Resumen Técnico: Búsqueda de Haz Impulsada por la Selección de Características de Doble Vía con Fusión Ponderada para la Detección del Cáncer

1. Planteamiento del Problema

La detección del cáncer sigue siendo un desafío crítico en la medicina clínica, donde el diagnóstico temprano impacta significamente en el pronóstico del paciente. Si bien el aprendizaje automático (ML) ha revolucionado el diagnóstico asistido por computadora (CAD), los métodos actuales enfrentan obstáculos sustanciales cuando se aplican a conjuntos de datos oncológicos heterogéneos. Estos desafíos incluyen:

• Alta Dimensionalidad y Redundancia: Los conjuntos de datos clínicos suelen contener más características que observaciones, con muchas características que son ruidosas, redundantes o altamente correlacionadas (por ejemplo, biomarcadores coexpresados).
• Problemas de Generalización: Los métodos de clasificador único ingenuos a menudo fallan al generalizar a través de diversos tipos de cáncer y distribuciones de datos.
• Sobreajuste y Costo: La inclusión de características irrelevantes aumenta los costos computacionales y el riesgo de sobreajuste, particularmente en conjuntos de datos con tamaños de muestra limitados.
• Falta de una Estrategia Unificada: Existe una brecha en la integración de la selección sistemática de características con el aprendizaje de conjunto (ensemble learning) en una estrategia unificada de múltiples etapas capaz de manejar la detección de múltiples cánceres en datos heterogéneos.

2. Metodología: El Marco BSDPFS-WM

Los autores proponen el modelo BSDPFS-WM (Selección de Características de Doble Vía Impulsada por Búsqueda de Haz con Fusión Ponderada). Este es un pipeline jerárquico de múltiples componentes diseñado para equilibrar la optimalidad discriminativa con la eficiencia computacional. El marco consta de las siguientes etapas:

2.1 Preprocesamiento de Datos

• Imputación KNN: Para abordar los valores faltantes sin introducir un sesgo sistemático, el marco utiliza K-Vecinos Más Cercanos (K=5) para estimar las características faltantes basándose en la estructura local de los datos observados.
• Estandarización: Las características se normalizan a media cero y varianza unitaria (StandardScaler) para asegurar la compatibilidad con algoritmos basados en distancia (p. ej., KNN, SVM) y optimizadores basados en gradientes.

2.2 Fusión de Características Ponderada (WFM)

Antes de la fase de búsqueda, el marco reduce la redundancia consolidando características altamente correlacionadas:

• Puntuación de Información Mutua (MI): Las características se clasifican según su dependencia estadística con la variable objetivo.
• Detección de Correlación: Se identifican pares de características con un coeficiente de correlación de Pearson absoluto ($|\rho| > 0.85$) como grupos redundantes.
• Consolidación Ponderada: En lugar de descartar características arbitrariamente, el algoritmo fusiona los grupos correlacionados en una única característica compuesta. El peso de cada miembro en el grupo es proporcional a su puntuación de MI, asegurando que las características más informativas contribuyan más a la representación fusionada.

2.3 Selección de Características Multietapa

El núcleo de la metodología es una estrategia de búsqueda híbrida de cinco pasos diseñada para navegar el espacio exponencial de características:

1. Búsqueda de Filtro Codiciosa (Greedy Filter Search): Un paso preliminar para reducir las opciones.
2. Búsqueda de Envoltura de Mejor Primero (Best-First Wrapper Search): Una búsqueda basada en modelos para identificar subconjuntos de alto rendimiento.
3. Búsqueda de Haz con Puntuación de Potencial de Mirada Adelante (Beam Search with Look-Ahead Potential Scoring): Una búsqueda de grafo heurística que mantiene un ancho de haz fijo ($B=5$). Emplea una función de puntuación compuesta:
   $$Score(S) = Acc + 0.3 \cdot F1 + 0.2 \cdot AUC + 0.25 \cdot Pot(S)$$
   Donde $Pot(S)$ es una heurística de mirada adelante que estima el potencial de las características no exploradas basándose en sus puntuaciones de MI, evitando la convergencia prematura en máximos locales subóptimos.
4. Optimización de Caminata Aleatoria (Random Walk Optimization): Para escapar de los óptimos locales, se realizan 15 ensayos paralelos de caminatas aleatorias estocásticas. Cada ensayo comienza con una característica semilla aleatoria y construye un subconjunto añadiendo características de forma aleatoria.
5. Estrategia de Doble Vía: Dos búsquedas independientes se ejecutan en paralelo:
   • Vía A: Se enfoca en características con puntuaciones de MI por encima del promedio (explotación).
   • Vía B: Explora todo el espacio de características fusionadas (exploración).
     El subconjunto final se selecciona basándose en el rendimiento de validación cruzada de la mejor solución de cualquiera de las dos vías.

2.4 Generalización Apilada (Stacked Generalization)

Los subconjuntos de características seleccionados se evalúan utilizando un grupo diverso de clasificadores base: Regresión Logística, Naive Bayes, SVM, Perceptrón Multicapa (MLP) y Árbol de Hoeffding. Sus salidas se combinan utilizando una arquitectura de Generalización Apilada donde un MLP sirve como meta-aprendiz, entrenado con predicciones fuera de la muestra (out-of-fold) de los modelos base.

2.5 Protocolo de Evaluación

El rendimiento se evalúa mediante Validación Cruzada Estratificada de 3 Vías para manejar el desequilibrio de clases. Las métricas incluyen Exactitud, Precisión, Sensibilidad (Recall), F1-Score y ROC-AUC. Se implementó un mecanismo de caché de resultados para evitar evaluaciones redundantes de los mismos subconjuntos de características durante el proceso de búsqueda.

3. Configuración Experimental y Conjuntos de Datos

El marco fue validado en tres conjuntos de datos de cáncer distintos y disponibles públicamente:

1. Recurrencia de Cáncer de Tiroides: 383 muestras, 15 características (Altamente desequilibrado).
2. Cáncer de Hueso (Sarcoma): 500 muestras, 9 características.
3. Cáncer de Próstata: 27,945 muestras, 29 características (Gran escala, espacio de características rico).

El estudio compara BSDPFS-WM contra los resultados de la literatura de referencia utilizando varios cortes de entrenamiento-prueba (80-20, 50-50, 36-64) y contra enfoques de modelo único sin selección de características.

4. Resultados Clave

• Cáncer de Tiroides: El pipeline BSDPFS-WM logró una alta exactitud a través de los clasificadores, con el MLP alcanzando un 97.13% de exactitud y un 0.9884 de ROC-AUC. Aunque algunos modelos de referencia (como XGBoost con 98.70%) mostraron una exactitud bruta ligeramente superior, BSDPFS-WM logró un rendimiento comparable (96.87% para XGBoost) utilizando un conjunto de características significativamente reducido (8 de 15 características), demostrando un compromiso superior entre dimensionalidad y rendimiento.
• Cáncer de Hueso: El marco mostró mejoras significativas para clasificadores específicos. Los Árboles de Decisión mejoraron de un nivel base de ~78.82% a 85.60%, y el Gaussian Naive Bayes mejoró de ~76% a 78.20%. El pipeline identificó con éxito que los modelos basados en árboles y los clasificadores sensibles al ruido se benefician más del proceso de selección de características.
• Cáncer de Próstata: En el conjunto de datos más grande, BSDPFS-WM demostró una notable estabilidad a través de diferentes divisiones de entrenamiento-prueba. Mientras que el modelo base a menudo logró una sensibilidad perfecta (1.0) al predecir todos los positivos (un signo de problemas de manejo de desequilibrio de clases), BSDPF-WM mantuvo una sensibilidad equilibrada (~0.85) con alta precisión. Random Forest y XGBoost emergieron como los mejores desempeños, logrando los puntajes de AUC más altos con un conjunto de características drásticamente reducido (2–7 características frente a las 29 completas).
• Complejidad: A pesar de la carga adicional de ingeniería de características y bucles de búsqueda, la reducción en la dimensionalidad de las características ($d_{new} \ll d$) y el uso de procesamiento paralelo y caché resultaron en tiempos de ejecución eficientes, particularmente para los modelos basados en árboles donde el costo de entrenamiento es lineal respecto al número de características.

5. Significación y Reivindicaciones

El artículo afirma que BSDPFS-WM ofrece una solución holística, interpretable y escalable para la detección de múltiples tipos de cáncer. Su importancia radica en:

• Eliminación de Redundancia: El paso de Fusión de Características Ponderada colapsa eficazmente las dimensiones correlacionadas sin perder información, acelerando la computación y reduciendo el sobreajuste.
• Estrategia de Búsqueda Robusta: La combinación de métodos deterministas (Búsqueda de Haz) y estocásticos (Caminata Aleatoria), guiados por una estrategia de doble vía, asegura un equilibrio principista entre la explotación de características de alta MI y la exploración de características de bajo rango sinérgicas.
• Generalizabilidad: El marco demuestra un rendimiento consistente a través de conjuntos de datos con diferentes tamaños, conteos de características y distribuciones de clase, probando su adaptabilidad a datos clínicos heterogéneos.
• Utilidad Clínica: Al reducir los conjuntos de características a subconjuntos pequeños y explicables mientras mantiene o mejora el poder predictivo, el modelo aborda la naturaleza de "caja negra" de los modelos complejos de ML, haciéndolo más adecuado para el soporte de decisiones clínicas.

Los autores concluyen que la integración de la selección sistemática de características con la generalización apilada crea un pipeline que supera los enfoques tradicionales de una sola etapa o de un solo modelo, ofreciendo una vía viable hacia sistemas de detección de cáncer explicables y generalizables.