Multi-Task Learning Berbasis Seleksi Fitur Stabil untuk Klasifikasi Komplikasi Mikrovaskular Diabetes

Abstract

Tujuan : Mengevaluasi pengaruh seleksi fitur berbasis stabilitas dan pembobotan kelas terhadap klasifikasi retinopati, neuropati, dan nefropati diabetik menggunakan multi-task learning (MTL).

Metode/Design/Pendekatan: Dari 100.000 rekam dataset publik, 27.407 rekam berstatus diabetes positif dianalisis. Sebanyak 18 dari 41 prediktor numerik dipilih menurut frekuensi ranking ANOVA F pada 20 subsampel pelatihan. Model logistic regression dan tiga konfigurasi MTL diuji dengan pembagian train/validasi/test sebesar 19.184/4.111/4.112 rekam. Average precision (AP) digunakan untuk setiap label, sedangkan macro-AUPRC merupakan rata-rata AP ketiga label. Hasil MTL dilaporkan sebagai rerata ± simpangan baku dari tiga seed.

Hasil/Temuan: MTL 41 fitur memperoleh macro-AUPRC tertinggi (0,1485 ± 0,0028), dibandingkan MTL 18 fitur (0,1454 ± 0,0024) dan MTL 18 fitur dengan weighted BCE (0,1449 ± 0,0043). AP per label pada MTL 41 fitur adalah 0,1440 (retinopati), 0,1847 (neuropati), dan 0,1167 (nefropati). Pengurangan prediktor sebesar 56,1% belum memperbaiki kinerja rata-rata.

Kebaharuan/Originalitas/Nilai: Studi ablasi pada tiga label komplikasi secara bersama memperlihatkan bahwa konsistensi seleksi fitur pada subsampel tidak menjamin peningkatan macro-AUPRC. Evaluasi satu pembagian data belum membuktikan kesiapan klinis.

Kata Kunci: diabetes; komplikasi mikrovaskular; multi-task learning; seleksi fitur berbasis frekuensi resampling; klasifikasi multilabel.