用于阿尔茨海默病认知变化个性化预测的元加权高斯过程专家模型
机器学习
2019-06-11 v1 机器学习
摘要
我们引入一种新颖的个性化高斯过程专家（pGPE）模型，用于预测受试者个体的ADAS-Cog13认知评分——认知领域中阿尔茨海默病（AD）的重要预测指标——在未来6、12、18和24个月内的情况。我们首先使用先前所见受试者的多模态数据，通过基础高斯过程（GP）回归训练一个群体水平模型。然后，我们通过使用域自适应GP随时间顺序地将基础GP适配到新的（目标）受试者，以及通过训练受试者特定的GP，来对该模型进行个性化。虽然我们表明这些模型在选择性地应用于预测任务时（其中一个在不同受试者/访视上优于另一个）取得了改进的性能，但每个模型的平均性能是次优的。为此，我们在提出的pGPE中使用元学习的概念来设计这些专家模型的基于回归的加权，其中专家权重针对每个受试者及其未来访视进行优化。来自ADNI数据集的受试者队列的结果表明，这种新引入的专家模型个性化加权在准确预测未来ADAS-Cog13评分及其与AD进展相关的细粒度变化方面带来了大幅改进。该方法有潜力帮助早期识别高危患者并改进AD临床试验的构建。
引用
@article{arxiv.1904.09370,
title = {Meta-Weighted Gaussian Process Experts for Personalized Forecasting of AD Cognitive Changes},
author = {Ognjen Rudovic and Yuria Utsumi and Ricardo Guerrero and Kelly Peterson and Daniel Rueckert and Rosalind W. Picard},
journal= {arXiv preprint arXiv:1904.09370},
year = {2019}
}