🎗️ TCGA-BRCA Cancer Survival Predictor

Prédiction de survie à 3 ans sur le cancer du sein — Portfolio Data Science Senior

Contexte

Ce projet simule un workflow complet de data science appliqué à la recherche contre le cancer du sein, basé sur les distributions cliniques du dataset TCGA-BRCA (The Cancer Genome Atlas — Breast Carcinoma).

Question clinique : Peut-on prédire, au moment du diagnostic, si un patient survivra plus de 36 mois, en utilisant uniquement des variables cliniques et biologiques de routine ?

---

Données

Dataset synthétique généré à partir des distributions publiées dans :

• Comprehensive molecular portraits of human breast tumours, Nature 2012 (TCGA)
• The molecular taxonomy of primary prostate cancer, Cell 2015

Variables : âge, stade TNM, sous-type PAM50, grade histologique, statuts ER/PR/HER2, taille tumorale, ganglions positifs, survie globale (OS)

n = 1000 patients | 56.8% d'événements (décès) | Suivi médian : 41 mois

---

Modèles implémentés

Modèle	AUC Test	CV AUC (5-fold)
Logistic Regression	0.759	0.674 ± 0.042
Random Forest	0.749	0.646 ± 0.033
Gradient Boosting	0.737	0.617 ± 0.032
Cox PH (C-index)	0.664	—

Variables les plus prédictives : stade tumoral, sous-type moléculaire, grade histologique

---

Structure

cancer-survival-predictor/
├── data/
│   ├── brca_clinical.csv          # Dataset principal
│   ├── metrics.json               # Résultats modèles
│   └── figures/                   # Visualisations
│       ├── 01_exploration.png     # EDA dashboard
│       ├── 02_kaplan_meier.png    # Courbes KM
│       └── 03_modeling.png        # ROC + Feature importance
├── src/
│   ├── data_loader.py             # Chargement et génération données
│   ├── preprocessing.py           # Pipeline de prétraitement
│   └── model.py                   # Entraînement et évaluation
├── app/
│   └── streamlit_app.py           # Interface interactive
├── requirements.txt
└── README.md

---

Lancer l'app

git clone https://github.com/[username]/cancer-survival-predictor
cd cancer-survival-predictor
pip install -r requirements.txt
streamlit run app/streamlit_app.py

---

Points techniques clés

• Analyse de survie : courbes Kaplan-Meier, log-rank test, modèle de Cox PH
• Classification : Random Forest, Gradient Boosting, Logistic Regression
• Validation : cross-validation stratifiée 5-fold, AUC-ROC, C-index
• Feature importance : RandomForest + coefficients Cox (exp(coef) = Hazard Ratio)
• Interprétabilité clinique : les résultats sont discutés en termes médicaux

---

Limites & perspectives

• Dataset synthétique : validation sur données réelles TCGA nécessaire
• Ajout de données génomiques (expression ARN, mutations) pour modèles multimodaux
• Déploiement sur GCP Cloud Run + monitoring MLflow
• Intégration SHAP pour explicabilité individuelle des prédictions

---

Mokdata Portfolio | Chams-Eddine | 2026