一种用于阿尔茨海默病进展建模的判别式事件模型

用于数据驱动疾病进展建模的事件模型 (EBM) 估计疾病生物标志物变为异常的序列。这有助于理解疾病进展的动态，并通过在疾病进展时间线上对患者进行分期来促进早期诊断。现有的 EBM 方法本质上都是生成式的。在这项工作中，我们提出了一种新颖的判别式 EBM 方法，该方法被证明比现有最先进的 EBM 方法更准确且计算效率更高。该方法首先通过排序个体生物标志物异常的后验概率，为每个受试者估计一个近似的事件顺序。随后，基于一种新颖的概率 Kendall's Tau 距离，通过将广义 Mallows 模型拟合到这些近似的受试者特定顺序来估计所有受试者的中心顺序。为了评估准确性，我们在模拟阿尔茨海默病进展的合成数据上进行了广泛的实验。随后，将该方法应用于阿尔茨海默病神经影像学倡议 (ADNI) 数据，以估计数据集中的中心事件顺序。实验在各种条件下基准测试了新模型的准确性，并将其与现有最先进的 EBM 方法进行了比较。结果表明，判别式 EBM 可能是一种简单而优雅的疾病进展建模方法。