Исследование предлагает Instability Quotient Criterion (IQC) — метрику для количественной оценки стабильности отбора признаков в моделях машинного обучения, в частности в регрессии Elastic Net (ENET), которая широко применяется в биологии и общественном здравоохранении для выделения значимых предикторов из больших наборов данных. Основная проблема, которую решает IQC, — неспособность ENET обеспечивать воспроизводимый отбор признаков при малом числе наблюдений и высоком уровне шума, что критично для биомедицинских исследований. Методология IQC опирается на ансамблевое моделирование и энтропию Шеннона для определения стабильности выбранных признаков. С помощью симуляционных исследований авторы продемонстрировали, что IQC способен выявлять значительное снижение стабильности модели при уменьшении объёма данных, увеличении размерности и росте доли шумового сигнала, а также предложен наивный порог разделения на низкую и высокую стабильность. В кейс-стади на данных микрочипов экспрессии генов IQC выявил проблемы стабильности дифференциально-экспрессируемых генов при классификации подтипов острого лейкоза, несмотря на высокую точность классификации. Это указывает на то, что модельная нестабильность препятствует интерпретации биологически значимых генов для различения подтипов рака, что имеет прямое значение для персонализированной онкологии.