用于贝叶斯筛选的 Horseshoe 混合模型及其在脑成像光片荧光显微镜中的应用
统计方法学
2023-01-30 v3
摘要
本文关注利用光片荧光显微镜——一种近期发展的全脑成像技术——识别差异激活的脑区。大多数现有统计方法将脑区划分为两类：显著激活与非显著激活。然而，对于我们研究核心的脑成像问题，这种二值分组可能通过滤除微弱但重要的信号(通常混杂于数据噪声中)而给出过于简化的发现。为克服此局限，我们引入一种新的贝叶斯方法，允许将脑区分类为具有不同相关程度的若干层级。我们的方法基于收缩先验(广泛用于回归与多重假设检验问题)与混合模型(常用于基于模型的聚类)的结合。与现有使用尖峰- slab 先验或连续尺度混合的正则化先验分布不同，我们这类先验基于连续尺度混合的离散混合，并设计了 Horseshoe 先验的簇-收缩版本。因此，我们的方法为贝叶斯稀疏估计提供了更一般的设定，大幅减少了所需收缩参数数量，并创建了在感兴趣单元间共享信息的框架。我们表明该方法在我们的脑成像问题中产生更具生物学意义且可解释的结果，因为它允许区分活跃与非活跃区域，同时将发现排序为表示相似重要性层级的簇。
引用
@article{arxiv.2106.08281,
title = {A Horseshoe mixture model for Bayesian screening with an application to light sheet fluorescence microscopy in brain imaging},
author = {Francesco Denti and Ricardo Azevedo and Chelsie Lo and Damian Wheeler and Sunil P. Gandhi and Michele Guindani and Babak Shahbaba},
journal= {arXiv preprint arXiv:2106.08281},
year = {2023}
}