大规模疾病进展解析：利用最优传输实现事件排列的快速推断

疾病进展模型推断慢性退行性疾病发展过程中患者特征的群体级时间变化轨迹。它们为疾病生物学和具有个体级临床效用的分期系统提供了独特的见解。离散模型将疾病进展视为事件的潜在排列，其中每个事件对应一个特征变得可测量地异常。然而，使用传统最大似然方法进行排列推断会因组合爆炸而变得不可行，严重限制了模型的维度和实用性。在此，我们借鉴最优传输的思想，将疾病进展建模为属于Birkhoff多面体的事件潜在排列矩阵，通过优化变分下界实现快速推断。这使得推断速度比现有最先进技术快1000倍，相应地，能够支持的模型特征数量比现有最先进技术所能考虑的要多几个数量级。实验证明了在速度、准确性和对噪声的鲁棒性方面的提升。进一步在两个独立数据集（一个来自阿尔茨海默病患者，另一个来自年龄相关性黄斑变性患者）的真实影像数据上进行的实验，分别首次展示了大脑和眼睛中的像素级疾病进展事件。我们的方法计算量低、可解释性强，适用于任何进行性疾病和数据模态，具有广泛的临床实用潜力。