基于多阶段特征选择与堆叠泛化的高精度癌症检测新方法

《Scientific Reports》：Multistage feature selection and stacked generalization model for cancer detection

本研究针对癌症筛查的可靠性问题，提出了一种结合混合Filter-Wrapper特征选择与堆叠分类器的新方法。研究人员通过三阶段特征选择策略（贪婪逐步搜索和最佳优先搜索）从WBC和LCP数据集中筛选关键特征，构建了以LR、NB、DT为基分类器、MLP为元分类器的堆叠模型。实验表明该方法在保持诊断准确性的同时将特征数从30/16个降至6/8个，在多种数据划分和10折交叉验证中均达到100%的准确率、灵敏度、特异度和AUC值。该研究为癌症早期诊断提供了高精度、可解释的AI解决方案，显著提升了临床应用的可行性。

　　

在全球范围内，癌症已成为威胁人类健康的重大公共卫生问题。2020年数据显示，全球新发癌症病例超过1809万，年龄标准化发病率为190/10万。更令人担忧的是，约40%的癌症病例可以通过改善饮食、营养和运动等风险因素来预防。早期准确诊断对提高癌症治愈率至关重要，但传统诊断方法存在主观性强、效率低等局限性。

随着人工智能技术在医疗领域的深入应用，机器学习为癌症筛查带来了新的希望。然而，高维医疗数据中的冗余特征和模型可解释性不足，严重制约了AI在临床实践中的推广。现有研究往往面临特征选择效率与模型性能之间的平衡难题，以及单个分类器泛化能力有限的问题。

针对这些挑战，Sulekha Das等研究人员在《Scientific Reports》上发表了一项创新性研究，提出了一种结合多阶段特征选择和堆叠泛化的癌症检测新框架。该研究旨在解决特征冗余和模型可靠性两大核心问题，为实现精准、高效的癌症早期诊断提供技术支持。

研究人员采用的关键技术方法主要包括：1）三阶段混合特征选择（贪婪逐步搜索算法和最佳优先搜索算法）；2）多种机器学习分类器（逻辑回归、朴素贝叶斯、决策树、支持向量机和多层感知器）；3）堆叠泛化模型（以LR、NB、DT为基分类器，MLP为元分类器）；4）10折交叉验证和多种数据划分策略（50-50、66-34、80-20）；5）模型可解释性分析（SHAP、LIME）。使用的数据集包括威斯康星乳腺癌数据集（WBC，569例患者）和Kaggle肺癌数据集（LCP，1000例参与者）。

特征选择效果分析

通过混合Filter-Wrapper方法，WBC数据集特征从30个优化至6个，LCP数据集从16个优化至8个。特征选择不仅降低了计算复杂度，还显著提升了模型性能。如表6和表7所示，筛选出的特征与临床认知高度一致，如肺癌数据集中的"吸烟"、"胸痛"和"遗传风险"等关键指标。

模型性能比较

堆叠模型在全部实验设置中均达到100%的准确率、灵敏度、特异度和AUC值，显著优于单个分类器。如表8-19所示，即使特征数量大幅减少，堆叠模型在三种数据划分（50-50、66-34、80-20）和10折交叉验证中均保持稳定性能。多层感知器（MLP）也表现出色，在优化特征集上准确率超过98%。

统计显著性验证

置信区间分析显示（图5-6），堆叠模型在WBC和LCP数据集上的准确率置信区间均为(100.0, 100.0)，表明结果具有高度稳定性。AUC值的置信区间分析进一步验证了模型的鲁棒性，堆叠模型在两类数据集上的AUC置信区间均接近完美水平。

可解释性分析

通过SHAP和LIME等可解释性技术，研究人员揭示了特征对预测结果的贡献度。如图4所示的蜜蜂群图清晰展示了各特征的重要性排序，与临床专业知识高度吻合，增强了模型在医疗实践中的可信度。

跨数据集验证

在Framingham心脏研究数据集上的额外测试中，该方法将特征从16个降至11个后，堆叠模型的准确率从92.95%提升至98.8%，AUC达到100%，证明了该方法的泛化能力。

本研究通过创新的多阶段特征选择与堆叠泛化模型，成功解决了癌症检测中的特征优化和模型可靠性问题。该方法不仅实现了完美的分类性能，还通过可解释性技术增强了临床适用性。未来研究可将该框架扩展到更多癌症类型和更大规模数据集，推动AI辅助癌症诊断的实际临床应用。