一种提升多类别分类诊断准确性的无分布平滑生物标志物组合方法
统计方法学
2026-04-16 v1 应用统计
摘要
通常将多个诊断检测的结果进行组合以提高整体诊断准确性。对于二分类，广泛采用受试者工作特征（ROC）曲线下面积的经验估计最大化来产生多个生物标志物的最优线性组合。在生物标志物数量众多时，该方法计算代价高且难以实施，因其涉及最大化一个不连续、非光滑的函数，无法直接采用基于梯度的方法。当分类问题变为多类别时，该问题的复杂性增加。本文中，我们发展了一种线性组合方法，最大化多类别结局的经验流形下超体积（HUM）的平滑近似。我们用 sigmoid 函数或正态累积分布函数（CDF）替代指示函数来近似 HUM。借助上述平滑近似，可采用高效的基于梯度的算法以更短计算时间获得更优解。我们证明在某些正则条件下，所提方法产生系数参数的一致估计。我们还推导了系数估计的渐近正态性。我们进行了大量模拟以检验我们的方法。在不同模拟场景下，将所提方法与现有其他方法比较，显示其在诊断准确性方面优于后者。所提方法用两个真实医学数据集进行了说明。
引用
@article{arxiv.1904.10046,
title = {A distribution-free smoothed combination method of biomarkers to improve diagnostic accuracy in multi-category classification},
author = {Raju Maiti and Jialiang Li and Priyam Das and Lei Feng and Derek Hausenloy and Bibhas Chakraborty},
journal= {arXiv preprint arXiv:1904.10046},
year = {2026}
}