[논문 리뷰] DeepCancer: Detecting Cancer through Gene Expressions via Deep Generative Learning

Rajendra R. Bhat, Vivek Viswanath외 1명|arXiv (Cornell University)|2016. 12. 09.

Gene expression and cancer classification참고 문헌 24인용 수 14

한 줄 요약

DeepCancer는 생성적 적대 기반 네트워크(GANs)를 사용하여 레이블이 없는 마이크로어레이 데이터에서 분류에 유용한 유전자 발현 특징을 추출하는 딥 생성 학습 프레임워크를 제안한다. 이 특징들은 전통적인 분류기로 분류된다. 이 모델은 유방암 데이터셋에서 최대 100%의 정밀도와 84%의 F1 점수를 기록했으며, 전립선암 데이터셋에서는 100%의 F1 점수를 기록하여 가짜 양성 및 가짜 음성 결과를 크게 감소시켰다.

ABSTRACT

Transcriptional profiling on microarrays to obtain gene expressions has been used to facilitate cancer diagnosis. We propose a deep generative machine learning architecture (called DeepCancer) that learn features from unlabeled microarray data. These models have been used in conjunction with conventional classifiers that perform classification of the tissue samples as either being cancerous or non-cancerous. The proposed model has been tested on two different clinical datasets. The evaluation demonstrates that DeepCancer model achieves a very high precision score, while significantly controlling the false positive and false negative scores.

연구 동기 및 목표

• 고차원 유전자 발현 데이터를 활용한 암 진단 문제를 딥 생성 모델을 통해 해결하고자 한다.
• 원시 마이크로어레이 데이터에서 직접 내재된 특징을 학습함으로써 수동적인 특징 공학을 제거하고자 한다.
• 적대적 특징 학습을 통해 염증성 유방암(IBC) 및 전립선암의 분류 정확도를 향상시키고자 한다.
• 다양한 학습률과 학습 에포크 수에 따른 모델의 강인성을 평가하고자 한다.
• 실제 임상 유전체 데이터셋을 활용하여 GAN 기반 특징 학습의 효과성을 입증하고자 한다.

제안 방법

• 모델는 레이블이 없는 유전자 발현 데이터에 대해 생성자와 판별자를 적대적으로 훈련시키는 생성적 적대 기반 네트워크(GAN)를 사용한다.
• 판별자는 실제 유전자 발현 샘플과 생성된 샘플을 구분하도록 학습하여 복잡한 데이터 분포를 포착한다.
• 훈련된 특징들은 이중 분류를 위한 서명 활성화 함수를 거쳐 암성 및 비암성 조직으로의 감독 분류에 사용된다.
• 이 프레임워크는 염증성 유방암과 전립선암을 위한 두 개의 임상 데이터셋에서 테스트된다.
• 학습률 및 학습 에포크 수와 같은 하이퍼파ram터는 성능 최적화를 위해 체계적으로 조정된다.
• 모델의 우수성을 검증하기 위해 기준 모델인 RBM 기반 접근법과의 비교가 수행된다.

실험 결과

연구 질문

• RQ1 레이블이 없는 유전자 발현 데이터로부터의 적대적 특징 학습이 암 분류 성능을 향상시킬 수 있는가?
• RQ2 학습률과 학습 에포크 수의 변화가 모델의 정밀도, 재현율 및 F1 점수에 어떤 영향을 미치는가?
• RQ3 염증성 유방암과 같은 희귀 암 유형에서 GAN 기반 모델이 높은 정밀도를 유지하면서 가짜 양성 및 음성 결과를 최소화할 수 있는가?
• RQ4 분류 정확도 및 강인성 측면에서 GAN 기반 모델은 표준 RBM 기반 기준 모델보다 어떻게 비교되는가?
• RQ5 비-IBC 또는 비-전립선 샘플에서 훈련된 모델이 새로운 암 아형에 대해 얼마나 일반화 가능한가?

주요 결과

• 작업 1(유방암)에서 모델은 평균 F1 점수 84%를 기록하여 강력한 종합 분류 성능를 보였다.
• 작업 2(비-IBC 대 IBC)에서 학습률 0.00003일 때 모델은 정밀도 55%, 재현율 100%, F1 점수 70%를 기록했다.
• 높은 학습률 0.001일 경우 모델의 정밀도는 25%로 하락하고 F1 점수는 40%로 떨어져, 강력한 최적화에서의 불안정성을 보였다.
• 작업 3(비-전립선 조직)에서 2 에포크 후 모델은 정밀도 100%, 재현율 79%, F1 점수 84%를 기록했다.
• 에포크 수를 2에서 8로 늘임으로써 정밀도 및 F1 점수가 향상되어 더 긴 훈련 기간이 성능 향상에 기여함을 보였다.
• 학습률 α=0.0003에서 정밀도가 급격히 상승한 현상이 관찰되었으며, 이는 경사 하강법가 국소 최소값에 일시적으로 갇힌 것으로 추정된다.