IA explicável aplicada para identificar genes influentes na classificação do câncer por meio de dados de expressão gênica de RNA-Seq

Abstract

Este artigo faz uso de três técnicas de aprendizagem de máquina (Machine Learnig – ML) para classificar os cinco tipos de câncer mais recorrentes em mulheres, a partir de dados de expressão gênica de RNA-Seq. Os desafios incluem: alta dimensionalidade do conjunto de dados e a falta de transparência dos modelos de ML. Para mitigar esses problemas, foi utilizado a técnica SHAP (SHapley Additive exPlanations) que e uma técnica de inteligência artificial explicável (Explainable artificial intelligence – XAI) utilizada para compreender como esses modelos tomam decisões podendo ser usada como uma estratégia para a seleção de recursos. Como entrada, foram utilizadas 2.105 amostras, sendo 421 amostras referentes a cada tumor, processadas pelos modelos Arvore de Decisão (Decision Tree- DT), Floresta Aleatoria (Random Forest-RF) e Aumento de Gradiente Extremo (eXtreme Gradient Boosting-XGB) treinadas e validadas por meio da técnica de validação cruzada. Os modelos RF, DT e XGB alcançaram precisões de 99, 40%, 97, 60% e 99, 34%. Posteriormente, a técnica SHAP foi utilizada para obter uma lista de recursos visando compreender quais características influenciaram nas tomadas de decisões dos modelos e consequentemente, nos resultados de predição dos cinco tumores. 122, 90 e 11 genes foram obtidos nos modelos RF, XGB e DT, totalizando 223 resultando em 194 genes únicos.