疾病谱模型
机器学习
2012-07-20 v1
摘要
病例与对照组的比较一直是研究神经系统疾病的经典方法。然而，大多数患者并不能清晰地归入这两类中的任何一类。相反，临床医生通常会发现无法被明确分类为已进入疾病状态的患者。对于这些受试者，基于组间差异分析很难对其脑功能做出任何判断。描述中间脑功能需要能够在疾病状态之间进行插值的模型。我们选择高斯过程 (GP) 回归来获取脑激活的连续谱并提取未知的疾病进展特征。我们的模型纳入了激活测量的空间分布（例如 fMRI 轨迹与输入刺激的相关性），因此构成了超高三元 GP 回归器。我们将 GP 应用于模拟阿尔茨海默病 (AD) 行为测量（如 MMSE、ACE 等评分）的 fMRI 图像表型，并获得了未观测到的 MMSE/ACE 值的预测。整体模型证实了已知现象：与假字体刺激相比，阅读引起的活动空间范围减小。预测不确定性表明，随着行为评分距离用于 GP 训练的评分越远，置信区间越宽。因此，该模型指出了需要纳入训练数据以改善模型预测的患者类型（即何种行为评分）。
引用
@article{arxiv.1207.4674,
title = {Models of Disease Spectra},
author = {Iead Rezek and Christian Beckmann},
journal= {arXiv preprint arXiv:1207.4674},
year = {2012}
}