基于判别性事件建模的阿尔茨海默病疾病进展时间线估计
机器学习
2019-08-14 v1 机器学习
摘要
阿尔茨海默病（AD）的特征是一系列生物标志物变为异常的级联过程，其病理生理机制非常复杂且很大程度上未知。事件建模（EBM）是一种数据驱动技术，基于横断面数据估计疾病生物标志物变为异常的序列。它有助于理解疾病进展的动态并促进早期诊断和预后。在这项工作中，我们提出了一种新颖的判别性 EBM 方法，其被证明比现有的最先进 EBM 方法更准确。该方法首先为每个受试者估计事件的近似排序。随后，通过对这些近似的受试者特定排序拟合广义 Mallows 模型来估计所有受试者的中心排序。我们还引入了事件间相对距离的概念，有助于创建疾病进展时间线。随后，我们提出了一种通过将受试者置于估计的疾病进展时间线上来对其分期的的方法。我们在阿尔茨海默病神经影像学倡议（ADNI）数据上评估了所提出的方法，并将结果与现有的最先进 EBM 方法进行比较。我们还在模拟阿尔茨海默病进展的合成数据上进行了大量实验。在 ADNI 数据上获得的事件排序看似合理，并与当前对 AD 进展的理解一致。所提出的患者分期算法表现始终优于最先进 EBM 方法。模拟实验中获得的事件排序比其他 EBM 方法更准确，并且估计的疾病进展时间线被观察到与实际疾病进展时间线相关。这些实验的结果令人鼓舞，并表明判别性 EBM 是疾病进展建模的一种有前景的方法。
引用
@article{arxiv.1808.03604,
title = {Disease Progression Timeline Estimation for Alzheimer's Disease using Discriminative Event Based Modeling},
author = {Vikram Venkatraghavan and Esther E. Bron and Wiro J. Niessen and Stefan Klein},
journal= {arXiv preprint arXiv:1808.03604},
year = {2019}
}