Estudio comparativo para la detección de pacientes con COVID-19 utilizando métodos de reducción de dimensionalidad

Abstract

El desarrollo de modelos de aprendizaje automático y su aplicación en la medicina han permitido importantes avances en este campo. Sin embargo, el rendimiento de dichos modelos se ve considerablemente perjudicado por la alta dimensionalidad que tienden a presentar los conjuntos de datos utilizados, siendo frecuente que dichos datos consten de cientos de miles o incluso millones de características que los representen. Una alta dimensionalidad no solo aumenta notablemente el coste computacional de estos algoritmos de inteligencia artificial, sino que también puede provocar sobreajustes a los datos con los que se entrena el algoritmo y disminuir su capacidad de generalización, proporcionando inferencias poco precisas. La solución a este problema es la aplicación de métodos que eliminen características innecesarias y mantengan únicamente las dimensiones que contengan la información más relevante de los datos, necesaria para llevar a cabo las predicciones. Estos métodos reciben el nombre de técnicas de reducción de dimensionalidad. En este estudio se revisan los métodos de reducción de dimensionalidad más populares en la literatura, tales como PCA, LOL o LPP, y una técnica novedosa, SLMVP, y se lleva a cabo una comparación experimental exhaustiva de dichas técnicas en un caso de uso real, el diagnóstico de la enfermedad COVID-19, determinando que SLMVP supera al resto de técnicas.---ABSTRACT---The development of machine learning models and their application in medicine has led to significant advances in the field. However, the performance of such models is significantly hampered by the high dimensionality that the datasets tend to have, with data often consisting of hundreds of thousands or even millions of features representing them. High dimensionality not only significantly increases the computational cost of these artificial intelligence algorithms, but can also lead to overfitting of the data on which the algorithm is trained and decrease its generalizability, providing inaccurate inferences. The solution to this problem is the application of methods that remove unnecessary features and keep only those dimensions that contain the most relevant information from the data needed to make predictions. These methods are called dimensionality reduction techniques. This study reviews the most popular dimensionality reduction methods in the literature, such as PCA, LOL or LPP, and a novel technique, SLMVP, and performs a comprehensive experimental comparison of these techniques in a real use case, the diagnosis of COVID-19 disease, determining that SLMVP outperforms all other techniques.