Sintesi Tecnica: Ricerca Beam-Driven con Selezione delle Caratteristiche a Doppio Percorso e Fusione Pesata per la Rilevazione del Cancro

1. Definizione del Problema

La rilevazione del cancro rimane una sfida critica nella medicina clinica, dove la diagnosi precoce ha un impatto significativo sulla prognosi del paziente. Sebbene l'apprendimento automatico (ML) abbia rivoluzionato la diagnosi assistita dal computer (CAD), gli attuali metodi affrontano ostacoli sostanziali quando applicati a dataset oncologici eterogenei. Tali sfide includono:

• Alta Dimensionalità e Ridondanza: I dataset clinici spesso contengono più caratteristiche (feature) che osservazioni, con molte caratteristiche che sono rumorose, ridondanti o altamente correlate (ad esempio, biomarcatori co-espressi).
• Problemi di Generalizzazione: I metodi ingenuamente basati su un singolo classificatore spesso non riescono a generalizzare attraverso diversi tipi di cancro e distribuzioni di dati.
• Overfitting e Costo: L'inclusione di caratteristiche irrilevanti aumenta i costi computazionali e il rischio di overfitting, particolarmente in dataset con dimensioni campionarie limitate.
• Mancanza di una Strategia Unificata: Esiste una lacuna nell'integrazione della selezione sistematica delle caratteristiche con l'apprendimento ensemble in una strategia unificata a più stadi, capace di gestire la rilevazione di più tumori su dati eterogenei.

2. Metodologia: Il Framework BSDPFS-WM

Gli autori propongono il modello Beam Search-Driven Dual-Path Feature Selection with Weighted Merging (BSDPFS-WM). Si tratta di una pipeline gerarchica a più componenti progettata per bilanciare l'ottimalità discriminativa con l'efficienza computazionale. Il framework è composto dalle seguenti fasi:

2.1 Pre-elaborazione dei Dati

• Imputazione KNN: Per affrontare i valori mancanti senza introdurre bias sistematici, il framework utilizza i K-Nearest Neighbors (K=5) per stimare le caratteristiche mancanti basandosi sulla struttura locale dei dati osservati.
• Standardizzazione: Le caratteristiche vengono normalizzate con media zero e varianza unitaria (StandardScaler) per garantire la compatibilità con algoritmi basati sulla distanza (es. KNN, SVM) e ottimizzatori basati sul gradiente.

2.2 Fusione Pesata delle Caratteristiche (WFM)

Prima della fase di ricerca, il framework riduce la ridondanza consolidando le caratteristiche altamente correlate:

• Scoring della Mutual Information (MI): Le caratteristiche sono classificate in base alla loro dipendenza statistica con la variabile target.
• Rilevazione della Correlazione: Coppie di caratteristiche con un coefficiente di correlazione di Pearson assoluto ($|\rho| > 0.85$) vengono identificate come gruppi ridondanti.
• Consolidamento Pesato: Invece di eliminare arbitrariamente le caratteristiche, l'algoritmo fonde i gruppi correlati in una singola caratteristica composita. Il peso di ogni membro nel gruppo è proporzionale al suo punteggio MI, garantendo che le caratteristiche più informative contribuiscano maggiormente alla rappresentazione fusa.

2.3 Selezione delle Caratteristiche in più Stadi

Il cuore della metodologia è una strategia di ricerca ibrida in cinque fasi progettata per navigare lo spazio esponenziale delle caratteristiche:

1. Ricerca Greedy Filter: Un passaggio preliminare per restringere le opzioni.
2. Ricerca Wrapper Best-First: Una ricerca basata su un modello per identificare sottoinsiemi ad alte prestazioni.
3. Ricerca Beam con Punteggio di Potenziale Look-Ahead: Una ricerca euristica su grafo che mantiene una larghezza del fascio (beam width) fissa ($B=5$). Utilizza una funzione di punteggio composta:
   $$Score(S) = Acc + 0.3 \cdot F1 + 0.2 \cdot AUC + 0.25 \cdot Pot(S)$$
   Dove $Pot(S)$ è un'euristica di look-ahead che stima il potenziale delle caratteristiche non esplorate basandosi sui loro punteggi MI, prevenendo la convergenza precoce su massimi locali subottimali.
4. Ottimizzazione Random Walk: Per sfuggire ai massimi locali, vengono eseguite 15 prove parallele di random walk stocastici. Ogni prova parte da un seme di caratteristica casuale e costruisce un sottoinsieme aggiungendo casualmente le caratteristiche.
5. Strategia a Doppio Percorso: Due ricerche indipendenti girano in parallelo:
   • Percorso A: Si concentra sulle caratteristiche con punteggi MI superiori alla media (sfruttamento/exploitation).
   • Percorso B: Esplora l'intero spazio delle caratteristiche fuse (esplorazione/exploration).
     Il sottoinsieme finale viene selezionato in base alle prestazioni della cross-validazione della migliore soluzione di uno dei due percorsi.

2.4 Stacked Generalization

I sottoinsiemi di caratteristiche selezionati vengono valutati utilizzando un pool diversificato di classificatori base: Regressione Logistica, Naive Bayes, SVM, Multilayer Perceptron (MLP) e Hoeffding Tree. I loro output vengono combinati utilizzando un'architettura di Stacked Generalization dove un MLP funge da meta-learner, addestrato sulle predizioni out-of-fold dei modelli base.

2.5 Protocollo di Valutazione

Le prestazioni sono valutate utilizzando la Stratified 3-Fold Cross-Validation per gestire lo sbilanciamento delle classi. Le metriche includono Accuratezza, Precisione, Recall, F1-Score e ROC-AUC. Viene implementato un meccanismo di caching dei risultati per evitare valutazioni ridondanti degli stessi sottoinsiemi di caratteristiche durante la ricerca.

3. Configurazione Sperimentale e Dataset

Il framework è stato validato su tre distinti dataset pubblici di cancro:

1. Recidiva del Cancro alla Tiroide: 383 campioni, 15 caratteristiche (altamente sbilanciato).
2. Cancro alle Ossa (Sarcoma): 500 campioni, 9 caratteristiche.
3. Cancro alla Prostata: 27.945 campioni, 29 caratteristiche (su larga scala, spazio di caratteristiche ricco).

Lo studio confronta il BSDPFS-WM con i risultati della letteratura di base utilizzando vari split train-test (80-20, 50-50, 36-64) e contro approcci a modello singolo senza selezione delle caratteristiche.

4. Risultati Chiave

• Cancro alla Tiroide: La pipeline BSDPFS-WM ha raggiunto un'elevata accuratezza tra i classificatori, con l'MLP che ha raggiunto il 97,13% di accuratezza e 0,9884 di ROC-AUC. Sebbene alcuni baseline (es. XGBoost al 98,70%) abbiano mostrato un'accuratezza grezza leggermente superiore, il BSDPFS-WM ha ottenuto prestazioni comparabili (96,87% per XGBoost) utilizzando un set di caratteristiche significativamente ridotto (8 di 15 caratteristiche), dimostrando un rapporto dimensionalità-prestazioni superiore.
• Cancro alle Ossa: Il framework ha mostrato miglioramenti significativi per classificatori specifici. Gli Alberi di Decisione sono migliorati da un baseline di circa il 78,82% all'85,60%, e il Gaussian Naive Bayes è migliorato da circa il 76% al 78,20%. La pipeline ha identificato con successo che i modelli basati su alberi e i classificatori sensibili al rumore beneficiano maggiormente del processo di selezione delle caratteristiche.
• Cancro alla Prostata: Sul dataset più grande, il BSDPFS-WM ha dimostrato una notevole stabilità attraverso diversi split train-test. Mentre il baseline spesso raggiungeva una recall perfetta (1.0) prevedendo tutti i positivi (un segno di problemi nella gestione dello sbilanciamento delle classi), il BSDPFS-WM ha mantenuto una recall bilanciata (~0,85) con alta precisione. Random Forest e XGBoost sono emersi come i migliori performer, raggiungendo i punteggi AUC più elevati con un set di caratteristiche drasticamente ridotto (2–7 caratteristiche rispetto alle 29 totali).
• Complessità: Nonostante l'overhead aggiuntivo di ingegneria delle caratteristiche e cicli di ricerca, la riduzione della dimensionalità delle caratteristiche ($d_{new} \ll d$) e l'uso di elaborazione parallela e caching hanno garantito tempi di esecuzione efficienti, particolarmente per i modelli basati su alberi dove il costo dell'addestramento è lineare rispetto al numero di caratteristiche.

5. Significato e Rivendicazioni

L'articolo sostiene che il BSDPFS-WM offra una soluzione olistica, interpretabile e scalabile per la rilevazione del cancro su più tipologie. La sua importanza risiede in:

• Rimozione della Ridondanza: La fase di Weighted Feature Merging collassa efficacemente le dimensioni correlate senza perdere informazioni, accelerando il calcolo e riducendo l'overfitting.
• Strategia di Ricerca Robusta: La combinazione di metodi deterministici (Beam Search) e stocastici (Random Walk), guidati da una strategia a doppio percorso, garantisce un equilibrio fondato tra l'estrazione di caratteristiche ad alto MI e l'esplorazione di caratteristiche a basso ranking sinergiche.
• Generalizzabilità: Il framework dimostra prestazioni coerenti su dataset con diverse dimensioni, conteggi di caratteristiche e distribuzioni di classe, provando la sua adattabilità ai dati clinici eterogenei.
• Utilità Clinica: Riducendo i set di caratteristiche a piccoli sottoinsiemi spiegabili pur mantenendo o migliorando il potere predittivo, il modello affronta la natura "black box" dei complessi modelli di ML, rendendolo più adatto al supporto decisionale clinico.

Gli autori concludono che l'integrazione della selezione sistematica delle caratteristiche con la stacked generalization crea una pipeline che supera i tradizionali approcci a stadio singolo o a modello singolo, offrendo una via percorribile verso sistemi di rilevazione del cancro generalizzabili e spiegabili.