基于WGAN-GP解决肾脏癌症miRNA分类中的类别不平衡问题

《Electronics》：Synthetic Data Augmentation for Imbalanced miRNA Cancer Datasets Using WGAN-GP with a PUF-Based Security Layer for Privacy-Aware Deployment

　　

摘要

类别不平衡仍然是医学机器学习中的一项重大挑战，尤其是在涉及罕见癌症亚型的基因组分类任务中。在微小RNA（miRNA）表达分析中，少数类样本的代表性不足可能导致模型训练产生偏差，并损害临床相关癌症亚型的可靠分类。本研究针对癌症基因组图谱（TCGA）中三种肾脏癌症亚型——TCGA-KIRC、TCGA-KIRP和TCGA-KICH的miRNA表达数据中的类别不平衡问题。原始数据集包含1,642,113条miRNA-患者记录，在三个亚型中分布不均匀，分别为970,596条、547,371条和124,146条记录。为缓解这一不平衡问题，我们提出了三种基于带梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）的数据集构建方法：渐进式平衡（Progressive Balancing）、直接平衡（Direct Balancing）和预训练平衡（Pretrained Balancing）。渐进式平衡方法通过增加少数类的样本表示使其与多数类匹配，生成包含2,911,788条记录的平衡数据集，每个类别各有970,596条记录。在预平衡池协议下——即在交叉验证之前生成合成记录——我们评估了十种机器学习分类器。随机森林在该协议下取得了0.8788的最高加权F1分数。为更严格地评估泛化能力，我们还进行了五折患者级别的分层分组交叉验证，该验证从所有学习阶段中排除了患者标识符和文件路径信息，并将WGAN-GP数据增强限制在每个折的训练部分内。在这种泄露受控的协议下，随机森林在50%平衡目标下取得了加权F1分数为的成绩。相较于预平衡池结果，这一较低的分数提供了对未见患者的更保守的性能估计。此外，使用包含15,000个标准化样本数据集进行的分数平衡消融实验发现，50%的平衡目标是表现最佳的增强水平，这表明增强数量与合成数据质量之间可能存在潜在的权衡关系。为确保安全部署，我们在Nexys A7-100T现场可编程门阵列（FPGA）上集成了轻量级的基于物理不可克隆函数（PUF）的硬件安全层，以支持设备认证和按需密钥生成。该硬件模块在PUF响应生成、纠错和哈希过程中的延迟约为350个时钟周期；数据集加密/解密和端到端推理延迟未经基准测试。总体而言，本研究提出了一种基于WGAN-GP的框架来解决肾脏癌症miRNA分类中的类别不平衡问题，并强调了在评估模型泛化能力时患者级别泄露控制的重要性。然而，池协议与分组协议之间观察到的性能差距不能仅归因于数据泄露，因为这两种协议在训练预算方面也存在差异。要进一步确立所提方法的临床泛化能力，仍需针对外部平衡基线和独立患者队列进行进一步验证。