用于阿尔茨海默病异质生物医学数据联合分析的多通道随机变分推断
统计方法学
2018-08-14 v1
摘要
阿尔茨海默病（AD）生物医学数据的联合分析对于更好的临床诊断以及理解生物标志物间关系十分重要。然而，联合考虑异质测量带来了与变异性建模及结果可解释性相关的重要挑战。本文通过提出一种新颖的多通道随机生成模型来解决这些问题。我们假设一个潜变量通过不同通道（如临床评分、影像等）生成观测数据，并描述一种高效联合估计潜变量与数据生成过程分布的方法。合成数据实验表明，与单通道相比，多通道表述可实现更优的数据重构。此外，所推导的模型证据下界代表了一种有前景的模型选择准则。AD 数据实验表明，模型参数可用于无监督患者分层以及异质观测的联合解释。由于其通用且灵活的建模形式，我们认为所提方法可作为通用数据融合技术找到重要应用。
引用
@article{arxiv.1808.03662,
title = {Multi-Channel Stochastic Variational Inference for the Joint Analysis of Heterogeneous Biomedical Data in Alzheimer's Disease},
author = {Luigi Antelmi and Nicholas Ayache and Philippe Robert and Marco Lorenzi},
journal= {arXiv preprint arXiv:1808.03662},
year = {2018}
}
备注
accepted for presentation at MLCN 2018 workshop, in Conjunction with MICCAI 2018, September 20, Granada, Spain