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

Resumo Técnico: A Dimensionalidade das Características Supera a Complexidade do Modelo na Classificação de Subtipos de Câncer de Mama

Declaração do Problema
A classificação precisa dos subtipos moleculares de câncer de mama (Luminal A, Luminal B, HER2-enriquecido, Basal-like e Normal-like) é crítica para a tomada de decisão clínica. No entanto, o uso de dados de expressão gênica (especificamente dados RNA-seq do TCGA-BRCA) para essa tarefa apresenta um desafio de "pequeno $n$, grande $p$": o conjunto de dados contém 20.518 características gênicas, mas apenas 981 amostras. Essa alta dimensionalidade em relação ao tamanho da amostra aumenta o risco de sobreajuste, particularmente para modelos complexos de aprendizado de máquina. Além disso, o conjunto de dados exibe um desequilíbrio significativo de classes, com o Luminal A compreendendo mais da metade das amostras e o subtipo Normal-like representando uma pequena minoria. Métricas de avaliação tradicionais, como a acurácia, frequentemente obscurecem o desempenho pobre nessas classes minoritárias, levando a conclusões enganosas sobre a utilidade do modelo.

Metodologia
O estudo avalia sistematicamente a interação entre a complexidade do modelo e a dimensionalidade das características usando três classificadores de complexidade crescente:

1. Regressão Logística (RL): Um modelo linear com regularização L2.
2. Floresta Aleatória (FA): Um método de ensemble usando 500 estimadores.
3. Máquina de Vetores de Suporte (SVM): Um modelo não linear usando um kernel RBF.

Desenho Experimental:

• Conjunto de Dados: 981 amostras do TCGA-BRCA com 20.518 características de expressão gênica.
• Seleção de Características: Um heurístico baseado em variância foi aplicado. Os genes foram classificados pela variância dentro da dobra de treinamento, e os top $N$ genes foram selecionados, onde $N \in \{50, 75, 100, 1000, 20518\}$. Essa seleção foi realizada independentemente dentro de cada dobra de validação cruzada para evitar vazamento de dados.
• Validação: Validação cruzada estratificada em 5 dobras foi utilizada para preservar a distribuição dos subtipos.
• Métricas de Avaliação: Embora a acurácia tenha sido relatada, a pontuação Macro F1 foi designada como a métrica principal para garantir o peso igual de todos os subtipos, incluindo as classes minoritárias. As pontuações F1 por subtipo também foram analisadas para identificar modos de falha específicos.

Principais Resultados

• Desempenho do Modelo: A Regressão Logística consistentemente alcançou as maiores pontuações Macro F1 (variando de 0,65 a 0,80), demonstrando o desempenho mais equilibrado em todos os subtipos. A Floresta Aleatória alcançou acurácia geral comparável à RL, mas pontuações Macro F1 significativamente menores (caindo para ~0,61–0,70), indicando um viés em direção às classes dominantes (Luminal A) e desempenho pobre em classes minoritárias como Normal do BRCA (F1 $\approx$ 0,21). A SVM mostrou desempenho competitivo em tamanhos intermediários de características (1.000 genes), mas degradou-se significativamente na dimensionalidade total (20.518 genes).
• Dimensionalidade das Características: O desempenho de todos os modelos melhorou à medida que o número de características aumentou de 50 para 1.000, sugerindo que genes altamente variáveis capturam o sinal essencial de discriminação de subtipos. No entanto, os ganhos de desempenho estabilizaram-se além de 1.000 genes. Notavelmente, o desempenho da SVM declinou com maior dimensionalidade, confirmando sua sensibilidade a grandes espaços de características em configurações de pequenas amostras.
• Comportamento Específico por Subtipo: O Basal do BRCA e o Luminal A foram consistentemente classificados com altas pontuações F1 em todos os modelos. Em contraste, o Normal do BRCA e o Luminal B mostraram maior variabilidade e desempenho inferior. A Regressão Logística manteve o desempenho mais consistente nesses subtipos difíceis.
• Significância Estatística: Testes de postos sinalizados de Wilcoxon pareados sobre as pontuações Macro F1 não atingiram significância estatística no limiar de 0,05 (por exemplo, RL vs. FA $p = 0,0625$). Os autores atribuem isso ao poder estatístico limitado da validação cruzada em 5 dobras com apenas cinco observações pareadas, sugerindo que as tendências observadas são praticamente significativas, em vez de formalmente significativas.

Principais Contribuições

1. Reavaliação da Complexidade do Modelo: O estudo desafia a suposição de que modelos complexos (FA, SVM) inerentemente superam modelos mais simples (RL) em dados biológicos de alta dimensionalidade. Demonstra que modelos lineares mais simples e regularizados podem fornecer classificação mais equilibrada e estável em subtipos desequilibrados.
2. Sensibilidade da Métrica: O artigo destaca que a acurácia é uma métrica insuficiente para este domínio, pois pode mascarar a falha dos modelos em classificar subtipos minoritários. O uso da Macro F1 e da análise por subtipo é mostrado como essencial para revelar esses modos de falha.
3. Impacto da Seleção de Características: O trabalho fornece evidências empíricas de que a seleção de características baseada em variância é eficaz para redução de dimensionalidade, com 1.000 genes altamente variáveis frequentemente suficientes para capturar o sinal discriminativo, evitando assim a instabilidade associada ao uso do conjunto completo de genes.

Significância e Alegações
O artigo alega que, para a classificação de subtipos de câncer de mama usando dados do TCGA-BRCA, a dimensionalidade das características e a estratégia de avaliação superam a complexidade do modelo. Especificamente:

• Simplicidade é Robusta: A Regressão Logística com regularização L2 treinada nos top 1.000 genes selecionados por variância é identificada como a configuração mais robusta, oferecendo desempenho equilibrado e eficiência computacional.
• Cautela com Modelos Complexos: A Floresta Aleatória é desencorajada como classificador primário neste cenário específico devido à sua tendência de ignorar classes minoritárias, apesar da alta acurácia geral.
• Rigor na Avaliação: O estudo enfatiza que estratégias de avaliação robustas, incluindo validação cruzada estratificada e pontuação Macro F1, são críticas para evitar conclusões enganosas, particularmente ao lidar com subtipos biológicos raros.

Os autores mantêm um tom modesto, reconhecendo que suas descobertas são específicas ao conjunto de dados TCGA-BRCA e que a falta de significância estatística nas comparações pareadas limita a capacidade de fazer alegações definitivas sobre superioridade, embora as tendências práticas sejam claras. Eles observam que a seleção baseada em variância é uma heurística e não garante interpretabilidade biológica, nem realizaram ajuste sistemático de hiperparâmetros.