Joint models and deep learning neural networks for the longitudinal analysis of mammography images in screen-detected breast cancer risk prediction

Le cancer du sein est le cancer le plus fréquent chez la femme et l’une des principales causes de mortalité dans le monde. La détection précoce et la prédiction précise du risque sont essentielles pour optimiser la prévention et le dépistage ciblé. Cependant, les modèles existants exploitent rarement toute l’information longitudinale provenant des mammographies répétées au sein des programmes de dépistage en population. Cette thèse visait à développer et à évaluer des méthodes utilisant l’imagerie mammaire longitudinale pour améliorer la prédiction individuelle du risque. Deux stratégies complémentaires ont été explorées. La première associe apprentissage profond et modélisation conjointe afin de relier des biomarqueurs quantitatifs d’imagerie aux risques de cancer dans le temps. Un réseau de neurones convolutifs fondé sur une architecture U-Net modifiée a été développé pour segmenter le sein et le tissu dense et extraire des mesures validées de densité à chaque visite. Ces mesures quantitatives, reconnues comme facteurs de risque, sont intégrées à un modèle conjoint pour quantifier leur lien avec la survenue du cancer au fil du temps à travers différentes structures latentes. Cette approche, appelée algorithme DeepJoint, offre des prédictions de risque individuelles et dynamiques tout en préservant l’interprétabilité statistique. La seconde méthode, appelée LongiMam, est un modèle d’apprentissage profond de bout en bout qui estime la probabilité de risque directement à partir de séquences longitudinales de mammographies, sans extraction préalable de biomarqueurs. En combinant réseaux convolutifs et récurrents, il capture les motifs spatiaux et temporels pertinents à la prédiction du risque sur plusieurs examens successifs. Cette approche orientée données vise la performance prédictive maximale, bien qu’au prix d’une interprétabilité moindre face aux modèles centrés sur les biomarqueurs. Les deux méthodes ont été appliquées à une large cohorte de femmes participant au dépistage aux États-Unis et couvrent des aspects complémentaires de la prédiction du risque. Nos résultats confirment l’apport de la modélisation longitudinale pour une prédiction affinée du risque de cancer du sein. Tous les outils développés sont mis à disposition en open source pour garantir transparence et reproductibilité de la recherche future.