Deep IDA：一种用于多视图数据特征排序的整合判别分析深度学习方法——在COVID-19严重程度中的应用
机器学习
2021-11-29 v2 机器学习
统计方法学
摘要
COVID-19严重程度由SARS-Cov-2并发症引起，但感染的临床进程因人而异，凸显了在分子层面更好理解该疾病的必要性。我们利用来自入住与未入住重症监护病房的COVID-19患者与非COVID-19患者的临床及多种分子数据（或视图），以阐明COVID-19严重程度。联合关联各视图并区分COVID-19组别（即一步法）的方法集中于线性关系。然而，视图与COVID-19患者组别间的关系过于复杂，无法仅通过线性方法理解。现有的非线性一步法不能用于识别有助于理解疾病复杂性的特征签名。我们提出Deep IDA（整合判别分析）以解决我们所关注问题的分析挑战。Deep IDA学习两个或多个视图的非线性投影，以最大化视图间关联并在各视图中分离类别，且允许特征排序以获得可解释发现。我们的应用表明，与其他最先进（state-of-the-art）方法相比，Deep IDA具有具竞争力的分类率，并能够识别有助于理解COVID-19严重程度的分子签名。
引用
@article{arxiv.2111.09964,
title = {Deep IDA: A Deep Learning Method for Integrative Discriminant Analysis of Multi-View Data with Feature Ranking -- An Application to COVID-19 severity},
author = {Jiuzhou Wang and Sandra E. Safo},
journal= {arXiv preprint arXiv:2111.09964},
year = {2021}
}