面向离散与连续混合输入数据的疾病进展与亚型建模
机器学习
2026-02-26 v1
摘要
疾病进展建模提供了一个稳健的框架，能够从短期生物标志物数据中识别长期疾病轨迹。它是深入理解阿尔茨海默病等具有长病程疾病的重要工具。大多数疾病进展模型的一个关键局限性在于它们仅适用于单一数据类型（例如连续数据），从而限制了其在异质性真实世界数据集上的适用性。为解决这一局限性，我们提出了混合事件模型（Mixed Events model），这是一种能够同时处理离散和连续数据类型的新型疾病进展模型。该模型在亚型与阶段推断（SuStaIn）框架内实现，形成了混合-SuStaIn（Mixed-SuStaIn），支持亚型和进展建模。我们通过模拟实验和来自阿尔茨海默病神经影像学倡议的真实世界数据证明了Mixed-SuStaIn的有效性，表明它在混合数据集上表现良好。代码可在以下网址获取：https://github.com/ucl-pond/pySuStaIn。
引用
@article{arxiv.2602.22018,
title = {Disease Progression and Subtype Modeling for Combined Discrete and Continuous Input Data},
author = {Sterre de Jonge and Elisabeth J. Vinke and Meike W. Vernooij and Daniel C. Alexander and Alexandra L. Young and Esther E. Bron},
journal= {arXiv preprint arXiv:2602.22018},
year = {2026}
}
备注
Accepted for publication, 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI), April 2026, London, United Kingdom