基于随机效应高斯过程与时间变换的疾病进展建模与预测
应用统计
2018-02-16 v1
摘要
用于联合建模影像、生化和临床生物标志物的时间变化的统计方法的开发，对于增进对神经退行性疾病的理解以及为未见个体的病理预测与量化提供参考至关重要。然而，将疾病进展模型用于概率预测仍需研究，例如解释临床数据中的缺失观测，以及准确的不确定性量化。我们通过对个体观测时间序列提出一种新颖的基于高斯过程的影像与临床生物标志物进展联合建模方法来解决此问题。该模型公式化以考虑个体随机效应和时间重参数化，允许对生物标志物演化进行非参数估计，以及在指定相关结构和时间变换模型方面具有高度灵活性。得益于贝叶斯表述，该模型自然处理缺失数据，并允许在演化估计中进行不确定性量化，以及对未见患者的疾病分期进行概率预测。实验结果表明，所提模型提供了对阿尔茨海默病病理在整个疾病时间跨度上演化的生物学合理描述，并且在具有缺失观测的大型临床队列上测试时表现出卓越的预测性能。
引用
@article{arxiv.1701.01668,
title = {Disease Progression Modeling and Prediction through Random Effect Gaussian Processes and Time Transformation},
author = {Marco Lorenzi and Maurizio Filippone and Daniel C. Alexander and Sebastien Ourselin},
journal= {arXiv preprint arXiv:1701.01668},
year = {2018}
}
备注
13 pages, 2 figures