Développements des réseaux de neurones pour données censurées : prédiction de survie associée à une mesure d'incertitude et recommandation de traitement

Survival Prediction using Artificial Neural Networks on Censored Data

• Auteur / Autrice : Elvire Roblin
• Direction : Stefan Michiels, Paul-Henry Cournède
• Type : Thèse de doctorat
• Discipline(s) : Sciences du Cancer
• Date : Soutenance le 21/03/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Cancérologie, Biologie, Médecine, Santé
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en épidémiologie et santé des populations (Villejuif, Val-de-Marne ; 2010-....) - Mathématiques et informatique pour la complexité et les systèmes (Gif-sur-Yvette, Essonne ; 2006-....)
• Partenaire(s) de recherche : référent : Université Paris-Saclay. Faculté de médecine (Le Kremlin-Bicêtre, Val-de-Marne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Life Sciences and Health (2020-....)
• Jury : Président / Présidente : Hugues Talbot
• Jury : Examinateurs / Examinatrices : Anne-Laure Boulesteix, Pascal Roy, Angelina Roche, Axel Benner
• Jury : Rapporteurs / Rapporteuses : Anne-Laure Boulesteix, Pascal Roy

Mots clés

Mots clés contrôlés

Prise en charge personnalisée du patient

Médecine personnalisée

Cancer

Analyse de survie (biométrie)

Épidémiologie

Réseaux neuronaux (informatique)

Mots clés libres

Analyse de survie

Réseaux de neurones

Incertitude

Recommandation de traitement

Survival analysis

Neural Networks

Uncertainty

Treatment recommendation

Résumé

En oncologie, l’analyse des données de survie a des applications multiples : analyse de la survie d’un groupe de patients, comparaison des effets de différents traitements, etc. Les données de survie présentent la caractéristique de ne pas être observées complètement, l’événement d’intérêt n’étant pas nécessairement survenu pour tous les patients à la fin de la période d’observation : les données sont dites censurées. Dans les modèles pronostiques, on utilise traditionnellement un modèle à risques proportionnels de Cox pour analyser les données de survie. Ce modèle repose sur des hypothèses restrictives qui ne permettent pas de prendre en compte facilement l’analyse d’un nombre toujours croissant de facteurs pronostiques et prédictifs, ni d’inclure toutes leurs interactions ou leurs effets non linéaires. De nouveaux modèles s’appuyant sur les réseaux de neurones artificiels peuvent être employés pour faire face à ces limites. L’objectif de cette thèse est d’utiliser ces modèles et de les adapter au contexte des données censurées. Dans un premier temps, nous implémentons des modèles de réseaux de neurones permettant d’effectuer des prédictions de survie. Nous comparons des méthodes existantes à nos méthodes proposées et construites à l’aide de pseudoobservations. Dans un second temps, nous établissons une mesure de l’incertitude des prédictions réalisées avec ces réseaux de neurones. Elles prennent la forme d’intervalles de confiance. Enfin, nous mettons en place des recommandations de traitement individualisées.

In oncology, analyzing survival data is of primary importance in epidemiological studies and clinical research. The most commonly used approach to deal with the censored observations present in this type of study is the Cox proportional hazards model. The model is based on particular assumptions which may be hard to assume for a high number of candidate covariates to evaluate (proportional hazards, linearity of effects, interactions between covariates). Recently a new family of models, Artificial Neural Networks, has been proposed to model complex patterns and prediction problems, and may be used in the context of survival prediction. They have been widely used in different areas of science. This Ph.D. aims to provide new methods of survival analysis using neural networks. The objective of the first part of the Ph.D. is to compare existing neural network models adapted to survival with our proposed method based on pseudo observations as a solution to the problem of censored data. The second part focuses on measuring the uncertainty of survival predictions using confidence intervals. Finally, a treatment recommendation rule based on a neural network is set up in order to provide treatment recommendations based on the patient’s prognostic features.