疾病筛查与严重程度预测的联合建模：一种多任务与稀疏正则化方法

识别临床相关生物标志物并开发预测模型是生物医学研究的核心挑战。生物标志物常用于疾病筛查，其中一些不仅提供疾病有无的信息，还提供其严重程度的信息。此类生物标志物有助于治疗优先级划分并支持临床决策。为同时应对疾病筛查与严重程度预测，本文关注具有层次结构的序数结局的回归建模。当响应变量为疾病存在与严重程度的组合（如 {健康, 轻度, 中度, 重度}）时，一种直接方法是应用常规序数回归模型。然而，此类模型可能缺乏捕捉预测因子与响应水平之间异质性所需的灵活性，尤其当响应水平与预测因子具有异质关联结构时。因此，本文提出一种将筛查与严重程度预测视为独立任务的模型，以及一种基于结构稀疏正则化的估计方法。该方法旨在利用任务间的共享结构。在数值实验中，与现有序数回归方法相比，所提方法在多种场景下均表现出稳定性能。