ECKO：用于 fMRI 数据多变量推断的聚类 Knockoff 集成方法
统计理论
2019-03-13 v1 应用统计
统计理论
摘要
医学成像技术的持续改进使得获取更高分辨率的图像成为可能。当这些图像用于预测场景时，可能有更多解释变量与因变量（响应）相关。同时，每次实验的采集数量仍然有限。在这种高维/小样本量设定下，期望在控制错误发现率的同时找出真正与响应相关的解释变量。为实现这一目标，近来提出了诸如 knockoff 推断等新颖的多变量推断方法。然而，它们要求特征协方差定义良好，而这在高维设定中是不可能的。在本文中，我们提出一种称为聚类 Knockoff 集成（Ensemble of Clustered Knockoffs）的新算法，该算法可在控制错误发现率（FDR）至给定空间容差的同时选择解释变量。其核心思想是，基于 knockoff 的推断可应用于体素组（簇），这大幅降低了问题的维度；随后的集成步骤消除了对固定聚类的依赖并稳定了结果。我们在脑成像数据集上将该算法及其他控制 FDR 的方法进行基准比较，观察到灵敏度的经验性提升，同时错误发现率控制在名义水平。
引用
@article{arxiv.1903.04955,
title = {ECKO: Ensemble of Clustered Knockoffs for multivariate inference on fMRI data},
author = {Tuan-Binh Nguyen and Jérôme-Alexis Chevalier and Bertrand Thirion},
journal= {arXiv preprint arXiv:1903.04955},
year = {2019}
}
备注
Accepted to 26th International Conference on Information Processing in Medical Imaging (IPMI)