[论文解读] Gene selection for cancer classification using a hybrid of univariate and multivariate feature selection methods

Min Xu, Rudy Setiono|arXiv (Cornell University)|Jun 5, 2015

Gene expression and cancer classification参考文献 22被引用 5

一句话总结

本文提出一种混合基因选择方法，结合单变量最大似然法（LIK）与多变量递归特征消除法（RFE），以更少的基因提升癌症分类的准确性。通过利用LIK进行初始基因排序，并结合RFE进行迭代特征消除，该方法降低了对噪声的敏感性与计算成本，同时在白血病和SRBCT数据集上实现了更小基因集下的优越或相当的分类准确率。

ABSTRACT

Various approaches to gene selection for cancer classification based on microarray data can be found in the literature and they may be grouped into two categories: univariate methods and multivariate methods. Univariate methods look at each gene in the data in isolation from others. They measure the contribution of a particular gene to the classification without considering the presence of the other genes. In contrast, multivariate methods measure the relative contribution of a gene to the classification by taking the other genes in the data into consideration. Multivariate methods select fewer genes in general. However, the selection process of multivariate methods may be sensitive to the presence of irrelevant genes, noises in the expression and outliers in the training data. At the same time, the computational cost of multivariate methods is high. To overcome the disadvantages of the two types of approaches, we propose a hybrid method to obtain gene sets that are small and highly discriminative. We devise our hybrid method from the univariate Maximum Likelihood method (LIK) and the multivariate Recursive Feature Elimination method (RFE). We analyze the properties of these methods and systematically test the effectiveness of our proposed method on two cancer microarray datasets. Our experiments on a leukemia dataset and a small, round blue cell tumors dataset demonstrate the effectiveness of our hybrid method. It is able to discover sets consisting of fewer genes than those reported in the literature and at the same time achieve the same or better prediction accuracy.

研究动机与目标

• 解决单变量与多变量基因选择方法在癌症分类中的局限性。
• 降低多变量方法对无关基因、噪声和异常值的敏感性。
• 降低多变量方法的高计算成本。
• 识别出更小但高度区分性的基因集，同时保持或提升分类准确率。
• 将单变量与多变量方法整合为协同作用的混合框架。

提出的方法

• 该方法结合单变量最大似然法（LIK），基于单个基因对分类的贡献进行初始基因排序。
• 采用多变量递归特征消除法（RFE）迭代剔除相关性较低的基因，同时考虑基因间的相互作用。
• 基因选择从LIK开始对基因进行排序，随后通过RFE根据多变量相关性进一步优化基因集合。
• 通过LIK在RFE计算密集型过程前早期过滤噪声与无关特征，从而降低其影响。
• 该方法在两个微阵列数据集（急性白血病与小圆蓝细胞肿瘤，SRBCT）上进行了评估。
• 特征选择通过分类准确率作为主要性能指标进行验证。

实验结果

研究问题

• RQ1 结合单变量与多变量方法的混合方法是否能提升癌症分类中的基因选择效果？
• RQ2 将LIK与RFE整合是否能在保持或提升分类准确率的同时显著减少所选基因数量？
• RQ3 与现有单变量和多变量方法相比，所提出方法在抗噪声和异常值方面的鲁棒性如何？
• RQ4 与纯多变量方法相比，该混合方法在计算成本上降低了多少？
• RQ5 该混合方法能否识别出比文献中报道更小、更具区分性的基因集？

主要发现

• 该混合方法在白血病与SRBCT数据集上的分类准确率与当前最先进方法相当或更优。
• 该方法所选基因数量显著少于以往研究结果，同时保持了高预测性能。
• 在白血病数据集中，该方法识别出的小型基因集在准确率上达到或超过以往研究中较大基因集的表现。
• 在SRBCT数据集中，该混合方法在基因集大小与准确率方面均优于单独的单变量与多变量方法。
• LIK与RFE的整合相比独立的多变量方法，显著提升了对噪声与异常值的鲁棒性。
• 由于LIK的预过滤步骤，计算成本得以降低，从而减少了传递至计算成本更高的RFE阶段的基因数量。