "de_label": "Forschung"
            },
            "news_url": "https://actu.epfl.ch/news/comment-faire-pour-que-l-ia-voie-aussi-bien-que--2",
            "themes": [
                "http://actu.epfl.ch/api/v1/themes/2/?format=api",
                "http://actu.epfl.ch/api/v1/themes/3/?format=api",
                "http://actu.epfl.ch/api/v1/themes/11/?format=api"
            ],
            "publics": [
                "http://actu.epfl.ch/api/v1/publics/1/?format=api",
                "http://actu.epfl.ch/api/v1/publics/2/?format=api",
                "http://actu.epfl.ch/api/v1/publics/3/?format=api",
                "http://actu.epfl.ch/api/v1/publics/4/?format=api",
                "http://actu.epfl.ch/api/v1/publics/5/?format=api",
                "http://actu.epfl.ch/api/v1/publics/6/?format=api"
            ],
            "faculties": [
                "http://actu.epfl.ch/api/v1/faculties/4/?format=api",
                "http://actu.epfl.ch/api/v1/faculties/7/?format=api"
            ],
            "projects": [],
            "authors": [
                {
                    "first_name": "Nik",
                    "last_name": "Papageorgiou",
                    "url": "https://people.epfl.ch/n.papageorgiou?lang=fr"
                }
            ],
            "links": [],
            "funding": "",
            "references": "<p>Ben Lönnqvist, Elsa Scialom, Abdulkadir Gokce, Zehra Merchant, Michael H. Herzog, Martin Schrimpf. Contour Integration Underlies Human-Like Vision. arXiv: <a href=\"https://arxiv.org/abs/2504.05253\">2504.05253</a></p>",
            "is_under_cc_license": true
        }
    ]
}