Skip to content

Divya Ramamoorthy; Kristen Severson; Soumya Ghosh et al. · 2022 · Nature Computational Science

Metadata

Authors: Divya Ramamoorthy; Kristen Severson; Soumya Ghosh; Karen Sachs; Jonathan D. Glass; Christina N. Fournier; Todd M. Herrington; James D. Berry; Kenney Ng; Ernest Fraenkel

DOI: https://doi.org/10.1038/s43588-022-00299-w

Tags: #stochastic-process #causal-inference #neural-network

📄 Quick Note

摘要概述

本文针对肌萎缩侧索硬化症（ALS）患者临床进展异质性大、传统线性模型难以刻画真实轨迹的问题，提出了一种基于高斯过程混合模型（MoGP）结合 Dirichlet 过程聚类的非参数贝叶斯方法。该模型引入单调下降的归纳偏置与临床先验，从稀疏纵向数据中自动识别出若干具有相似疾病进展模式的患者簇，无需预先假定轨迹函数形式。研究基于 Answer ALS、PRO-ACT 等多队列数据，发现 ALS 进程普遍呈非线性，常出现稳定期与快速恶化期交替的现象，且所识别的簇与生存结局显著相关。方法进一步推广到阿尔茨海默病和帕金森病的进展建模，展示了跨疾病适用性。

关键图表

  • 图1（概念示意/模型流程）：展示 MoGP 框架如何从个体稀疏纵向 ALSFRS-R 评分中学习簇均值轨迹与变异，并给出各簇患者数量及代表性拟合曲线，直观体现非线性进展模式。
  • 图2（聚类轨迹）：呈现不同疾病进展亚型的平均轨迹及置信区间，凸显"快速下降型""平台-骤降型"等差异模式。
  • 待精读时补充更多结果图（如生存分析、跨疾病迁移验证）。

与我的关联

该工作将高斯过程与 Dirichlet 过程非参数贝叶斯结合以处理稀疏纵向临床数据聚类，方法论上可借鉴于血管生长重塑等需要从稀疏时序观测中识别表型亚群的问题。其单调归纳偏置与临床先验注入策略，对我研究中的患者分层与疾病进展建模有直接参考价值。