对足够的尺寸缩小和传统的统计方法进行比较评估,以在诊断分类中构建复合生物标志物得分

科学领域:

• 生物统计学 生物统计学
• 机器学习 机器学习
• 生物标志物发现发现

背景情况:

• 将多个生物标志物结合到一个单一的诊断分数中可以改善疾病分类.
• 传统的方法,如逻辑回归和线性差异分析,由于限制性分布假设,对复杂或异质数据集有局限性.
• 需要实用的方法替代方案来构建生物标志物得分.

研究的目的:

• 研究两个足够缩小尺寸 (SDR) 方法的实用性,即最小平均方差估计 (MAVE) 和梯度外积 (OPG),用于构建二进制诊断分类中的复合生物标记得分.
• 用模拟和真实数据集来比较SDR方法与传统方法 (逻辑回归,线性差异分析) 的性能.
• 评估由SDR方法生成的生物标志物摘要的可解释性和紧性.

主要方法:

• 进行了一项综合模拟研究,采用不同的样本大小,平均移位,方差异异质,分布形式 (正常和非正常).
• 在中央子空间和中央平均子空间框架内使用概率比率统计数据构建基于SDR的得分.
• 通过使用接收器操作特征曲线 (AUC) 下的面积和应用方法对威斯康星州乳腺癌 (诊断) 数据集进行分类性能评估.

主要成果:

• 足够缩小尺寸 (SDR) 方法在模拟异常和混合结构的模拟中始终优于传统方法,显示出更高的AUC值.
• 在数据偏差很大的情况下,SDR方法的表现与传统方法相提并论.
• 在威斯康星州乳腺癌数据集上,SDR方法实现了类似的分辨准确性,同时提供了更紧和可解释的生物标志物摘要.

结论:

• 足够的尺寸减小 (SDR) 方法,当与基于概率的评分相结合时,为生物标志物评分构建提供了一个强大的和可解释的框架.
• 这些SDR方法特别有利于复杂的诊断结构,并且在结构良好的数据中与传统方法保持竞争力.
• 这些发现支持将SDR方法应用为在精准医学中整合生物标志物的实际工具.