Étude comparative de la classification des tumeurs mammaires de la base DDSM par KNN et réseaux de neurones artificiels

Abstract

Le cancer du sein est une cause majeure de mortalité féminine, touchant une femme sur huit. La détection précoce, cruciale pour le pronostic, est améliorée grâce à la mammographie numérique et aux systèmes d’aide au diagnostic assistés par ordinateur (CADx). Cependant, repérer les premières lésions reste difficile, même pour les radiologues. C’est dans ce contexte que ce projet se concentre sur la classification des masses mammaires (lésions bénignes vs malignes) par apprentissage automatique, en utilisant le K-Nearest Neighbors (KNN) et les réseaux de neurones artificiels (ANN). L’objectif poursuivi est de réduire les erreurs de diagnostic, d’apporter un appui décisionnel aux radiologues et d’optimiser la prise en charge des patientes. À cette fin, la comparaison entre les algorithmes KNN et ANN repose sur plusieurs critères de performance : exactitude, précision, sensibilité et spécificité. L’algorithme KNN, bien que simple à mettre en œuvre, demeure sensible au bruit, tandis que les réseaux de neurones artificiels tirent parti de l’apprentissage automatique pour identifier des relations et des structures complexes. Ainsi, le choix de l’algorithme le plus adapté dépendra de son efficacité, conformément aux exigences d’un usage clinique. Mots clés : cancer du sein, systèmes d’aide au diagnostic, Apprentissage automatique, classification, réseaux de neurones artificiels ( ANN), k-plus proches voisins ( KNN). Abstract Breast cancer is a major cause of female mortality, affecting one in eight women. Early detection, which is crucial for prognosis, has been enhanced through digital mammography and computer-aided diagnostic (CADx) systems. However, identifying early lesions remains challenging, even for radiologists. In this context, the present project focuses on the classification of breast masses (benig vs malignant lesions) using machine learning, specifically K-Nearest Neighbors (KNN) and Artificial Neural Networks (ANN). The main objective is to reduce diagnostic errors, provide decision support to radiologists, and optimize patient care. To this end, the comparison between KNN and ANN is based on several performance criteria: accuracy, precision, sensitivity, and specificity. While KNN is simple to implement, it remains sensitive to noise, whereas Artificial Neural Networks leverage machine learning to capture complex and non-linear relationships. Therefore, the choice of the most suitable algorithm depends on its effectiveness, in line with the requirements of clinical use. Keywords : Breast cancer, diagnostic support systems, machine learning, classification, artificial neural networks (ANN), k-nearest neighbors (KNN). ملخص يُعدُّ سببا - ً رئيسياً السرطان الثدي في وفيات النساء، حيث يصيب امرأة من بين كل ثماني نساء. تُعتبر الكشف المبكر الذي يعدُّ حاسماً في تحديد سير المرض وتوقعاته - أكثر فعالية بفضل التصوير الشعاعي الرقمي للثدي وأنظمة الدعم التشخيصي المعتمدة على الحاسوب إال أن تحديد اآلفات األولى ال يزال يشكل تحديا ألخصائي األشعة. في هذا السياق، يركز هذا المشروع على ً كبيراً .(CADx (، حتى تصنيف األورام الثدية )األورام الحميدة مقابل األورام الخبيثة( باستخدام تقنيات التعلم اآللي، باالعتماد على خوارزميات الجار األقرب (KNN(وشبكات العصب االصطناعية .(ANN (الهدف من ذلك هو تقليل أخطاء التشخيص، وتقديم دعم اتخاذ القرار لألخصائي األشعة، وتحسين رعاية المرضى. لتحقيق هذا، تُجرى مقارنة بين خوارزميتي KNN و ANN إلى عدة مقاييس أداء تشمل استناداً الدقة، والتح ُّسن، والحساسية، والخصوصية. بالرغم من بساطة تطبيق خوارزميةKNN ، إال أنها تبقى حساسة للضوضاء، في حين تستفيد شبكات العصب االصطناعية من التعلم اآللي للكشف عن العالقات والبنى المعقدة. وبنا ًء عليه، يعتمد اختيار الخوارزمية األنسب على مدى فاعليتها، تماشيا . ًمع متطلبات االستخدام السريري الكلمات المفتاحية : سرطان الثدي، أنظمة دعم التشخيص، التعلم اآللي، التصنيف، شبكات العصب االصطناعية(ANN (، الجار األقرب . (KNN)