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

Resumen Técnico: La Dimensionalidad de las Características Supera a la Complejidad del Modelo en la Clasificación de Subtipos de Cáncer de Mama

Enunciado del Problema
La clasificación precisa de los subtipos moleculares del cáncer de mama (Luminal A, Luminal B, HER2-enriquecido, Basal-like y Normal-like) es crítica para la toma de decisiones clínicas. Sin embargo, utilizar datos de expresión génica (específicamente datos de RNA-seq de TCGA-BRCA) para esta tarea presenta un desafío de "poca $n$, gran $p$": el conjunto de datos contiene 20.518 características génicas pero solo 981 muestras. Esta alta dimensionalidad en relación con el tamaño de la muestra aumenta el riesgo de sobreajuste, particularmente para modelos complejos de aprendizaje automático. Además, el conjunto de datos exhibe un desequilibrio de clases significativo, con Luminal A comprendiendo más de la mitad de las muestras y el subtipo Normal-like representando una pequeña minoría. Las métricas de evaluación tradicionales como la precisión a menudo oscurecen un rendimiento deficiente en estas clases minoritarias, lo que lleva a conclusiones engañosas sobre la utilidad del modelo.

Metodología
El estudio evalúa sistemáticamente la interacción entre la complejidad del modelo y la dimensionalidad de las características utilizando tres clasificadores de complejidad creciente:

1. Regresión Logística (RL): Un modelo lineal con regularización L2.
2. Bosque Aleatorio (BA): Un método de ensamble que utiliza 500 estimadores.
3. Máquina de Vectores de Soporte (SVM): Un modelo no lineal que utiliza un kernel RBF.

Diseño Experimental:

• Conjunto de datos: 981 muestras de TCGA-BRCA con 20.518 características de expresión génica.
• Selección de características: Se aplicó una heurística basada en la varianza. Los genes se clasificaron por varianza dentro del pliegue de entrenamiento, y se seleccionaron los $N$ genes superiores, donde $N \in \{50, 75, 100, 1000, 20518\}$. Esta selección se realizó independientemente dentro de cada pliegue de validación cruzada para prevenir la fuga de datos.
• Validación: Se utilizó validación cruzada estratificada de 5 pliegues para preservar la distribución de los subtipos.
• Métricas de evaluación: Aunque se reportó la precisión, la puntuación F1 Macro fue designada como la métrica principal para garantizar una ponderación igual de todos los subtipos, incluidas las clases minoritarias. También se analizaron las puntuaciones F1 por subtipo para identificar modos de fallo específicos.

Resultados Clave

• Rendimiento del Modelo: La Regresión Logística logró consistentemente las puntuaciones F1 Macro más altas (oscilando entre 0,65 y 0,80), demostrando el rendimiento más equilibrado en todos los subtipos. El Bosque Aleatorio logró una precisión general comparable a la RL, pero puntuaciones F1 Macro significativamente más bajas (descendiendo a ~0,61–0,70), lo que indica un sesgo hacia las clases dominantes (Luminal A) y un rendimiento deficiente en clases minoritarias como Normal de BRCA (F1 $\approx$ 0,21). La SVM mostró un rendimiento competitivo en tamaños de características intermedios (1.000 genes) pero se degradó significativamente en dimensionalidad completa (20.518 genes).
• Dimensionalidad de las Características: El rendimiento de todos los modelos mejoró a medida que aumentaba el número de características de 50 a 1.000, lo que sugiere que los genes altamente variables capturan la señal esencial de discriminación de subtipos. Sin embargo, las ganancias de rendimiento se estabilizaron más allá de los 1.000 genes. Cabe destacar que el rendimiento de la SVM disminuyó con mayor dimensionalidad, confirmando su sensibilidad a grandes espacios de características en configuraciones de pocas muestras.
• Comportamiento Específico por Subtipo: Basal de BRCA y Luminal A se clasificaron consistentemente con altas puntuaciones F1 en todos los modelos. En contraste, Normal de BRCA y Luminal B mostraron mayor variabilidad y menor rendimiento. La Regresión Logística mantuvo el rendimiento más consistente en estos subtipos difíciles.
• Significancia Estadística: Las pruebas de rangos con signo de Wilcoxon por pares sobre las puntuaciones F1 Macro no alcanzaron significancia estadística en el umbral de 0,05 (por ejemplo, RL vs. BA $p = 0,0625$). Los autores atribuyen esto a la potencia estadística limitada de la validación cruzada de 5 pliegues con solo cinco observaciones emparejadas, sugiriendo que las tendencias observadas son prácticamente significativas en lugar de formalmente significativas.

Contribuciones Clave

1. Reevaluación de la Complejidad del Modelo: El estudio desafía la suposición de que los modelos complejos (BA, SVM) superan inherentemente a los modelos más simples (RL) en datos biológicos de alta dimensionalidad. Demuestra que los modelos lineales más simples y regularizados pueden proporcionar una clasificación más equilibrada y estable a través de subtipos desequilibrados.
2. Sensibilidad de la Métrica: El artículo destaca que la precisión es una métrica insuficiente para este dominio, ya que puede ocultar el fallo de los modelos para clasificar subtipos minoritarios. Se demuestra que el uso de F1 Macro y el análisis por subtipo es esencial para revelar estos modos de fallo.
3. Impacto de la Selección de Características: El trabajo proporciona evidencia empírica de que la selección de características basada en la varianza es efectiva para la reducción de dimensionalidad, siendo 1.000 genes altamente variables a menudo suficientes para capturar la señal discriminativa, evitando así la inestabilidad asociada con el uso del conjunto completo de genes.

Significancia y Afirmaciones
El artículo afirma que para la clasificación de subtipos de cáncer de mama utilizando datos de TCGA-BRCA, la dimensionalidad de las características y la estrategia de evaluación superan a la complejidad del modelo. Específicamente:

• La Simplicidad es Robusta: La Regresión Logística con regularización L2 entrenada en los 1.000 genes superiores seleccionados por varianza se identifica como la configuración más robusta, ofreciendo un rendimiento equilibrado y eficiencia computacional.
• Precaución con Modelos Complejos: Se advierte contra el uso del Bosque Aleatorio como clasificador principal en esta configuración específica debido a su tendencia a ignorar las clases minoritarias a pesar de su alta precisión general.
• Rigor en la Evaluación: El estudio enfatiza que las estrategias de evaluación robustas, incluida la validación cruzada estratificada y la puntuación F1 Macro, son críticas para evitar conclusiones engañosas, particularmente al tratar con subtipos biológicos raros.

Los autores mantienen un tono modesto, reconociendo que sus hallazgos son específicos del conjunto de datos TCGA-BRCA y que la falta de significancia estadística en las comparaciones por pares limita la capacidad de hacer afirmaciones definitivas sobre la superioridad, aunque las tendencias prácticas son claras. Señalan que la selección basada en varianza es una heurística y no garantiza la interpretabilidad biológica, ni realizaron un ajuste sistemático de hiperparámetros.