Hybrid Non-informative and Informative Prior Model-assisted Designs for Mid-trial Dose Insertion
Institute of Science Tokyo(东京科学大学);The University of Osaka(大阪大学);Astellas Pharma Global Development Inc.(安斯泰来制药全球开发株式会社);Wakayama Medical University(和歌山医科大学);Chuo University(中央大学);The Institute of Statistical Mathematics(统计数学研究所)
本文提出了一种混合模型辅助设计,通过非信息性和信息性先验结合,改进中期剂量插入时的剂量分配和最大耐受剂量选择。
2026-02-20 stat.AP stat.ME
A Multi-Arm Two-Stage (MATS) Design for Proof-of-Concept and Dose Optimization in Early-Phase Oncology Trials
本文提出多臂两阶段(MATS)设计,通过先评估高剂量再随机比较高低剂量,并利用贝叶斯分层模型跨剂量、适应症和阶段借用信息,实现早期肿瘤学试验中的概念验证与剂量优化。
2023-04-12 stat.AP
Accounting for parameter uncertainty in two-stage designs for Phase II dose-response studies
在本文中,我们考虑了两阶段适应性剂量反应研究设计,其中研究设计在中期分析时根据迄今为止收集的信息进行更改。在模拟研究中,将对这类设计的两种方法进行比较;(i)通过计算剂量-反应模型参数的最大似然估计来更新研究设计,然后计算对于该估计局部最优的第二阶段的设计,以及(ii)使用模型参数在中期的完全后验分布来计算贝叶斯最优设计(即考虑参数不确定性)。特别是,对于早期中期分析,参数不确定性似乎更充分,另一方面,对于贝叶斯方法,预期依赖于先验,需要充分考虑先验。提出了一种计算效率高的方法,用于计算贝叶斯设计在中期的基础上近似的全部后验样本使用k-均值聚类。本文将使用S形Emax剂量-反应模型和D-最优性准则。
2014-08-05 stat.ME
A Nonparametric Bayesian Design for Drug Combination Cancer Trials
我们提出了一种适应性设计的早期药物联合癌症试验的目标是估计最大耐受剂量(MTD)。非参数贝叶斯模型,使用截短到部分有序剂量组合集合的β先验,用于描述剂量限制性毒性(DLT)的概率。使用改良的连续再评估方案估计连续队列患者之间的剂量分配。DLT的更新概率是用吉布斯采样器计算的,该吉布斯采样器采用加权机制来校准数据对先验的影响。在试验结束时,我们根据我们提出的算法推荐一种或多种剂量组合作为MTD。设计运行特性表明,我们的方法是与现有的方法相媲美。作为一个例子,我们将我们的方法应用于CB-839和吉西他滨的I期临床试验。
2019-10-21 stat.AP
Bayesian data augmentation dose finding with continual reassessment method and delayed toxicity
实施适应性剂量探索设计时的一个主要实际障碍是,在开始治疗后不久可能无法观察到决策规则所使用的毒性结果。为了解决这个问题,我们提出了数据增强连续再评估方法(DA-CRM)的剂量发现。通过自然地将未观察到的毒性视为缺失数据,我们表明,这种缺失数据是不可解释的,因为缺失取决于未观察到的结果。贝叶斯数据扩充方法用于从缺失数据和模型参数的后验全条件分布中对缺失数据和模型参数进行采样。我们通过广泛的模拟研究评估的DA-CRM的性能,并将其与其他现有的方法进行比较。结果表明,所提出的设计令人满意地解决了与迟发毒性相关的问题,并具有理想的操作特性:更安全地治疗患者,并以更高的概率选择最大耐受剂量。新的DA-CRM说明了两个I期癌症临床试验。
2014-01-08 stat.AP
Sample size re-estimation in Phase 2 Dose-Finding: Conditional power vs. Bayesian predictive power
当真实处理效应存在较大不确定性时,在临床试验中通常计划进行揭盲样本量重新估计(SSR)。对于II期剂量探索研究中的概念验证(Proof-of-Concept,缩写为CET),可以采用对比检验来利用所有治疗组的信息。在这篇文章中,我们提出了两个阶段的SSR设计,使用频率论的条件功率和贝叶斯后验预测功率的单对比和多对比测试。贝叶斯SSR可以在广泛的先验设置下实现,以结合不同的先验知识。考虑到自适应性,本文对最终分析的所有第一类错误都进行了严格的保护。模拟研究表明,非盲SSR在多臂试验中的优势。
2022-11-10 stat.AP stat.ME
Bayesian Nonparametric Risk Assessment in Developmental Toxicity Studies with Ordinal Responses
提出非参数贝叶斯混合模型,结合剂量依赖stick-breaking先验和过度离散核,用于发育毒性研究中序数响应的剂量-反应关系评估与不确定性量化。
2024-08-21 stat.AP stat.ME
DEMO: Dose Exploration, Monitoring, and Optimization Using a Biological Mediator for Clinical Outcomes
本文提出DEMO设计,利用药效学或免疫学等实值生物中介变量,通过多变量剂量-结局模型和贝叶斯模型选择筛选候选剂量,以最大化限制性平均生存时间,模拟显示其优于忽略生物变量的设计。
2024-04-02 stat.AP stat.ME
A seamless dose-optimization design for monotherapy and combination therapy
Astellas Pharma Global Development Inc.(安斯泰来全球开发公司);Chuo University(中央大学)
本文针对肿瘤药物开发中传统剂量设计不适用于新型药物、单药与联合治疗评估存在方法学差距的问题,提出一种可自适应评估单药及联合治疗的无缝剂量优化设计,该设计采用模型辅助框架,经模拟验证性能稳健,可弥合方法与临床现实的差距。
2026-08-20 stat.ME
Adjustment for Inconsistency in Adaptive Phase 2/3 Designs with Dose Optimization
针对自适应II/III期设计中适应前后结果不一致的问题,提出在三种假设检验策略下纳入不一致性调整的统计分析方法,为后续研究奠定基础。
2025-02-23 stat.AP
Bayesian Model-Averaged Benchmark Dose Analysis Via Reparameterized Quantal-Response Models
生物医学风险评估的一个重要目标是估计在目标人群中引起预先规定的不良反应的最低接触水平。在这样的设置中的暴露/剂量点被称为基准剂量(BMD)。最近,参数贝叶斯估计发现骨密度已成为流行。各种各样的候选剂量反应模型可用于应用这些方法,但是,导致模型的充分性和不确定性的问题。在这里,我们提高了贝叶斯估计技术的BMD分析应用贝叶斯模型平均产生点估计和(下)可信的界限。我们包括传统的剂量反应模型,允许更集中地使用引发先验信息时,建立贝叶斯层次结构的重新参数化。该方法的性能进行了评估,通过一个简短的模拟研究。致癌性试验的一个例子说明了计算方法。
2014-02-17 stat.ME
COBRA-DOSE: Copula-based Bayesian Model Averaging for Dose Selection
The University of Queensland(昆士兰大学)
COBRA-DOSE是基于Copula的贝叶斯模型平均框架,用于小样本剂量选择,通过R包实现,在类风湿关节炎I期试验中验证了其性能,可辅助临床决策。
2026-08-14 stat.ME
Cancer phase I trial design using drug combinations when a fraction of dose limiting toxicities is attributable to one or more agents
药物联合试验在临床研究中越来越普遍。然而,很少有方法被开发来考虑剂量递增过程中的毒性归因。我们的动机是一项临床试验,其中临床医生能够确定某些毒性,可以归因于其中一种药物。我们提出了一种贝叶斯自适应设计,其中毒性归因通过Copula回归建模,最大耐受剂量(MTD)曲线估计为模型参数的函数。剂量递增算法使用两名患者的队列,遵循连续再评估方法(CRM)方案,在试验的每个阶段,我们在另一种药物的当前剂量下搜索一种药物的剂量。设计的性能进行了研究,通过评估其操作特性时,基础模型是正确指定或错误指定。我们表明,这种方法可以扩展到适应离散剂量组合。
2018-08-22 stat.ME
Probabilistic feature extraction, dose statistic prediction and dose mimicking for automated radiation therapy treatment planning
目的:我们提出了一个通用的框架,用于量化剂量相关量的预测不确定性,并在自动化放射治疗治疗计划的背景下,在剂量模拟问题中利用这些信息。方法:采用特征提取、剂量统计预测和剂量模拟三步流水线。特别是,这些特征由卷积变分自动编码器产生,并用作先前开发的非参数贝叶斯统计方法的输入,估计预定义剂量统计集合的多变量预测分布。然后使用专门开发的目标函数来构建基于所产生的分布的概率剂量模拟问题,从而创建可交付的治疗计划。结果:使用94例前列腺癌患者的回顾性治疗计划数据集进行数值实验。我们发现,由变分自动编码器提取的特征捕获与剂量统计预测问题实质相关的几何信息,并且与剂量统计以比手工特征更正则化的方式相关。估计的预测分布是合理的,优于一个非输入依赖的基准方法,和可交付的计划产生的概率剂量模拟同意更好地与他们的临床同行比非概率的制定。结论:我们表明,剂量相关的量的预测可以扩展到包括不确定性估计,这样的概率信息可以利用在剂量模仿问题。所提出的管道产生的治疗计划类似于他们原来的同行,说明了一个整体的方法来自动规划的基础上概率建模的优点。
2021-07-07 physics.med-ph stat.ML
Gaussian Processes for Observational Dose-Response Inference
本文调整高斯过程用于观测性环境下的平均剂量响应函数估计,通过 Girard 方法将倾向得分后验样本纳入响应模型,证明了其正定核性质与双重稳健性,缓解了正则化引起的混杂,并在覆盖率和偏差上优于其他方法。
2024-09-25 math.ST stat.TH
Bayesian Optimization for Identification of Optimal Biological Dose Combinations in Personalized Dose-Finding Trials
MRC Biostatistics Unit University of Cambridge(剑桥大学医学研究委员会生物统计学单元);McGill University(麦吉尔大学)
针对个性化剂量探索试验样本量小、难识别最佳生物剂量组合的问题,提出融合疗效与毒性信息的贝叶斯优化方法,经模拟验证其表现良好。
2026-08-07 stat.ME
Bayesian Benchmark Dose Analysis
环境风险评估的一个重要目标是估计在目标人群中引起预先规定的基准反应的最低接触水平,称为基准剂量(BMD)。已建立的BMD分析的推断方法通常涉及单侧的频率论置信限,在实践中导致所谓的基准剂量下限(BMDLs)。然而,对贝叶斯建模和构建BMDLs的可信限制的呼吁远未得到发展。事实上,对于现有的几种形式的贝叶斯BMD,信息丰富的先验信息很少被纳入。我们开发了重新参数化的定量响应模型,明确描述的BMD作为一个目标参数。我们的目标是获得一个改进的估计和计算原型的BMD和BMDL,通过采用可量化的先验信念来表示参数的不确定性的统计模型。通过基于蒙特卡罗的自适应Metropolis(AM)算法来近似后验分布,便于实现.一个环境致癌性测试的例子说明了计算方法。
2014-06-10 stat.ME
A Bayesian design for dual-agent dose optimization with targeted therapies
针对靶向治疗联合用药中高剂量未必高疗效的问题,提出两阶段贝叶斯I-II期剂量优化设计,采用三次样条建模疗效,结合EWOC原则与自适应随机化,模拟验证其比现有算法更安全高效。
2025-05-20 stat.ME
Adaptive Phase 2/3 Design with Dose Optimization
针对FDA肿瘤药物研发Project Optimus倡议下自适应2/3期设计传统检验过于保守的问题,本文估计剂量选择概率对I类错误的影响,将其纳入两种改进方法以优化设计,助力倡议落地。
2024-12-11 stat.AP
PK/PD-integrated Bayesian platform design for phase II dose regimen optimization
Inserm;Université Paris Cité(巴黎西岱大学);Inria;HeKA;Centre d’Étude des Pathologies Respiratoires (CEPR)(呼吸疾病研究中心 (CEPR));UMR 1100;Université de Tours(图尔大学);Service de Médecine Intensive Réanimation, CHRU de Tours(图尔大学医院重症医学科);Université Sorbonne Paris Nord(巴黎北索邦大学);IAME;Univ Rennes(雷恩大学);EHESP;Irset;UMRS 1085
针对剂量无法充分刻画治疗方案的问题,提出整合PK/PD建模的贝叶斯II期适应性平台设计PROP,以改善方案选择与决策,模拟显示其优于基于剂量的方法。
2026-09-28 stat.ME
A Bayesian adaptive design for dual-agent phase I-II oncology trials integrating efficacy data across stages
该研究针对双药联合肿瘤I-II期剂量寻找问题,提出可适应阶段间人群变化的两阶段贝叶斯自适应设计,通过带可交换/不可交换假设的分层随机效应模型跨阶段共享疗效信息,模拟显示其改善了疗效评估的操作特性。
2023-05-08 stat.ME
Bayesian Additive Adaptive Basis Tensor Product Models for Modeling High Dimensional Surfaces: An application to high-throughput toxicity testing
许多现代数据集都是从复杂的高维表面采样的。诸如张量积样条或高斯过程之类的方法有效/非常适合于表征二维或三维的表面,但在表示更高维的表面时可能会遇到困难。受高通量毒性测试的启发,其中观察到的剂量-响应曲线是由化学品的结构特性定义的表面的横截面,开发了一种模型来表征该表面以预测未经测试的化学品的剂量-响应。这篇手稿提出了一种新的方法,将多维表面建模为学习的基函数的总和,这些基函数形成为低维函数的张量积,这些函数本身可以通过从数据中学习的基扩展来表示。描述了该模型,提出了一种吉布斯抽样算法,并在模拟研究以及从美国环保局的ToxCast高通量毒性测试平台的数据进行了研究。
2017-06-15 stat.ML
A Bayesian Model of Dose-Response for Cancer Drug Studies
Memorial Sloan Kettering Cancer Center(纪念斯隆-凯特琳癌症中心);Columbia University(哥伦比亚大学)
探索性癌症药物研究针对多种候选药物测试多种肿瘤细胞系。每个配对(细胞系,药物)实验的目标是绘制出随着药物剂量水平增加的细胞系的剂量反应曲线。我们提出了贝叶斯张量过滤(BTF),一种用于多样本,多治疗癌症药物研究中剂量反应建模的分层贝叶斯模型。BTF使用低维嵌入来共享相似药物和相似细胞系之间的统计强度。结构化收缩先验BTF鼓励平滑的剂量-反应曲线,同时保持自适应急剧跳跃时,数据调用it. We专注于一对癌症药物的研究,表现出特定的病理在他们的试验设计,导致我们的非共轭单调混合伽马的可能性。为了进行后验推理,我们开发了一种椭圆切片采样算法的变体,用于从具有非共轭似然的线性约束多元正态先验中采样。在基准测试中,BTF在协方差回归和动态泊松矩阵分解方面优于最先进的方法。在两项癌症药物研究中,BTF优于目前生物学中的标准方法,并揭示了癌症药物敏感性的潜在新生物标志物。代码可在https://github.com/tansey/functionalmf上获得。
2021-03-22 cs.LG stat.ME stat.ML
A staggered seamless dose-optimization design for co-developing monotherapy and combination therapy
Chuo University(中央大学);Astellas Pharma Global Development Inc.(安斯泰来全球开发公司);The University of Texas MD Anderson Cancer Center(德克萨斯大学安德森癌症中心)
本研究提出一种交错无缝I/II期设计,可同步优化肿瘤药物的单药与联合治疗剂量,缩短I期时长并高效确定最优生物剂量,同时保障安全性与OBD选择性能。
2026-09-03 stat.ME
Bayesian Model Averaging for Partial Ordering Continual Reassessment Methods
针对联合用药剂量探索中POCRM的毒性估计不一致问题,提出BMA-POCRM,利用贝叶斯模型平均同时处理多种可能排序,提升试验安全性与剂量推荐准确性。
2024-03-01 stat.ME
A Bayesian seamless phase I-II trial design with two stages for cancer clinical trials with drug combinations
在过去的几年中,药物组合在临床试验中的使用越来越普遍,因为通过组合药物可以获得更有利的治疗反应。在I期临床试验中,大多数现有方法推荐一种独特的剂量组合为“最佳”,这可能导致随后的II期临床试验失败,因为其他剂量组合在相同毒性水平下可能具有更高的治疗疗效。我们特别感兴趣的是需要等待几个治疗周期才能观察疗效结局的情况,以及I期和II期患者人群在治疗疗效方面不同的情况。在这些情况下,通常的做法是实施两阶段设计,其中在第一阶段选择一组最大耐受剂量组合,然后在第二阶段研究治疗疗效。在这篇文章中,我们提出了一个新的两阶段设计的早期阶段的临床试验与药物组合。在第一阶段,使用二元毒性数据来指导剂量递增并设定最大耐受剂量组合。在第二阶段,我们采用第一阶段推荐的最大耐受剂量组合,该组合在整个第二阶段保持固定,并通过自适应随机化,我们将后续队列的患者分配到可能具有较高后中位数至进展时间的剂量组合中。该方法进行了广泛的模拟评估,并与一个真正的审判举例说明。
2020-02-14 stat.ME
Bayesian Framework for Multi-Source Data Integration -- Application to Human Extrapolation From Preclinical Studies
提出一个四步贝叶斯框架整合多源临床前数据外推至人类,以更精确预测剂量相关指标,减少不确定性并优化剂量选择。
2022-12-01 stat.ME
Estimating psychometric functions from adaptive designs
本文研究自适应设计对心理测量函数估计的影响,发现其虽保留渐近性质但引入小样本偏差,尤其影响斜率参数,指出需在高效采样与增加样本量缓解偏差间权衡。
2022-10-11 stat.ME
A Bayesian Precision Response-adaptive Phase II Clinical Trial Design for Radiotherapies with Competing Risk Survival Outcomes
近几十年来,许多II期临床试验将生存结局作为主要终点。假设在II期试验中使用生存结局评估放射治疗。在这种情况下,通常会出现竞争风险问题,因为疾病进展的时间可以通过正常组织并发症的时间进行删失,反之亦然。此外,许多文献研究表明,接受相同放射治疗剂量的患者可能会产生不同的反应,由于其不同的辐射敏感性状态。因此,“一剂通用”的策略往往会失败,用辐射敏感性状态定义的亚组来评价亚组特异性处理效应更有意义。在本文中,我们提出了一个贝叶斯精密度II期试验设计,评价亚组特异性放疗的处理效应。我们使用特定原因的危害方法来模拟竞争风险生存结果。我们建议根据每个患者的辐射敏感性状态限制候选辐射剂量。仅考虑临床可行的个性化剂量,这将增强试验中患者的获益。此外,我们提出了一个分层贝叶斯自适应随机化方案,使更多的患者将被随机分配到报告更有利的生存结局的剂量。数值研究表明,所提出的设计表现良好,优于传统的设计,忽略了竞争的风险问题。
2022-03-14 stat.AP
Benchmark Dose Estimation using a Family of Link Functions
本文提出了一种在处理模型不确定性问题的二项响应模型中使用一族连接函数估计基准剂量(BMD)的方法。研究人员通常使用具有单一连接函数的二项式响应模型来估计BMD。已提出了几种形式的链接函数来拟合剂量反应模型,以估计BMD和相应的基准剂量下限(BMDL)。然而,如果假设的链接是不正确的,那么从拟合模型估计的BMD和BMDL可能不准确。考虑到模型的不确定性,提出了模型平均(MA)方法来估计BMD平均在一个包含有限数量的标准模型的模型空间。模型平均集中在一个预先指定的参数模型列表上,当列表中没有一个模型是正确的模型时,会导致陷阱。这里,已经提出了一种替代方案,其用具有不同链接的无限数量的附加模型来增强参数模型的初始列表。此外,不同的方法来估计BMDL的基础上的家庭的链接函数。所提出的方法相比,MA在模拟研究和应用到一个真实的数据集。仿真研究也进行了比较的四种方法估计BMDL。
2016-12-21 stat.AP
Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification
Institute for Mathematical Innovation University of Bath, Bath, UK(数学创新研究所 英国巴斯大学);Department of Mathematical Sciences University of Bath, Bath, UK(数学科学系 英国巴斯大学)
本文提出一种集成蒙特卡洛丢弃的神经代理模型,用于快速可微的质子剂量预测,并通过一维至三维实验验证其精度、方差分解及对认知与参数不确定性的区分能力,在保持不确定性信息的同时显著加速蒙特卡洛计算。
2025-09-16 cs.LG physics.data-an stat.AP
Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints
University of Virginia(弗吉尼亚大学);University of Pennsylvania(宾夕法尼亚大学);University of Cambridge(剑桥大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
I期剂量探索试验越来越具有挑战性,因为新化合物(或其组合)的疗效和毒性之间的关系变得更加复杂。尽管如此,实践中最常用的方法集中于通过仅从毒性事件中学习来确定最大耐受剂量(MTD)。我们提出了一种新的适应性临床试验方法,称为安全有效性探索剂量分配(SEEDA),其目的是最大限度地提高累积疗效,同时满足高概率的毒性安全约束。我们评估了在实际临床试验中具有操作意义的性能目标,包括累积疗效、推荐/分配成功概率、毒性违背概率和样本效率。一个扩展的SEEDA-Plateau算法,是专为分子靶向药物(MTA)的疗效增加,然后平台的行为。通过使用合成和真实世界数据集的数值实验,我们表明SEEDA通过找到具有更高成功率和更少患者的最佳剂量来优于最先进的临床试验设计。
2020-06-15 cs.LG stat.AP stat.ME
Shapley effects and proportional marginal effects for global sensitivity analysis: application to computed tomography scan organ dose estimation
本文针对 NCICT 的 CT 器官剂量估计开展基于方差的全局敏感性分析,用 Shapley 效应与 PME 排序相关不确定输入参数,发现二者本质不同且互补,PME 的重要性层级更清晰。
2023-06-02 stat.AP
Shared Keyboard: An improved Bayesian design for phase I clinical trials via Beta kernel process
School of Statistics, East China Normal University(华东师范大学统计学院)
提出共享键盘设计,通过Beta核过程实现剂量间信息借用,提高最大耐受剂量识别的准确性和安全性。
2026-05-24 stat.AP stat.ML
Pharmacometrics-Enabled DOse OPtimization (PEDOOP) for Seamless Phase I-II Trials in Oncology
本文提出 PEDOOP 无缝 I-II 期肿瘤试验设计,利用患者层面 PK、潜在 PD 与毒性数据进行剂量优化,并通过模拟对比现有无缝设计。
2024-02-22 stat.AP
Adaptive Weighting for Time-to-Event Continual Reassessment Method: Improving Safety in Phase I Dose-Finding Through Data-Driven Delay Distribution Estimation
University of New Mexico(新墨西哥大学);University of South Carolina(南卡罗来纳大学)
本文提出了一种基于数据驱动的适应性加权方法,用于改进I期临床试验中剂量确定的安全性,通过实时估计延迟分布以减少患者超剂量风险。
2026-02-22 stat.AP stat.ME
Toward Actionable Digital Twins for Radiation-Based Imaging and Therapy: Mathematical Formulation, Modular Workflow, and an OpenKBP-Based Dose-Surrogate Prototype
School of Data, Mathematical, and Statistical Sciences, University of Central Florida(中佛罗里达大学数据、数学与统计科学学院);Institute for Simulation and Training, University of Central Florida(中佛罗里达大学模拟与训练研究所)
本文提出了一种模块化框架,用于辐射成像和治疗中的可操作数字孪生,通过OpenKBP基准测试验证了剂量代理原型,展示了剂量预测、不确定性传播和代理闭环适应的可重复测试平台。
2026-03-26 cs.CV eess.IV stat.AP
Individualized Prediction Bands in Causal Inference with Continuous Treatments
University of Iowa(爱荷华大学)
针对连续处理因果推断中个体化剂量反应曲线不确定性量化的空白,提出将其视为协变量偏移的个体化预测带(IPB)方法,结合加权保形预测实现量化,经模拟和真实数据验证有效。
2025-11-19 stat.AP stat.ME
HAL-Based Plug-in Estimation with Pointwise Asymptotic Normality of the Causal Dose-Response Curve
本文提出基于高自适应Lasso(HAL)的插件估计器,用于连续处理下因果剂量-反应曲线的估计与推断,并通过全面模拟证明其具有逐点渐近正态性且优于现有方法。
2025-08-27 stat.AP stat.ME
Random Norming Aids Analysis of Non-linear Regression Models with Sequential Informative Dose Selection
两阶段自适应优化设计是提高临床试验效率的一个有吸引力的选择。在这些设计中,基于中期数据,选择局部最佳剂量用于进一步探索,这引起来自两个阶段的数据之间的依赖性。在一个试验性研究中,当第一阶段样本容量固定,第二阶段样本量较大时,在具有独立正态误差的非线性回归模型下使用极大似然估计时,由于相关性,费舍尔信息不能使估计量渐近地充分标准化。在这种情况下,我们提出了三种替代的随机信息措施,并表明它们提供更好的归一化的MLE渐近。在模拟研究中研究了随机信息测度的性能,结果表明,当样本量较小时,观测信息的性能最好。
2019-05-23 stat.AP stat.ME
Multivariate error modeling and uncertainty quantification using importance (re-)weighting for Monte Carlo simulations in particle transport
快速准确地预测计算剂量中的不确定性对于确定放射治疗中的稳健治疗计划至关重要。这就要求求解具有不确定参数或初始条件的粒子输运问题。蒙特卡罗方法经常被用来解决运输问题,特别是在需要高精度的应用。在这些情况下,涉及在参数空间中的不同点重复模拟问题的常见非侵入式解决方案策略由于其长运行时间而很快变得不可行。然而,侵入式方法限制了与专有仿真引擎组合的可用性。在我们之前的论文[51]中,我们展示了一种新的非侵入性不确定性量化方法在蒙特卡罗模拟质子剂量计算中的应用,该方法在实际患者数据上具有正态分布误差。在本文中,我们介绍了一个广义的配方,并专注于更深入的理论分析,这种方法的偏差,误差和收敛性的估计。所提出的方法的多变量输入模型进一步支持几乎任意的误差相关模型。我们演示了如何使用这个框架来建模和有效地量化复杂的自相关和时间相关的错误。
2022-02-15 physics.med-ph stat.AP