基于贝叶斯有限混合模型的混合类型数据聚类与变量选择方法，适用于截尾生物标志物
机器人学
2026-04-01 v1 人工智能
摘要
混合类型数据的聚类仍是生物医学研究中的主要挑战，旨在揭示异质患者群体中临床上有意义的亚群。大多数现有聚类方法都施加了局部独立性的限制，无法容纳截尾生物标志物，或无法量化变量的重要性。我们提出一种贝叶斯有限混合模型 (BFMM) 聚类框架，以解决上述局限性。BFMM 可灵活地建模连续型和分类型变量，纳入三种协方差结构以捕捉连续特征在簇内的特定依赖性，并通过基于似然值的插补处理截尾观测。为促进特征优先级排序，BFMM 使用 spike-and-slab 先验在 0-1 比例尺上估计变量重要性。模拟研究表明，BFMM 在聚类准确性方面优于现有方法，尤其在簇内相关性强或包含截尾变量时效果更佳，能够可靠地在不同条件下区分有信息的特征与噪声。我们将 BFMM 应用于两个真实数据集：(1) 整合了 Sepsis 患者电子健康记录的 SENECA 队列；(2) 针对急性肺损伤患者的 EDEN 随机对照试验。在这两种情境下，BFMM 识别出临床可解释的表型，并揭示了变量对亚群差异的特定贡献。在 EDEN 试验中，它还发现了治疗异质性的证据。这些发现表明，BFMM 是一种有效、可解释且在实际中实用的复杂生物医学数据聚类工具。
引用
@article{arxiv.2603.29315,
title = {IMPASTO: Integrating Model-Based Planning with Learned Dynamics Models for Robotic Oil Painting Reproduction},
author = {Yingke Wang and Hao Li and Yifeng Zhu and Hong-Xing Yu and Ken Goldberg and Li Fei-Fei and Jiajun Wu and Yunzhu Li and Ruohan Zhang},
journal= {arXiv preprint arXiv:2603.29315},
year = {2026}
}