合并或组合:在多个神经成像研究中的整合性分析.
Yue Shan1, Chao Huang2, Yun Li1,3
1Department of Biostatistics, University of North Carolina at Chapel Hill, Chapel Hill, NC 27599, United States.
Biometrics
|March 11, 2024
概括
本研究比较了神经成像中空间变化系数混合效应模型 (SVCMEM) 的合并和组合方法. 合并整合了数据,而合并则结合了个别模型,为最佳的整合性学习提供了战略.
科学领域:
- 神经成像是一种神经成像.
- 统计建模 统计建模
- 机器学习是机器学习.
背景情况:
- 整合来自多个生物医学研究的数据对于强大的神经成像分析至关重要.
- 空间变量系数混合效应模型 (SVCMEM) 为分析复杂空间数据提供了灵活的框架.
- 现有的整合性学习方法需要进行系统的调查.
研究的目的:
- 系统地研究SVCMEM的合并和组合方法,用于整合性神经成像数据学习.
- 为了比较合并和集体方法的预测准确性,在不同的研究间异质性下.
- 为在合并和组合策略之间进行选择提供指导方针,并推导出最佳组合权重.
主要方法:
- 开发并比较了"合并" (基于综合数据的单一模型) 和"整体" (单个模型的加权平均值) 方法.
- 在不同程度的研究间异质性中研究了预测准确性.
- 获得了模型选择和最佳合奏权重的理论指导方针.
主要成果:
- 合并和整体方法都显示出不同的预测准确度,这取决于研究间的异质性.
- 建立了非对称的指导方针,以告知合并和组合之间的选择.
- 组合学习者的最佳权重通过模拟得出并验证.
结论:
- 在合并和组合SVCMEM之间的选择取决于研究间异质性的程度.
- 提出的方法为神经成像中有效的整合性学习提供了一个框架.
- 这些发现通过广泛的模拟和应用到大规模的神经成像研究来验证.
