Modélisation du dépistage du cancer du sein et son impact sur la réduction de la mortalité : Amélioration avec la modélisation conjointe et les réseaux de neurones profonds

Modeling breast cancer screening and its impact on mortality reduction: Improvement with joint modeling and deep neural networks

• Auteur / Autrice : Manel Rakez
• Direction : Virginie Rondeau, Brice Amadeo
• Type : Projet de thèse
• Discipline(s) : Santé publique Option Biostatistiques
• Date : Inscription en doctorat le 16/09/2021
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Sociétés, politique, santé publique (Talence, Gironde ; 2011-....)
• Partenaire(s) de recherche : Laboratoire : Bordeaux Population Health Research Center
• Partenaire(s) de recherche : Equipe de recherche : E5 - Biostatistics

Mots clés

Mots clés libres

Cancer du sein

Dépistage

Apprentissage profond

Modèles conjoints

Mammographie

Densité mammaire

Breast cancer

Screening

Deep learning

Joint modeling

Mammography

Breast density

Résumé

Le dépistage par mammographie réduit la mortalité par cancer du sein (CS) en favorisant une détection précoce. Cette détection précoce augmente artificiellement le temps de survie des femmes en raison de l'avancement de leur diagnostic par dépistage conduisant au biais d'avance au diagnostic. Nous évaluerons ce dernier à l'aide d'un nouveau modèle conjoint qui prendra en compte les caractéristiques de la tumeur. La correction du temps d'avance au diagnostic sera effectuée en soustrayant le temps d'avance estimé pour chaque patiente de son temps de survie observé. Les performances du modèle seront évaluées à l'aide de données de simulation et de données réelles provenant du Registre général des cancers de la Gironde. Par ailleurs, la forte densité mammaire est un facteur de risque connu de CS. En présence de seins denses, le CS est souvent détecté à l'aide d'un autre examen en plus de la mammographie. Nous développerons un modèle d'apprentissage en profondeur utilisant un réseau de neurones convolutifs pour classer les images de mammographie de dépistage en fonction de la densité mammaire au même niveau qu'un expert. Nous entraînerons, validerons puis testerons notre modèle en mesurant la concordance entre ce dernier et l'expert en se basant sur la classification du système BI-RADS. De plus, la détection précoce de CS sans amélioration de la survie est un préjudice qui conduit au surtraitement. Afin de promouvoir un dépistage adapté aux risques et aux préférences des femmes, nous voulons faire des prédictions dynamiques individuelles du risque de diagnostic de cancer. Nous modéliserons conjointement les visites successives de dépistage et le temps jusqu'au diagnostic. Ainsi, nous calculerons, à chaque visite, une probabilité prédite de diagnostic de cancer, spécifique à la patiente, permettant de planifier de manière personnalisée les mammographies suivantes. Ces nouveaux modèles seront disponibles dans des packages R et/ou Python validés, en accès libre et faciles d'utilisation pour un public non expert. L'amélioration de la stratégie de dépistage du CS permet de limiter le surdiagnostic, d'éviter le surtraitement et d'améliorer la prise en charge des patientes, et ainsi permettre un meilleur taux de participation à ces campagnes.

Mammography screening programs are conducted to reduce breast cancer (BC) mortality by promoting earlier detection. Lead-time bias is known as the inflation of survival times in screen-detected patients due to cancer diagnosis brought forward by screening. We propose evaluating the lead-time bias using new statistical methods associated with joint modeling that considers some tumor features. The lead time correction will be done by subtracting the lead time estimated for each patient from her observed survival time. Simulation analyses will be used to assess the joint model's performance, followed by real-world data from the Gironde general cancer registry. Besides, dense breast tissue is a known independent risk factor for BC development and is commonly used to stratify women for supplemental screening examination. We will develop a deep-learning model based on a deep convolutional neural network to classify mammography images, and more specifically, assess breast density at the same level as experienced radiologists. We will train, validate and test our model by measuring the model's agreement with the original radiologist based on the Breast Imaging Reporting and Data System categories (BI-RADS). Also, BC overdiagnosis due to early detection without survival benefit could be harmful and lead to over-treatment. To promote BC screening tailored to women's risks and preferences, we want to make individual dynamic predictions of patient risk of cancer diagnosis and select the optimal time point to plan the subsequent mammography. We will use a joint model for successive mammography screening visits as recurrent event times and time to diagnosis. We will calculate at each visit a patient-specific cumulative risk for cancer diagnosis to decide for mammography time. These newly created models will be available in user-friendly R and/or Python packages to share with the community. Improving BC screening will limit early detection and orientate the focus toward advanced-stage disease, which fits better patients' expectations.