基于纵向语音生物标志物的帕金森病进展建模：统计与神经混合效应模型的比较研究
机器学习
2026-04-28 v4 机器学习
应用统计
摘要
纵向语音生物标志物提供了非侵入性信息，可用于监测帕金森病进展，但其统计分析困难——因同一受试者的重复测量存在相关性、临床队列常规模较小，且疾病轨迹在个体间差异显著。本研究评估了用于建模帕金森病从远程语音数据中的进展的统计与神经混合效应方法。使用牛津帕金森远程监测数据集 (N=42)，我们在相同的纵向预测设定下，对比了神经混合效应模型 (NME)、广义神经网络混合模型 (GNMMs) 和半参数广义光滑混合模型 (GAMMs)。结果表明，神经混合效应模型提供了灵活的非线性表征，但在小样本环境中易过拟合，而 GAMMs 在预测性能上取得更佳结果，同时保留可解释的光滑效应和受试者层次结构。特别是，基于 GAMM 的方法取得最低预测误差 (MSE 6.56)，而神经基线误差显著更大 (MSE > 90)。这些发现支持在小规模纵向远程监测研究中使用可解释的统计混合效应模型，并表明在此应用中，需要更大规模和更具代表性的队列，才能可靠评估高度灵活的神经混合效应模型。
引用
@article{arxiv.2507.20058,
title = {Modeling Parkinson's Disease Progression Using Longitudinal Voice Biomarkers: A Comparative Study of Statistical and Neural Mixed-Effects Models},
author = {Ran Tong and Lanruo Wang and Tong Wang and Wei Yan},
journal= {arXiv preprint arXiv:2507.20058},
year = {2026}
}
备注
Published version: Computer Methods and Programs in Biomedicine Update, DOI: 10.1016/j.cmpbup.2026.100242. Version note: https://doi.org/10.5281/zenodo.19804672