联合进展建模（JPM）：用于混合病理进展的概率框架
机器学习
2026-01-14 v2 应用统计
摘要
事件驱动模型（EBM）从横断面数据推断疾病进展，标准 EBM 假设每个个体仅存在单一潜在疾病。相比之下，混合病理在神经退行性疾病中十分常见。我们引入联合进展模型（JPM），一种将单病谱视为部分排序并构建联合进展先验的概率框架。我们研究了若干 JPM 变体（两两比较、Bradley-Terry、Plackett-Luce 和 Mallows），并分析了三个性质：（i）校准性——较低模型能量是否预测距离真实排序更小；（ii）分离性——抽样排序与随机置换之间的可区分度；（iii）锐度——抽样综合排序的稳定性。所有变体均实现校准，均实现近乎完美的分离；锐度随变体而异，由输入部分排序的简单特征（排序数量、长度、冲突与重叠）可良好预测。在合成实验中，JPM 在强 EBM 基线（SA-EBM）上提升约 21% 的排序准确性。最后，基于 NACC 数据，我们发现 Mallows 变体的 JPM 以及基线模型（SA-EBM）的结果更符合先前文献中关于 AD 和 VaD 混合病理的可能进展模式。
关键词
引用
@article{arxiv.2512.03475,
title = {Joint Progression Modeling (JPM): A Probabilistic Framework for Mixed-Pathology Progression},
author = {Hongtao Hao and Joseph L. Austerweil},
journal= {arXiv preprint arXiv:2512.03475},
year = {2026}
}
备注
49 pages; Machine Learning for Health (ML4H) Symposium 2025