基于辅助代理标签的潜在疾病进展动态分类
统计方法学
2024-12-12 v1 应用统计
机器学习
摘要
基于患者不断演变的健康信息进行疾病进展预测，在真实疾病状态因诊断能力或高成本而未知的情况下具有挑战性。例如，缺乏金标准神经诊断结果会阻碍将阿尔茨海默病（AD）与相关疾病如AD相关痴呆（ADRDs），包括 Lew body 痴呆（LBD）进行区分。将时序相关的代理标签和健康标记结合起来可能有助于改进疾病预测。然而，现有文献使用纯生成方法来建模信息丰富的代理标签和反映底层状态的观测变量，限制了预测未来状态的能力。我们提出将传统的隐式马尔可夫模型作为生成模型与时间可变的判别式分类模型集成，以同时处理可能不准确的代理标签并纳入疾病进展的重要标记。我们发展了一个带有主观标签的自适应前向-后向算法，并利用修改后的后验和 Viterbi 算法，仅基于客观标记预测未来状态或新患者的进展。重要的是，适应性消除了对纵向标记边缘分布建模的需求，这是传统算法中的一个要求。建立了渐近性质，仿真研究显示有限样本量下显著改进。分析美国阿尔茨海默人群协调中心（NACC）的神经病理数据集表明，在区分 LBD 和 AD 方面准确率得到了显著提高。
引用
@article{arxiv.2412.08088,
title = {Dynamic Classification of Latent Disease Progression with Auxiliary Surrogate Labels},
author = {Zexi Cai and Donglin Zeng and Karen S. Marder and Lawrence S. Honig and Yuanjia Wang},
journal= {arXiv preprint arXiv:2412.08088},
year = {2024}
}