精神障碍共病的贝叶斯非参数分析
机器学习
2014-01-30 v1 机器学习
摘要
共病分析是精神病学分支中一个开放且复杂的研究领域，临床经验和多项研究表明，精神障碍之间的关系可能具有病因学和治疗学意义。在本文中，我们致力于应用潜特征建模来发现精神障碍背后的潜结构，以助于检验和解释它们之间的关系。为此，我们利用从国家酒精及相关条件流行病学调查 (NESARC) 数据库中收集的大量信息，并提出使用基于印度 buffet 过程 (IBP) 的非参数潜模型对这些数据进行建模。由于数据的离散性质，我们首先需要为离散随机变量调整观测模型。我们提出了一种生成模型，其中观测值是在给定 IBP 矩阵的情况下从多项 logit 分布中抽取的。通过拉普拉斯近似实现了高效 Gibbs 采样器的构建，该近似允许积分掉多项 logit 似然模型的权重因子。我们还为该模型提供了一种变分推断算法，作为 Gibbs 采样器的补充（且在计算复杂度方面成本更低），使我们能够处理更大规模的数据。最后，我们利用该模型分析了 NESARC 数据库中由专家诊断的精神障碍之间的共病关系。
引用
@article{arxiv.1401.7620,
title = {Bayesian nonparametric comorbidity analysis of psychiatric disorders},
author = {Francisco J. R. Ruiz and Isabel Valera and Carlos Blanco and Fernando Perez-Cruz},
journal= {arXiv preprint arXiv:1401.7620},
year = {2014}
}
备注
Submitted to Journal of Machine Learning Research