Deep Learning Models for Predicting Recurrence in Head and Neck Cancer

Abstract

This master thesis aims to investigate and develop deep learning models for predicting head and neck cancer recurrence. This latter is a major cause of morbidity and treatment failure and poses a significant challenge in healthcare, which demands accurate prognostic tools for effective patient management. Deep learning, a subset of artificial intelligence, has shown promising results in various medical applications, including cancer recurrence prediction. The primary goal of this research is to develop a range of deep learning models based on diverse convolutional neural networks architectures and subsequently conduct a thorough comparative analysis to evaluate their performance in predicting head and neck cancer recurrence. By systematically assessing the strengths and limitations of each architecture, this study aims to provide valuable insights into the development of optimal deep learning approaches for accurate recurrence prediction. The anticipated contributions of this thesis include the identification of the most effective deep learning architecture for predicting head and neck cancer recurrence, providing clinicians with a valuable tool for personalized treatment planning. Additionally, insights gained from the comparative analysis may inform future developments in deep learning applications within the field of oncology ==================================================================================================== Ce mémoire de master vise à étudier et à développer des modèles d'apprentissage profond pour prédire la récidive du cancer de la tête et du cou. Cette dernière est une cause majeure de morbidité et d'échec thérapeutique et pose un défi important dans le domaine de la santé, qui exige des outils de pronostic précis pour une prise en charge efficace des patients. L'apprentissage profond, un sous-ensemble de l'intelligence artificielle, a montré des résultats prometteurs dans diverses applications médicales, y compris la prédiction de la récidive du cancer. L'objectif principal de cette recherche est de développer des modèles d'apprentissage profond basés sur diverses architectures de réseaux neuronaux convolutifs et d'effectuer ensuite une analyse comparative pour évaluer leur performance dans la prédiction de la récidive du cancer de la tête et du cou. En évaluant systématiquement les avantages et les limites de chaque architecture, cette étude vise à fournir des informations utiles pour le développement d'approches d'apprentissage profond optimales pour une prédiction précise de la récidive. Les contributions attendues de cette thèse comprennent l'identification de l'architecture d'apprentissage profond la plus efficace pour prédire la récidive du cancer de la tête et du cou, apportant aux cliniciens un outil important pour la planification d'un traitement personnalisé. En outre, les connaissances tirées de l'analyse comparative peuvent informer les développements futurs des applications de l'apprentissage profond dans le domaine de l'oncologie