Le développement rapide de l'apprentissage profond, une famille de techniques d'apprentissage automatique, a suscité un vif intérêt pour son application aux problèmes d'imagerie médicale. Dans cette étude, nous avons développé un algorithme d'apprentissage profond capable de détecter avec précision le cancer du sein sur des mammographies de dépistage, en utilisant une approche d'entraînement « bout à bout » (end-to-end) qui exploite efficacement des jeux de données d'entraînement comprenant soit des annotations cliniques complètes, soit uniquement l'état de cancer (étiquette) de l'image entière. Dans cette méthode, les annotations de lésions sont nécessaires uniquement à l'étape initiale d'entraînement, tandis que les étapes ultérieures ne requièrent que des étiquettes au niveau de l'image, éliminant ainsi la dépendance vis-à-vis des annotations de lésions, rarement disponibles. Notre méthode basée sur un réseau entièrement convolutif pour la classification des mammographies de dépistage a obtenu des performances excellentes par rapport aux approches antérieures. Sur un jeu de test indépendant de mammographies numérisées de films provenant de la Digital Database for Screening Mammography (DDSM), le meilleur modèle unique a atteint une AUC par image de 0,88, et la moyenne de quatre modèles a amélioré cette AUC à 0,91 (sensibilité : 86,1 % ; spécificité : 80,1 %). Sur un jeu de validation d'images de mammographie numérique à champ entier (FFDM) provenant de la base de données INbreast, le meilleur modèle unique a atteint une AUC par image de 0,95, et la moyenne de quatre modèles a porté cette AUC à 0,98 (sensibilité : 86,7 % ; spécificité : 96,1 %). Nous démontrons également qu'un classificateur d'image entière entraîné à l'aide de notre approche bout à bout sur les mammographies numérisées de films de la base DDSM peut être transféré avec succès aux images FFDM de la base INbreast, en utilisant uniquement une sous-partie des données INbreast pour une adaptation fine (fine-tuning), sans nécessiter d'annotations de lésions supplémentaires. Ces résultats montrent que des méthodes d'apprentissage profond automatiques peuvent être facilement entraînées pour atteindre une haute précision sur des plateformes de mammographie hétérogènes, et offrent un potentiel considérable pour améliorer les outils cliniques afin de réduire les faux positifs et les faux négatifs dans le dépistage par mammographie.