通过多站点加权 LASSO 模型对重度抑郁症进行分类
机器学习
2017-06-06 v2 计算工程、金融与科学
应用统计
摘要
在精神病学和神经病学中，脑成像数据的大规模协作分析为发现提高疾病分类、鉴别诊断和结果预测准确性的特征提供了新的统计功效来源。然而，由于数据隐私法规或全球范围内大型数据集的可访问性受限，高效整合分布式信息具有挑战性。在此，我们提出了一种通过多站点加权 LASSO 的新型分类框架：每个站点分别执行迭代加权 LASSO 以进行特征选择。在每次迭代中，收集分类结果和所选特征以更新每个特征的加权参数。这个新权重用于指导下一次迭代的 LASSO 过程。仅保留有助于提高分类准确性的特征。在来自五个站点的数据（299 名重度抑郁症（MDD）患者和 258 名正常对照）上的测试中，我们的方法将 MDD 的分类准确性平均提高了 4.9%。这一结果表明，所提出的新策略作为大规模分布式成像和生物库数据机器学习的有效且实用的协作平台具有潜力。
关键词
引用
@article{arxiv.1705.10312,
title = {Classification of Major Depressive Disorder via Multi-Site Weighted LASSO Model},
author = {Dajiang Zhu and Brandalyn C. Riedel and Neda Jahanshad and Nynke A. Groenewold and Dan J. Stein and Ian H. Gotlib and Matthew D. Sacchet and Danai Dima and James H. Cole and Cynthia H. Y. Fu and Henrik Walter and Ilya M. Veer and Thomas Frodl and Lianne Schmaal and Dick J. Veltman and Paul M. Thompson},
journal= {arXiv preprint arXiv:1705.10312},
year = {2017}
}
备注
Accepted by MICCAI 2017