大规模解读疾病进展：利用最优传输快速推断事件排列

疾病进展模型推断患者特征在慢性退行性疾病发展过程中形成的群体级时间轨迹，提供独特的对疾病生物学和分期系统的见解，并具有individual-level的临床实用性。离散模型将疾病进展视为事件的潜在排列，其中每个事件对应于特征变得可测量异常。然而，使用传统最大似然方法进行排列推断因组合爆炸问题而变得不可行，严重限制了模型的维度和实用性。本文利用最优传输的想法将疾病进展建模为事件属于Birkhoff多边形内的潜在排列矩阵，通过对变分下界进行优化实现快速推断。这使我们能够比当前最先进方法快1000倍，相应地支持模型考虑的特征数量提高几个数量级。实验表明，速度、准确性和对噪声的鲁棒性均得到提高。进一步的实验使用来自两个独立数据集的真实世界成像数据进行验证，一个来自阿尔茨海默病患者，另一个来自 age-related 黄斑变性，首次展示了大脑和眼睛的像素级疾病进展事件。该方法低计算、可解释且适用于任何progressive疾病和数据模式，具有广泛的临床实用潜力。