Santé & médecine · BIB-AFA-0094
An LSTM-Assisted Markov Model for Predicting Cancer Stage Transitions: A Simulation Study
Peut-on dépasser la limite de mémoire des chaînes de Markov classiques pour prédire les transitions entre stades cancéreux en utilisant un LSTM capable de capturer des dépendances temporelles non linéaires ?
Question centrale
Peut-on dépasser la limite de mémoire des chaînes de Markov classiques pour prédire les transitions entre stades cancéreux en utilisant un LSTM capable de capturer des dépendances temporelles non linéaires ?
Thèse / idée directrice
L’étude montre qu’un modèle hybride associant LSTM et chaîne de Markov améliore la stabilité prédictive et la discrimination des stades avancés dans un environnement simulé. Le LSTM apprend l’information séquentielle accumulée dans les trajectoires, tandis que le cadre markovien conserve une structure explicite de transition entre états cliniques.
Architecture et contenu substantiel
Les auteurs construisent un environnement de simulation clinique avec cinq états : carcinome in situ, stade localisé, localement avancé, régionalement avancé et métastatique. Trente mille trajectoires synthétiques sont générées, chacune comportant de 5 à 15 étapes temporelles et 17 variables cliniques. Les transitions sont paramétrées pour reproduire une progression plausible : transitions vers l’avant plus fréquentes, transitions arrière rares, inférieures à 1,5 %, et état métastatique absorbant. Les données sont divisées en entraînement, validation et test indépendant. Le modèle hybride utilise le LSTM pour exploiter les séquences et le composant Markov pour représenter les probabilités de transition d’état. Les hyperparamètres sont réglés sur la validation puis l’incertitude des performances est estimée par 1 000 rééchantillonnages bootstrap. La comparaison avec un Markov traditionnel montre que le modèle hybride est plus stable et distingue mieux les stades avancés.
Méthode / matériau
Simulation de 30 000 trajectoires synthétiques. Cinq stades de cancer, 17 variables, séquences de 5 à 15 pas de temps. Répartition 64 % entraînement, 16 % validation, 20 % test indépendant. LSTM + modèle de Markov. Bootstrap de 1 000 réplications pour IC à 95 %.
Concepts structurants
Conclusions / résultats
Sur le test indépendant : accuracy 0,919 (IC 95 % 0,912–0,926), precision 0,883, recall 0,919 et F1 0,896. Le cadre hybride surpasse le Markov classique en stabilité et en discrimination des stades avancés.
Apport de la contribution
La fiche illustre clairement l’intérêt d’un modèle hybride : conserver l’interprétabilité structurelle d’un modèle d’états tout en ajoutant une mémoire temporelle issue du deep learning.
Réserves / interrogations ouvertes
Les données sont entièrement synthétiques. Aucune cohorte clinique réelle n’est utilisée, ce que les auteurs reconnaissent explicitement. La performance obtenue démontre une robustesse méthodologique dans la simulation, pas une validité clinique.
Références de vérification
- https://doi.org/10.56919/usci.2651.019
- UMYU Scientifica 5(1), 2026, pp. 229–242