Le cancer du sein est le type de cancer le plus fréquent chez les femmes dans le monde, représentant environ 12 % des nouveaux cas déclarés et 6,5 % des décès liés au cancer en 2018. Le dépistage par mammographie est essentiel pour la détection précoce du cancer du sein. L’évaluation des mammographies constitue une tâche complexe marquée par une importante variabilité liée à l’expérience professionnelle et aux erreurs humaines, offrant ainsi une opportunité aux outils d’assistance pour améliorer à la fois la fiabilité et la précision. L’utilisation du deep learning dans l’analyse d’images médicales a considérablement augmenté, aidant les spécialistes dans la détection précoce, le diagnostic, le traitement ou le pronostic des maladies. Dans cet article, nous comparons les performances de XGBoost et de VGG16 dans la tâche de détection du cancer du sein à l’aide d’images mammographiques numériques provenant du jeu de données CBIS-DDSM. En outre, nous évaluons la précision des prédictions obtenues à partir d’images mammographiques complètes par rapport à des patches extraits des images originales, selon les régions d’intérêt (ROI) annotées par des experts. Nous menons également des expériences utilisant le transfert d’apprentissage et la transformation des données afin d’exploiter la diversité des données, ainsi que la capacité à extraire des caractéristiques et à apprendre à partir de données brutes non traitées. Les résultats expérimentaux montrent que XGBoost atteint un AUC de 68,29 %, tandis que VGG16 obtient une performance similaire d’environ 68,24 % en termes d’AUC.