Évaluation de l'utilisation des techniques de réduction de dimension : étude de cas de l'analyse d'images du cancer de l'œsophage

Résumé La méthode de réduction de dimensionalité est l'une des approches les plus populaires pour traiter des données complexes caractérisées par de nombreuses caractéristiques et variables. Dans ce travail, nous avons évalué l'application de différentes techniques pour interpréter des images microscopiques in vivo basées sur le cancer. Nous nous concentrons sur plusieurs méthodes de réduction de dimensionalité, y compris PCA, LDA, t-SNE et UMAP, pour évaluer la performance de l'analyse de l'ensemble de données d'images (5043 images). L'étude d'évaluation établit l'efficacité des algorithmes d'apprentissage machine traditionnels pour l'analyse d'images biomédicales. Des descriptions de modèles basées sur des régressions logistiques, des vecteurs de support, du clustering K-means, des voisins les plus proches, des forêts aléatoires, du boosting par gradient et des classificateurs adaboost ont été utilisées. L'étude évalue également l'importance des techniques de visualisation pertinentes pour identifier des motifs cachés, des anomalies et des tendances qui ne sont pas immédiatement discernables dans des données à haute dimension. L'étude d'évaluation utilise des approches comme les divisions aléatoires et la validation croisée en K-pli. D'autres métriques d'évaluation telles que la précision, la sensibilité, la spécificité et le score ROC-AUC sont employées pour évaluer la performance des méthodes de réduction de dimensionalité utilisées. Leur pertinence pour la visualisation des données ainsi que pour la modélisation prédictive est démontrée. Dans l'ensemble, l'étude est utile pour comprendre la pertinence de la classification et de la visualisation efficaces des données, renforçant ainsi l'interprétabilité et l'analyse des images biomédicales.