Feature Dimensionality Outweighs Model Complexity in Breast Cancer Subtype Classification Using TCGA-BRCA Gene Expression Data

ملخص تقني: أبعاد الميزات تفوق تعقيد النموذج في تصنيف الأنواع الفرعية لسرطان الثدي

بيان المشكلة
يعد التصنيف الدقيق للأنواع الجزيئية الفرعية لسرطان الثدي (Luminal A، وLuminal B، وHER2-enriched، وBasal-like، وNormal-like) أمراً بالغ الأهمية لاتخاذ القرارات السريرية. ومع ذلك، فإن استخدام بيانات التعبير الجيني (تحديداً بيانات RNA-seq من مشروع TCGA-BRCA) لهذه المهمة يطرح تحدي "عدد عينات صغير مقابل عدد ميزات كبير" ($n$ صغير، $p$ كبير): حيث تحتوي مجموعة البيانات على 20,518 ميزة جينية ولكن 981 عينة فقط. هذا الارتفاع في الأبعاد بالنسبة لحجم العينات يزيد من خطر الإفراط في التخصيص (overfitting)، لا سيما بالنسبة لنماذج التعلم الآلي المعقدة. علاوة على ذلك، تظهر مجموعة البيانات عدم توازن كبير في الفئات، حيث يشكل النوع Luminal A أكثر من نصف العينات، بينما يمثل النوع Normal-like أقلية صغيرة. إن مقاييس التقييم التقليدية مثل "الدقة" (accuracy) غالباً ما تحجب الأداء الضعيف لهذه الفئات الأقلية، مما يؤدي إلى استنتاجات مضللة حول جدوى النموذج.

المنهجية
تقيم الدراسة بشكل منهجي التفاعل بين تعقيد النموذج وأبعاد الميزات باستخدام ثلاثة مصنفات تتدرج في التعقيد:

1. الانحدار اللوجستي (LR): نموذج خطي مع تنظيم L2.
2. الغابة العشوائية (RF): طريقة تجميعية تستخدم 500 مُقدّر (estimator).
3. آلة ناقلات الدعم (SVM): نموذج غير خطي يستخدم نواة RBF.

التصميم التجريبي:

• مجموعة البيانات: 981 عينة من TCGA-BRCA مع 20,518 ميزة تعبير جيني.
• اختيار الميزات: تم تطبيق منهج استرشادي قائم على التباين (variance-based heuristic). تم ترتيب الجينات حسب التباين داخل طية التدريب (training fold)، واختيار أفضل $N$ من الجينات، حيث $N \in \{50, 75, 100, 1000, 20518\}$. تم إجراء هذا الاختيار بشكل مستقل داخل كل طية من طيات التحقق المتقاطع لمنع تسرب البيانات (data leakage).
• التحقق من الصحة: تم استخدام التحقق المتقاطع خماسي الطيات الطبقي (Stratified 5-fold cross-validation) للحفاظ على توزيع الأنواع الفرعية.
• مقاييس التقييم: بينما تم الإبلاغ عن الدقة، تم تحديد "مقياس F1 الكلي" (Macro F1 score) كمقياس أساسي لضمان الوزن المتساوي لجميع الأنواع الفرعية، بما في ذلك الفئات الأقلية. كما تم تحليل درجات F1 لكل نوع فرعي لتحديد أوجه القصور المحددة.

النتائج الرئيسية

• أداء النموذج: حقق الانحدار اللوجستي باستمرار أعلى درجات Macro F1 (تراوحت بين 0.65 و0.80)، مما أظهر الأداء الأكثر توازناً عبر جميع الأنواع الفرعية. حققت الغابة العشوائية دقة إجمالية مماثلة للانحدار اللوجستي ولكن مع درجات Macro F1 أقل بكثير (انخفضت إلى ~0.61–0.70)، مما يشير إلى انحياز نحو الفئات المهيمنة (Luminal A) وأداء ضعيف في الفئات الأقلية مثل BRCA Normal (درجة F1 $\approx$ 0.21). أظهرت آلة ناقلات الدعم (SVM) أداءً تنافسياً عند أحجام الميزات المتوسطة (1,000 جين)، لكن أداءها تدهور بشكل كبير عند الأبعاد الكاملة (20,518 جيناً).
• أبعاد الميزات: تحسن أداء جميع النماذج مع زيادة عدد الميزات من 50 إلى 1,000، مما يشير إلى أن الجينات عالية التباين تلتقط الإشارة الأساسية المميزة للأنواع الفرعية. ومع ذلك، استقرت مكاسب الأداء بعد 1,000 جين. ومن الجدير بالذكر أن أداء SVM انخفض مع زيادة الأبعاد، مما يؤكد حساسيتها لمساحات الميزات الكبيرة في ظل وجود عينات صغيرة.
• السلوك الخاص بالنوع الفرعي: تم تصنيف BRCA Basal وLuminal A باستمرار بدرجات F1 عالية في جميع النماذج. في المق المقابل، أظهر BRCA Normal وLuminal B تبايناً أكبر وأداءً أقل. حافظ الانحدار اللوجستي على الأداء الأكثر اتساقاً عبر هذه الأنواع الفرعية الصعبة.
• الأهمية الإحصائية: لم تصل اختبارات Wilcoxon لمراتب الإشارات الزوجية على درجات Macro F1 إلى الأهمية الإحصائية عند عتبة 0.05 (على سبيل المثال، LR مقابل RF حيث $p = 0.0625$). ويعزو المؤلفون ذلك إلى محدودية القوة الإحصائية للتحقق المتقاطع خماسي الطيات مع وجود خمس ملاحظات زوجية فقط، مما يشير إلى أن الاتجاهات الملحوظة ذات معنى عملي وليست ذات دلالة رسمية.

المساهمات الرئيسية

1. إعادة تقييم تعقيد النموذج: تتحدى الدراسة الافتراض بأن النماذج المعقدة (RF, SVM) تتفوق بطبيعتها على النماذج الأبسط (LR) في البيانات البيولوجية عالية الأبعاد. وتثبت أن النماذج الخطية الأبسط والمنتظمة يمكن أن توفر تصنيفاً أكثر توازناً واستقراراً عبر الأنواع الفرعية غير المتوازنة.
2. حساسية المقياس: تسلط الورقة الضوء على أن "الدقة" مقياس غير كافٍ لهذا المجال، حيث يمكن أن تخفي فشل النماذج في تصنيف الأنواع الفرعية الأقلية. وقد ثبت أن استخدام Macro F1 وتحليل كل نوع فرعي أمر ضروري للكشف عن أوجه القصور هذه.
3. تأثير اختيار الميزات: يوفر العمل دليلاً تجريبياً على أن اختيار الميزات القائم على التباين فعال لتقليل الأبعاد، حيث يكون عدد 1,000 جين عالي التباين كافياً في كثير من الأحيان لالتقاط الإشارة المميزة، وبالتالي تجنب عدم الاستقرار المرتبط باستخدام مجموعة الجينات الكاملة.

الأهمية والادعاءات
تزعم الورقة أنه بالنسبة لتصنيف الأنواع الفرعية لسرطان الثدي باستخدام بيانات TCGA-BRCA، فإن أبعاد الميزات واستراتيجية التقييم يفوقان تعقيد النموذج. وتحديداً:

• البساطة هي الأكثر متانة: تم تحديد الانحدار اللوجستي مع تنظيم L2 المدرب على أفضل 1,000 جين مختار بناءً على التباين كأكثر التكوينات متانة، حيث يوفر أداءً متوازناً وكفاءة حسابية.
• الحذر مع النماذج المعقدة: يُنصح بالحذر من استخدام الغابة العشوائية (Random Forest) كمصنف رئيسي في هذا السياق المحدد بسبب ميلها لتجاهل الفئات الأقلية رغم الدقة الإجمالية العالية.
• صرامة التقييم: تؤكد الدراسة أن استراتيجيات التقييم القوية، بما في ذلك التحقق المتقاطع الطبقي ودرجة Macro F1، ضرورية لتجنب الاستنتاجات المضللة، خاصة عند التعامل مع أنواع بيولوجية نادرة.

يحافظ المؤلفون على نبرة متواضنة، معترفين بأن نتائجهم محددة بمجموعة بيانات TCGA-BRCA وأن عدم وجود أهمية إحصائية في المقارنات الزوجية يحد من القدرة على تقديم ادعاءات حاسمة حول التفوق، رغم أن الاتجاهات العملية واضحة. كما أشاروا إلى أن الاختيار القائم على التباين هو منهج استرشادي ولا يضمن التفسير البيولوجي، كما أنهم لم يقوموا بضبط منهجي للمعلمات الفائقة (hyperparameter tuning).