×
艾米丽·莫里斯。;他，凯文;康健

通过提升实现网络回归的标量。 （英语） Zbl 1498.62246号

附录申请。斯达。 16，第4期，2755-2773（2022）.
摘要：神经影像学研究对学习个体大脑连接网络及其临床特征之间的联系越来越感兴趣。将亚脑网络识别为生物标记物来预测临床症状（如疾病状态）也很有意义，这可能提供神经病理学方面的见解。这促使我们需要开发一种新型的回归模型，其中响应变量是标量，预测因子是通常表示为相邻矩阵或加权相邻矩阵的网络，我们称之为网络上的标量回归。在这项工作中，我们开发了一种新的boosting方法，用于子网络标记选择的模型拟合。与群套索或其他现有正则化方法相比，我们的方法本质上是一种利用已知网络结构的梯度下降算法。我们通过在认知发展队列研究中对静止状态fMRI数据的模拟研究和分析，证明了我们方法的实用性。

引用于1文件

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析
62G08号 非参数回归和分位数回归
92C55 生物医学成像和信号处理

关键词：

增压;神经影像学;功能磁共振成像

软件：

格尔姆奈特;格拉索
PDF格式BibTeX公司 XML格式引用
\textit{E.L.Morris}等人，Ann.Appl。Stat.16，No.4，2755--2773（2022；Zbl 1498.62246）
全文： 内政部

参考文献：

[1] ARROYO RELI ON，J.D.、KESSLER，D.、LEVINA，E.和TAYLOR，S.F.（2019年）。网络分类及其在脑连接组学中的应用。附录申请。斯达。13 1648-1677. ·Zbl 1433.62314号 ·doi:10.1214/19-AOAS1252
[2] Bühlmann，P.（2006）。推动高维线性模型。安。统计师。34 559-583. ·Zbl 1095.62077号 ·doi:10.1214/009053600000092
[3] Bühlmann，P.和Yu，B.（2003年）。随着\[｛L_2｝\]损失的增加：回归和分类。J.Amer。统计师。协会。98 324-339. ·Zbl 1041.62029号 ·doi:10.198/01621403000125
[4] CAVANNA，A.E.（2007）。楔前叶和意识。CNS规范。12 545-552.
[5] Chen，J.和Chen，Z.（2008）。大模型空间模型选择的扩展贝叶斯信息准则。生物特征95 759-771. ·Zbl 1437.62415号 ·doi:10.1093/biomet/asn034
[6] CHEN，Y.、WANG，X.、KONG，L.和ZHU，H.（2016）。局部区域稀疏学习用于图像尺度回归。预印arXiv:1605.08501。
[7] Desikan，R.S.、Ségonne，F.、Fischl，B.、Quinn，B.T.、Dickerson，B.C.、Blacker，D.、Buckner，R.L.、Dale，A.M.、Maguire，R.P.等人（2006年）。一种自动标记系统，用于将MRI扫描的人类大脑皮层细分为感兴趣的回转区域。神经影像31 968-980.
[8] EICKHOFF，S.B.、YEO，B.T.和GENON，S.（2018）。基于图像的人脑分区。国家版次.,神经科学。19 672-686.
[9] ERHARDT，E.B.、RACHAKONDA，S.、BEDRICK，E.J.、ALLEN，E.A.、ADALI，T.和CALHOUN，V.D.（2011）。fMRI数据分析的多学科ICA方法比较。嗯。大脑映射。32 2075-2095.
[10] 福克斯·M·D和格雷西乌斯·M（2010）。静息状态功能连接的临床应用。前面。系统。神经科学。4 19.
[11] Friedman，J.、Hastie，T.和Tibshirani，R.（2010）。广义线性模型通过坐标下降的正则化路径。J.统计软件。33 1-22.
[12] C.D.弗里斯和U·弗里斯（1999）。互动思维——生物学基础。科学类286 1692-1695.
[13] FURL，N.、GARRIDO，L.、DOLAN，R.J.、DRIVER，J.和DUCHAINE，B.（2011年）。梭状回面部选择性与面部识别能力的个体差异有关。J.认知。神经科学。23 1723-1740.
[14] GOLDSMITH，J.、HUANG，L.和CRAINICEANU，C.M.（2014）。通过空间贝叶斯变量选择平滑的图像尺度回归。J.计算。图表。统计师。23 46-64. ·数字对象标识代码：10.1080/10618600.2012.743437
[15] GONZÁLEZ-RECIO，O.、WEIGEL，K.A.、GIANOLA，D.、NAYA，H.和ROSA，G.J.（2010年）。L2助推算法应用于基因组选择中的高维问题。遗传学。研究92 227-237.
[16] GORDON，E.M.、LAUMANN，T.O.、ADEYEMO，B.、HUCKINS，J.F.、KELLEY，W.M.和PETERSEN，S.E.（2016）。静息状态相关性中皮层区域划分的生成和评估。塞雷布。皮质26 288-303. ·doi:10.1093/cercor/bhu239
[17] GORDON，E.M.，LAUMANN，T.O.，MAREK，S.，RAUT，R.V.，GRATTON，C.，NEWBOLD，D.J.，GREENE，D.J..，COALSON，R.S.，SNYDER，A.Z.等人（2020年）。用于耦合到语言和控制系统的默认模式网络流。程序。国家。阿卡德。科学。美国117 17308-17319.
[18] GREICIUS，M.D.、FLORES，B.H.、MENON，V.、GLOVER，G.H.、SOLVASON，H.B.、KENNA，H.、REISS，A.L.和SCHATZBERG，A.F.（2007年）。抑郁症患者的静息状态功能连通性：系带下皮质和丘脑的贡献异常增加。生物精神病学62 429-437.
[19] GUHA，S.和RODRIGUEZ，A.（2020年）。具有网络全局-局部收缩先验的高维贝叶斯网络分类。预印arXiv:2009.11401。
[20] GUHA，S.和RODRIGUEZ，A.（2021）。具有无向网络预测因子的贝叶斯回归及其在大脑连接组数据中的应用。J.Amer。统计师。协会。116 581-593. ·Zbl 1464.62434号 ·doi:10.1080/01621459.2020.1772079
[21] KANG，J.、REICH，B.J.和STAICU，A.-M.（2018年）。通过软阈值高斯过程的标量图像回归。生物特征105 165-184. ·Zbl 07072406号 ·doi:10.1093/biomet/asx075
[22] LI，X.，WANG，L.和WANG，H.J.（2021）。超高维图像尺度回归的稀疏学习和结构识别。J.Amer。统计师。协会。116 1994-2008. ·Zbl 07662817号 ·doi:10.1080/01621459.2020.1753523
[23] Li，F.、Zhang，T.、Wang，Q.、Gonzalez，M.Z.、Maresh，E.L.和Coan，J.A.（2015）。高维尺度图像回归的空间贝叶斯变量选择和分组。附录申请。斯达。9 687-713. ·Zbl 1397.62458号 ·doi:10.1214/15-AOAS818
[24] Liu，H.、Lafferty，J.和Wasserman，L.（2009）。非paranormal：高维无向图的半参数估计。J.马赫。学习。物件。10 2295-2328·Zbl 1235.62035号
[25] MAYR，A.、BINDER，H.、GEFELLER，O.和SCHMID，M.（2014）。助推算法从机器学习到统计建模的演变。预印arXiv:1403.1452。
[26] MORRIS，E.L.、HE，K.和KANG，J.（2022）。补充“通过提升实现网络回归的标量”https://doi.org/10.1214/22-AOAS1612SUPA网站, https://doi.org/10.1214/22-AOAS1612SUPB网站 ·Zbl 1498.62246号
[27] PALEJWALA，A.H.，O’CONNOR，K.P.，MILTON，C.K.，ANDERSON，C.，PELARGOS，P.，BRIGGS，R.G.，CONNER，A.K.，O’DONOGHUE，D.L.，GLENN，C.A.等人（2020年）。梭状回的解剖和白质连接。科学。代表。10 1-12.
[28] PATEL，R.S.、BOWMAN，F.D.和RILLING，J.K.（2006）。确定人脑连通性的贝叶斯方法。嗯。大脑映射。27 267-276.
[29] POURTOIS，G.、DE GELDER，B.、BOL，A.和CROMMELINCK，M.（2005）。感知面部表情和声音及其在人脑中的组合。皮质41 49-59. ·doi:10.1016/s0010-9452（08）70177-1
[30] POWER，J.D.，COHEN，A.L.，NELSON，S.M.，WIG，G.S.，BARNES，K.A.，CHURCH，J.A.，VOGEL，A.C.，LAUMANN，T.O.，MIEZIN，F.M.等人（2011年A）。人脑的功能网络组织。神经元72 665-678. ·doi:10.1016/j.neuron.2011.09.006
[31] POWER，J.D.，COHEN，A.L.，NELSON，S.M.，WIG，G.S.，BARNES，K.A.，CHURCH，J.A.，VOGEL，A.C.，LAUMANN，T.O.，MIEZIN，F.M.等人（2011年b）。人脑的功能网络组织。神经元72 665-678.
[32] RIÈS，S.K.，DRONKERS，N.F.和KNIGHT，R.T.（2016）。选择单词：左半球，右半球，还是两者？词汇检索的偏侧化透视。纽约学院安。科学。1369 111-131. ·doi:10.1111/nyas.12993
[33] SCHMIDT，A.、SMIESKOVA，R.、ASTON，J.、SIMON，A.、ALLEN，P.、FUSAR-POLI，P.，MCGUIRE，P.K.、RIECHER-RØSSLER，A.、STEPHAN，K.E.等人（2013年）。精神病发病前的脑连接异常：与药物疗效的相关性。JAMA精神病学。70 903-912.
[34] 史密斯·S·M、福克斯·P·T、米勒·K·L、格兰·D·C、福克斯·P·M、马凯·C·E、菲利浦尼·N、沃金斯·K·E、托罗·R等人（2009年）。激活和休息时大脑功能结构的对应关系。程序。国家。阿卡德。科学。美国106 13040-13045。
[35] SRIPADA，C.、RUTHERFORD，S.、ANGSTADT，M.、THOMPSON，W.K.、LUCIANA，M.，WEIGARD，A.、HYDE，L.H.和HEITZEG，M..（2019年）。从静息状态fMRI预测青年人的神经认知。分子精神病学1-9。
[36] SUPEKAR，K.、MENON，V.、RUBIN，D.、MUSEN，M.和GREICIUS，M.D.（2008年）。阿尔茨海默病患者内在功能脑连接性的网络分析。公共科学图书馆计算。生物。4 e1000100·doi:10.1371/journal.pcbi.1000100
[37] 汤普森，W.K.，巴赫，D.M.，波科尔，J.M.，冈萨雷斯，R.，奈杰尔，B.J.，尼克松，S.J.和卢恰纳，M.（2019年）。9岁和10岁儿童的认知结构及其与问题行为的关系：来自ABCD研究基线神经认知成套测验的发现。开发认知。神经科学。36 100606. ·doi:10.1016/j.dcn.2018.12.004
[38] Tzourio-Mazoyer，N.、Landeau，B.、Papathanassiou，D.、Crivello，F.、Etard，O.、Delcroix，N.，Mazoyer、B.和Joliot，M.（2002年）。使用MNI MRI单个受试者大脑的宏观解剖分割，自动标记SPM中激活的解剖结构。神经影像15 273-289.
[39] VOGELEY，K.、MAY，M.、RITZL，A.、FALKAI，P.、ZILLES，K.和FINK，G.R.（2004）。作为人类自我意识的一个组成部分，第一人称视角的神经关联。J.认知。神经科学。16 817-827.
[40] WANG，L.、ZHANG，Z.和DUNSON，D.（2019）。信号子图估计的对称双线性回归。IEEE传输。信号处理。67 1929-1940. ·Zbl 1458.62157号 ·doi:10.1109/TSP.2019.2899818
[41] Wang，X.和Zhu，H.（2017）。通过总变差的广义标度图像回归模型。J.Amer。统计师。协会。112 1156-1168. ·doi:10.1080/01621459.2016.1194846
[42] WANG，Y.、KANG，J.、KEMMER，P.B.和GUO，Y.（2016）。一种高效可靠的统计方法，用于使用偏相关估计大规模脑网络中的功能连通性。前面。神经科学。10 123.
[43] XIA，C.H.，MA，Z.，CIRIC，R.，GU，S.，BETZEL，R.F.，KACZKURKIN，A.N.，CALKINS，M.E.，COOK，P.A.，DE LA GARZA，A.G.等人（2018年）。功能性脑网络中精神病理学和连通性的关联维度。国家公社。9 1-14.
[44] YANG，Y.、ZOU，H.和BHATNAGAR，S.（2020年）。gglasso：拉索组使用统一的BMD算法惩罚学习。R软件包版本1.5。
[45] Yuan，M.和Lin，Y.（2006）。分组变量回归中的模型选择和估计。J.R.统计社会服务。B.统计方法。68 49-67. ·Zbl 1141.62030号 ·doi:10.1111/j.1467-9868.2005302.x
[46] ZHANG，J.、SUN，W.W.和LI，L.（2018）。用于建模具有协变量的网络群体的网络响应回归。预打印arXiv:11810.03192。
[47] ZHANG，D.，LI，L.，SRIPADA，C.和KANG，J.（2020年）。基于深度神经网络的图像-标量回归。预印本arXiv:2006.09911。
[48] Zhou，H.、Li，L.和Zhu，H.（2013）。张量回归在神经影像数据分析中的应用。J.Amer。统计师。协会。108 540-552. ·Zbl 06195959号 ·doi:10.1080/01621459.2013.776499
[49] Zhu，H.，Fan，J.和Kong，L.（2014）。具有跳跃不连续性的神经影像数据的空间变系数模型。J.Amer。统计师。协会。109 1084-1098 ·Zbl 1368.62297号 ·doi:10.1080/01621459.2014.881742
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。