用于癌症筛查建模的分层隐马尔可夫跳跃过程
统计方法学
2019-10-15 v1 应用统计
机器学习
摘要
隐马尔可夫跳跃过程因可解释且能处理不规则采样与含噪数据，是建模临床疾病进展数据的一种有吸引力的方法。此类应用多考虑时间齐次模型，因其计算相对简单。然而，时间齐次假设过强，难以准确建模许多疾病的自然史。此外，风险人群亦非同质，因为疾病暴露与易感性可能差异显著。本文中，我们提出分段平稳转移矩阵以解释时间上的异质性。我们针对人群中的异质性提出分层结构，并考虑先验信息以处理不平衡数据。此外，提出了一种高效、可扩展的EM算法用于推断。我们在来自挪威癌症登记处的宫颈癌筛查数据集上展示了模型的可行性与优越性。实验表明，我们的模型在预测精度上优于最先进的循环神经网络模型，并在生成Kaplan-Meier估计量上显著优于标准隐马尔可夫跳跃过程。
引用
@article{arxiv.1910.05847,
title = {Hierarchical Hidden Markov Jump Processes for Cancer Screening Modeling},
author = {Rui Meng and Soper Braden and Jan Nygard and Mari Nygrad and Herbert Lee},
journal= {arXiv preprint arXiv:1910.05847},
year = {2019}
}