Prédiction de la récurrence du cancer du sein par la Forêt de Corrélation Canonique

Abstract

La récidive est la réapparition d’un cancer à partir de cellules cancéreuses non détruites par le traitement initial. Ce phénomène ne ressurgit pas à une période bien précise, la possibilité de récurrence du cancer est alors une situation éprou- vante à vivre, pour cela aujourd’hui, nombreuses sont les méthodes d’appren- tissage automatique qui ont été appliquées pour améliorer les performances et augmenter l’efficacité des systèmes de prédiction de la récurrence du cancer. Du- rant cette dernière décennie, les chercheurs se sont plus intéressés aux méthodes d’ensemble tenant compte de leur précision, grâce à leur robustesse et capacité à préserver l’information de variabilité des données. Parmi elles : la forêt aléatoire, forêt rotationnelle et la forêt de corrélation canonique. Dans notre projet de fin d’études, nous proposons d’utiliser les forêts de corré- lation canoniques (CCF), une nouvelle méthode d’ensemble d’arbres de décision pour la prédiction de la récidive du cancer du sein. Cette méthode combine la puissance d’apprentissage des méthodes d’ensemble avec la force de discrimina- tion de l’analyse canonique tout en augmentant la précision de chaque arbre et la diversité des arbres dans la forêt. Lesrésultatsexpérimentauxappliquéssurlabanquededonnéesmédicalesré- cidive du cancer du sein montrent une amélioration de performance dans la tâche de la prédiction en comparaison avec la forêt aléatoire et la forêt rotationnelle en termes de taux de classification comme critère d’évaluation des performances.