基于稀疏血液生物标志物识别疾病发生的临界相位
定量方法
2025-03-20 v1 机器学习
摘要
常规采集的临床血液检测正成为大规模医学研究的新兴分子数据源，但本质上具有不规则采样和信息丰富的特征。传统方法依赖插值，这会扭曲学习信号并偏向预测，同时缺乏生物学可解释性。我们提出了一种新方法，使用图神经可解释网络（Graph Neural Additive Networks, GNAN）来建模生物标志物的轨迹，作为时间加权有向图，其中节点代表采样事件，边缘编码事件之间的时间间隔。GNAN 的可加结构使我们能够显式分解特征和时序贡献，从而检测与疾病相关的临界时间点。与传统的基于插值的方法不同，我们的方法保留了稀疏数据的时序结构，而不会引入人工偏差，并通过分解每个生物标志物和时间间隔的贡献，提供内在的可解释性。这使得我们的模型在临床上具有可应用性，同时允许发现具有生物学意义的疾病特征。
引用
@article{arxiv.2503.14561,
title = {Identifying Critical Phases for Disease Onset with Sparse Haematological Biomarkers},
author = {Andrea Zerio and Maya Bechler-Speicher and Tine Jess and Aleksejs Sazonovs},
journal= {arXiv preprint arXiv:2503.14561},
year = {2025}
}