乔安妮·C·比尔。;霍华德·J·艾岑斯坦。;斯图尔特·J·安德森。;罗伯特·T·卡夫蒂。 融合稀疏群Lasso的先验信息：应用于预测神经影像的临床测量。 （英语） Zbl 1448.62151号 生物计量学 75，第4期，1299-1309（2019）. 摘要：从全脑神经图像预测临床变量是一个高维问题，可以从特征选择或提取中受益。惩罚回归是一种流行的高维数据嵌入式特征选择方法。对于神经成像应用，使用图像梯度的\（ell_1）或\（ell_2）范数进行空间正则化显示出良好的性能，在空间相邻的大脑区域中产生平滑的解决方案。大量资源被用于建立结构和功能大脑连接网络，该网络可用于定义空间分布但相关的体素组。我们建议使用融合稀疏组套索（FSGL）惩罚，通过合并体素之间关于空间和组结构的先验信息来鼓励结构化、稀疏和可解释的解决方案。我们使用交替方向乘数算法给出了FSGL惩罚回归的优化步骤。通过仿真研究，并将其应用于自闭症脑成像数据交换的真实功能磁共振成像数据，我们证明了融合和群惩罚项在某些条件下的综合性能优于其中任何一项。 引用于1文件 理学硕士： 62页第10页 统计学在生物学和医学中的应用；元分析 62J07型 岭回归；收缩估计器（拉索） 62华氏35 多元分析中的图像分析 62M20型 随机过程推断和预测 关键词：自闭症;神经影像学;惩罚回归;预测模型;正规化;结构稀疏性 PDF格式BibTeX公司 XML格式引用 \textit{J.C.Beer}等人，《生物统计学》75，第4期，1299--1309（2019年；Zbl 1448.62151） 全文： 内政部 arXiv公司 链接 参考文献： [1] Abraham，A.、Milham，M.P.、Di Martino，A.、Craddock，R.C.、Samaras，D.、Thirion，B.和Varoquaux，G.（2017）。从多站点静息状态数据中获取可重复的生物标记物：一个基于孤独症的例子。《神经影像》，147736-745。 [2] Boyd，S.、Parikh，N.、Chu，E.、Peleato，B.和Eckstein，J.（2011）。通过乘法器的交替方向方法进行分布式优化和统计学习。机器学习的基础和趋势，3，1-122·Zbl 1229.90122号 [3] Cerliani，L.、Mennes，M.、Thomas，R.M.、Di Martino，A.、Thioux，M.和Keysers，C.（2015）。自闭症谱系障碍患者皮层下和皮层静息状态网络之间的功能连接增加。JAMA精神病学，72，767-777。 [4] Cerliani，L.、Mennes，M.、Thomas，R.M.、Di Martino，A.、Thioux，M.和Keysers，C.（2016）。为ABIDE开发的静息状态功能连接网络分析。[预打印]网址：网址：https://github.com/sblnin/rsfnc【2015年6月22日访问】。 [5] Cox，R.W.（1996）。AFNI：功能磁共振神经图像分析和可视化软件。计算机与生物医学研究，29162-173。 [6] Craddock，R.、Benhajali，Y.、Chu，C.、Chouinard，F.、Evans，A.、Jakab，A.等人（2013）。神经局预处理倡议：开放共享预处理的神经影像数据和衍生产品。神经信息学前沿，http://预处理‐连接器‐项目.org/abserve/ [7] Di Martino，A.，Yan，C.‐G。，Li，Q.，Denio，E.，Castellanos，F.X.，Alaerts，K.et等人（2014）。自闭症大脑成像数据交换：对自闭症患者内在大脑结构进行大规模评估。分子精神病学，19659-667。 [8] J.‐B.菲奥特。，Raguet，H.、Risser，L.、Cohen，L.D.、Fripp，J.、Vialard，F.-X。和阿尔茨海默病神经成像倡议（2014年）。量化阿尔茨海默病进展的纵向变形模型、空间正则化和学习策略。神经影像：临床，4718-729。 [9] Friedman，J.、Hastie，T.、Hfling，H.和Tibshirani，R.（2007）。路径坐标优化。应用统计年鉴，1302-332·Zbl 1378.90064号 [10] Friedman，J.、Hastie，T.和Tibshirani，R.（2010）。广义线性模型的坐标下降正则化路径。统计软件杂志，33，1-22。 [11] Grosenick，L.、Klingenberg，B.、Katovich，K.、Knutson，B.和Taylor，J.E.（2013）。使用GraphNet进行可解释的全脑预测分析。神经影像，72，304-321。 [12] A.E.Hoerl和R.W.Kennard（1970年）。岭回归：非正交问题的有偏估计。技术计量学，12，55-67·Zbl 0202.17205号 [13] Huo，Z.和Tseng，G.（2017）。整合稀疏k‐means和重叠群套索在基因组应用中发现疾病亚型。应用统计年鉴，11011-1039·Zbl 1416.62605号 [14] Kapur，S.、Phillips，A.G.和Insel，T.R.（2012）。为什么生物精神病学花了这么长时间来开发临床测试，以及该怎么办？分子精神病学，1174-1179。 [15] Kassraian‐Fard，P.、Matthis，C.、Balsters，J.H.、Maathuis，M.H.和Wenderoth，N.（2016年）。以自闭症为例，将机器学习分类器应用于精神病成像数据的承诺、陷阱和基本准则。精神病学前沿，7177。 [16] MATLAB软件。(2016). MATLAB 9.1.0版（R2016b）。马萨诸塞州纳蒂克：数学工程公司。 [17] Michel，V.、Gramfort，A.、Varoquaux，G.、Eger，E.和Thirion，B.（2011年）。基于fMRI的行为预测的总变异正则化。IEEE医学成像学报，第30期，第1328-1340页。 [18] Nielsen，J.A.，Zielinski，B.A.，Fletcher，P.T.，Alexander，A.L.，Lange，N.，Bigler，E.D.et al.（2013）。自闭症的多部位功能连接MRI分类：ABIDE结果。人类神经科学前沿，7599。 [19] Obozinski，G.、Jacob，L.和Vert，J.‐P。(2011). 带重叠的群套索：潜在群套索方法。[预打印]网址：https://arxiv.org/abs/1110.0413。2016年5月11日访问 [20] Plitt，M.、Barnes，K.A.和Martin，A.（2015）。孤独症的功能连接分类识别出高度预测性的大脑特征，但没有达到生物标记物标准。神经影像：临床，7359-366。 [21] R核心团队（2017）。R： 统计计算语言和环境。奥地利维也纳：R统计计算基金会。 [22] Rudin，L.I.、Osher，S.和Fatemi，E.（1992年）。基于非线性全变分的噪声去除算法。Physica D:非线性现象，60259-268·Zbl 0780.49028号 [23] Shimizu，Y.、Yoshimoto，J.、Toki，S.、Takamura，M.、Yoschimura，S.和Okamoto，Y.et等人（2015）。基于逻辑组套索的功能MRI数据分析，探讨抑郁症的概率诊断和理解。PLOS One，10，e0123524。 [24] Simon，N.、Friedman，J.、Hastie，T.和Tibshirani，R.（2013）。稀疏群套索。计算与图形统计杂志，22，231-245。 [25] Tibshirani，R.（1996）。通过套索进行回归收缩和选择。英国皇家统计学会杂志，B辑，267-288·Zbl 0850.62538号 [26] Tibshirani，R.、Saunders，M.、Rosset，S.、Zhu，J.和K.奈特（2005）。通过融合套索实现轻盈流畅。英国皇家统计学会杂志，B辑，67，91-108·Zbl 1060.62049号 [27] Viallon，V.、Lambert‐Lacroix，S.、Höfling，H.和Picard，F.（2013）。自适应广义融合套索：渐近性质和应用。[预打印]网址：https://hal.archives网站‐ouvertes.fr/hal‐00813281/。2017年12月3日访问。 [28] Wang，H.和Leng，C.（2008）。关于自适应组套索的注释。计算统计与数据分析，52，5277-5286·Zbl 1452.62524号 [29] 吴，C.‐W。，Chang，L.J.、Lindquist，M.A.和Wager，T.D.（2017年）。构建更好的生物标记物：平移神经成像中的大脑模型。《自然神经科学》，第20365-377页。 [30] Yuan，M.和Lin，Y.（2006）。分组变量回归中的模型选择和估计。英国皇家统计学会杂志，B辑，68，49-67·Zbl 1141.62030号 [31] 周，J.、刘，J.，纳拉扬，V.A.和叶，J.（2012）。通过融合稀疏组套索模拟疾病进展。Yang，Q.（编辑），第18届ACM SIGKDD知识发现和数据挖掘国际会议论文集。计算机协会，8月12日，中国北京，第1095-1103页。 [32] 邹华（2006）。自适应套索及其oracle属性。美国统计协会杂志，1011418-1429·兹比尔1171.62326 [33] Zou，H.和Hastie，T.（2005年）。通过弹性网进行规则化和变量选择。英国皇家统计学会杂志，B辑，67301-320·兹比尔1069.62054 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。