用于阿尔茨海默病评估量表-认知子量表（ADAS-Cog13）预测的个性化高斯过程
机器学习
2018-05-07 v4 应用统计
摘要
在本文中，我们引入个性化高斯过程模型（pGP）的使用，以预测每位患者 ADAS-Cog13 的变化——ADAS-Cog13 是认知域中阿尔茨海默病（AD）的重要预测因子——使用每位患者先前访视的数据，并在未来（留出）数据上测试。我们首先使用先前所见患者的多模态数据，通过基础高斯过程（GP）回归学习群体水平模型。个性化 GP（pGP）通过在时间上利用域自适应 GP 将基础 GP 依次适配到新（目标）患者而形成。我们将此个性化方法扩展到预测未来 6、12、18 和 24 个月的 ADAS-Cog13 值。我们将此方法仅使用目标患者过去数据训练的 GP 模型（tGP）以及结合 pGP 与 tGP 的新方法进行对比。我们发现，结合 pGP 与 tGP 的新方法在准确预测未来 ADAS-Cog13 分数上带来了大幅改进。
引用
@article{arxiv.1802.08561,
title = {Personalized Gaussian Processes for Forecasting of Alzheimer's Disease Assessment Scale-Cognition Sub-Scale (ADAS-Cog13)},
author = {Yuria Utsumi and Ognjen Rudovic and Kelly Peterson and Ricardo Guerrero and Rosalind W. Picard},
journal= {arXiv preprint arXiv:1802.08561},
year = {2018}
}
备注
International Engineering in Medicine and Biology Conference (EMBC) 2018 - accepted. 5 pages. arXiv admin note: text overlap with arXiv:1712.00181