[论文解读] Stable Feature Selection for Biomarker Discovery

Zengyou He, Weichuan Yu|arXiv (Cornell University)|Jan 6, 2010

Gene expression and cancer classification参考文献 59被引用 46

一句话总结

本文提出了一种分层框架，用于在生物标志物发现中实现稳定的特征选择，解决了由抽样变异、特征相关性和小样本量引起的不稳定性问题。综述了集成方法、分组特征选择和稳定性度量，强调通过稳健的算法设计和对稳定性度量的全面评估，实现可重复的标志物识别。

ABSTRACT

Feature selection techniques have been used as the workhorse in biomarker discovery applications for a long time. Surprisingly, the stability of feature selection with respect to sampling variations has long been under-considered. It is only until recently that this issue has received more and more attention. In this article, we review existing stable feature selection methods for biomarker discovery using a generic hierarchal framework. We have two objectives: (1) providing an overview on this new yet fast growing topic for a convenient reference; (2) categorizing existing methods under an expandable framework for future research and development.

研究动机与目标

• 解决长期被忽视的特征选择在生物标志物发现中的不稳定性问题，特别是在抽样变异情况下的表现。
• 为现有的稳定特征选择方法提供一个系统化且可扩展的分类框架。
• 区分那些在算法设计中整合稳定性的方法与仅在事后测量稳定性的方法。
• 通过识别不稳定的根源并围绕其组织方法，为未来研究提供支持。
• 突出在处理非相关特征、多组真实标志物集以及稳定性度量缺乏共识方面的未解挑战。

提出的方法

• 提出一种分层框架，根据方法如何应对三种主要不稳定性来源（抽样变异、特征相关性、小样本量）来组织稳定特征选择方法。
• 将方法分类为：集成特征选择（如自助聚合、提升）、分组特征选择（使用聚类或密度估计形成特征组），以及样本注入（人为增加训练样本）。
• 整合先前的特征重要性信息和基于知识的分组构建（如来自通路信息）以提升稳定性。
• 采用归纳学习和人工训练样本以增强小样本条件下的鲁棒性。
• 使用稳定性度量，如特征权重向量的皮尔逊相关系数和特征子集比较的雅卡尔指数。
• 通过用户定义的参数（如指数衰减模型中的α）重新表述稳定性度量，以控制特征排序对敏感度的影响。

实验结果

研究问题

• RQ1 在高维'组学'数据中，生物标志物发现的特征选择主要不稳定性来源是什么？
• RQ2 如何根据方法增强稳定性的策略，对特征选择方法进行系统性分类？
• RQ3 集成和基于分组的特征选择策略是否能有效降低由抽样变异和特征相关性引起的不稳定性？
• RQ4 当前稳定性度量的局限性是什么？是否存在评估特征选择可重复性的最佳度量共识？
• RQ5 当存在多个非相关的真实标志物集时，识别稳定生物标志物是否存在未解决的挑战？

主要发现

• 在高维'组学'数据中，小样本量是最具挑战性的不稳定性来源，研究表明可能需要数千个样本才能实现稳定选择。
• 集成特征选择方法在通用稳定性提升方面展现出强大潜力，通过组合多个模型实现。
• 当特征相关时，分组特征选择被广泛使用且有效，但在真实标志物非相关时无法完全解决不稳定性问题。
• 目前尚无关于最佳稳定性度量的共识，且大多数现有度量均基于特征子集而非单个特征定义。
• 特征权重向量的皮尔逊相关系数（MW1）是少数使用连续权重评分评估稳定性的度量之一。
• 混合方法（如结合分组选择与集成学习）可能提供更高的鲁棒性，但在当前文献中仍研究不足。