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

技術的サマリー：乳がんサブタイプ分類において、モデルの複雑さよりも特徴量の次元数が支配的である

問題定義
乳がんの分子サブタイプ（ルミナル A、ルミナル B、HER2 増強型、基底様、およびノーマル様）の正確な分類は、臨床的意思決定において極めて重要である。しかし、このタスクに遺伝子発現データ（特に TCGA-BRCA RNA-seq データ）を適用する際、「サンプル数 $n$ が小さく、特徴量数 $p$ が大きい」という課題に直面する。本データセットには 20,518 個の遺伝子特徴量が含まれるが、サンプル数は 981 件に過ぎない。サンプル数に対するこの高い次元性は、特に複雑な機械学習モデルにおいて過学習のリスクを増大させる。さらに、データセットには顕著なクラス不均衡が存在し、ルミナル A がサンプルの半数以上を占める一方、ノーマル様サブタイプは少数派である。従来の評価指標である精度（Accuracy）は、これらの少数派クラスにおける性能の低さを隠蔽し、モデルの実用性に関する誤った結論を導く傾向がある。

手法
本研究は、複雑さの異なる 3 つの分類器を用いて、モデルの複雑さと特徴量の次元性の相互作用を体系的に評価した。

1. ロジスティック回帰（LR）： L2 正則化を適用した線形モデル。
2. ランダムフォレスト（RF）： 500 個の推定器を用いたアンサンブル手法。
3. サポートベクターマシン（SVM）： RBF カーネルを用いた非線形モデル。

実験設計：

• データセット： 20,518 個の遺伝子発現特徴量を持つ 981 件の TCGA-BRCA サンプル。
• 特徴量選択： 分散に基づくヒューリスティック手法を適用した。訓練フォールド内の分散で遺伝子をランク付けし、上位 $N$ 個の遺伝子を選択した。ここで $N \in \{50, 75, 100, 1000, 20518\}$ である。この選択は、データリークを防止するため、各交差検証フォールド内で独立して実施された。
• 検証： サブタイプの分布を維持するため、層化 5 分割交差検証を用いた。
• 評価指標： 精度も報告されたが、少数派クラスを含むすべてのサブタイプに均等な重みを付与するため、マクロ F1 スコアを主要指標に指定した。また、特定の失敗パターンを特定するため、サブタイプごとの F1 スコアも分析された。

主要な結果

• モデル性能： ロジスティック回帰は、一貫して最も高いマクロ F1 スコア（約 0.65 から 0.80 の範囲）を達成し、すべてのサブタイプにおいて最もバランスの取れた性能を示した。ランダムフォレストは LR と同等の全体的な精度を達成したが、マクロ F1 スコアは有意に低く（約 0.61〜0.70 に低下）、支配的なクラス（ルミナル A）への偏りと、BRCA ノーマル（F1 $\approx$ 0.21）のような少数派クラスにおける性能の低さを示した。SVM は中間的な特徴量サイズ（約 1,000 遺伝子）では競争力のある性能を示したが、完全な次元性（20,518 遺伝子）では著しく劣化した。
• 特徴量の次元性： 特徴量の数が 50 から 1,000 に増加するにつれ、すべてのモデルの性能が向上した。これは、変動の大きい遺伝子が本質的なサブタイプ判別信号を捉えていることを示唆している。しかし、1,000 遺伝子を超えると性能の向上は頭打ちとなった。特に、SVM の性能は次元性の増加に伴って低下し、小サンプル設定における大規模な特徴量空間への敏感性を確認させた。
• サブタイプ固有の挙動： BRCA 基底様とルミナル A は、すべてのモデルにおいて一貫して高い F1 スコアで分類された。対照的に、BRCA ノーマルとルミナル B は変動が大きく、性能も低かった。ロジスティック回帰は、これらの困難なサブタイプにおいて最も一貫した性能を維持した。
• 統計的有意性： マクロ F1 スコアに対するペアワイズウィルコクソンの符号付きランク検定は、0.05 の閾値で統計的有意性に達しなかった（例：LR 対 RF、$p = 0.0625$）。著者らは、わずか 5 つの対照観測値による 5 分割交差検証の統計的検出力の限界をその理由として挙げ、観察された傾向は形式的な有意性ではなく、実質的に意味のあるものであると結論づけた。

主要な貢献

1. モデル複雑さの再評価： 本研究は、高次元の生物学的データにおいて、複雑なモデル（RF、SVM）が単純なモデル（LR）を本質的に凌駕するという仮定に異議を唱えている。単純で正則化された線形モデルの方が、不均衡なサブタイプにおいてよりバランスの取れた安定した分類を提供し得ることを示した。
2. 評価指標の感度： 本ドメインにおいて精度は不十分な指標であることを強調している。精度は、少数派サブタイプの分類失敗をモデルの失敗として隠蔽し得るためである。マクロ F1 スコアとサブタイプごとの分析の使用は、これらの失敗パターンを明らかにするために不可欠であることが示された。
3. 特徴量選択の影響： 分散に基づく特徴量選択が次元削減に有効であるという実証的証拠を提供した。変動の大きい 1,000 個の遺伝子でさえ、しばしば判別信号を捉えるのに十分であり、全遺伝子セットを使用することに伴う不安定性を回避できる。

意義と主張
本論文は、TCGA-BRCA データを用いた乳がんサブタイプ分類において、特徴量の次元性と評価戦略がモデルの複雑さよりも重要であると主張している。具体的には：

• 単純さの堅牢性： 上位 1,000 個の分散選択遺伝子で訓練された L2 正則化付きロジスティック回帰が、最も堅牢な構成として特定され、バランスの取れた性能と計算効率を提供する。
• 複雑なモデルへの注意： ランダムフォレストは、高い全体的な精度にもかかわらず少数派クラスを無視する傾向があるため、この特定の設定における主要な分類器としては推奨されない。
• 評価の厳格さ： 層化交差検証やマクロ F1 スコアリングを含む堅牢な評価戦略は、特に希少な生物学的サブタイプを扱う際に、誤った結論を避けるために不可欠であると強調している。

著者らは謙虚なトーンを維持し、その知見が TCGA-BRCA データセットに固有のものであること、およびペアワイズ比較における統計的有意性の欠如が優越性に関する決定的な主張を可能にする能力を制限していることを認めている。ただし、実用的な傾向は明確であると述べている。また、分散に基づく選択はヒューリスティックであり、生物学的解釈性を保証するものではなく、体系的なハイパーパラメータ調整も実施しなかったことに言及している。