Bayesian spatial functional data clustering: applications in disease surveillance
本文提出一种贝叶斯空间函数数据聚类方法,扩展随机生成树至指数族,允许簇特定参数,并用组合抽样与INLA改进推理,应用于COVID-19和登革热监测,揭示疾病时空模式。
2024-07-17 stat.ME
A Bayesian modelling framework to quantify multiple sources of spatial variation for disease mapping
空间连通性是对地理区域内的传染病数据进行建模时的一个重要考虑因素。连通性的产生有多种原因,包括区域之间的共同特征,以及人类或病媒的移动。贝叶斯分层模型包括结构化随机效应,以解释空间连通性。然而,传统的方法需要在模型拟合之前完全定义空间结构。通过将惩罚平滑样条应用于坐标,我们创建了描述数据空间结构的二维平滑表面,同时对结构进行了最小假设。其结果是一个非固定的表面,这是设置特定的。这些表面可以被纳入一个分层建模框架,并解释类似于传统的随机效应。通过模拟研究,我们表明,样条可以应用于任何连续的连接措施,包括人类运动的措施,并可以扩展模型,以探索数据中的空间结构的多个来源。使用贝叶斯推断和模拟,可以计算每个空间结构的相对贡献,并用于生成关于疾病驱动因素的假设。这些模型被发现至少执行以及现有的建模框架,同时允许未来的扩展和空间连接的多个来源。
2022-06-03 stat.ME
DM-PhyClus: A Bayesian phylogenetic algorithm for infectious disease transmission cluster inference
背景传统的系统发育聚类方法依赖于任意的分割点应用于后验系统发育估计。虽然在实践中,贝叶斯和基于Bootstrap的聚类往往会导致类似的估计,但它们往往会产生相互冲突的聚类置信度度量。目前的研究提出了一种新的贝叶斯系统发育聚类算法,我们称之为DM-PhyClus,该算法可以识别快速传输链产生的序列集,从而产生易于解释的聚类,而无需使用任何特别的距离或置信度要求。结果仿真结果表明,DM-PhyClus可以优于传统的聚类方法,以及间隙过程,一个纯粹的基于距离的算法,在平均聚类恢复。我们将DM-PhyClus应用于真实HIV-1序列的样本,产生一组聚类,其推断与先前彻底分析的结论一致。结论. DM-PhyClus通过消除对切割点的需要并为集群配置产生合理的推断,可以促进传输集群检测。今后减少艾滋病毒1等传染病发病率的努力将需要对传播集群进行可靠的估计。因此,像DM-PhyClus这样的算法可以更好地为公共卫生策略提供信息。
2017-08-08 stat.ME
A dynamic Bayesian Markov model for health economic evaluations of interventions in infectious disease
背景传染病干预措施的卫生经济学评价通常基于常微分方程系统或马尔可夫模型的预测。标准免疫系统是静态的,而ODE系统通常是动态的,并考虑到群体免疫,这对防止高估感染流行率至关重要。包含概率模型参数的复杂常微分方程系统是计算密集型的。因此,主要是基于ODE的模型,包括确定性参数在文献中。这些不考虑参数的不确定性。因此,概率敏感性分析(PSA),卫生经济评价的一个重要组成部分,不能直接进行。方法.我们提出了一个动态MM贝叶斯框架下。我们扩展了一个静态的MM,将感染力的状态分配算法。相应的产出基于流行率的动态变化,因此考虑到群体免疫。与基于确定性ODE的模型相比,PSA可以直接进行。我们介绍了一个虚构的性传播感染的案例研究,并比较我们的动态贝叶斯MM的确定性和贝叶斯ODE系统。将模型校准到时间序列数据。结果通过案例研究,我们表明,我们的方法产生的结果是可比的“金标准”的贝叶斯ODE系统。结论.与文献中的ODE系统相比,动态MM的设置在可管理的计算工作(包括校准)上是概率性的。贝叶斯ODE系统的运行时间是44倍。
2018-09-01 stat.ME
Bayesian Inference of Mixing and Transmission Heterogeneity in Stratified Disease Surveillance Models
Oregon State University(俄勒冈州立大学)
提出一种贝叶斯潜变量扩展的内生-流行病模型,用于从分层疾病监测数据中推断未观测的个体传播性、疾病发生率与流行率的分离以及人口组间混合结构。
2026-05-27 stat.ME
Flexible cost-penalized Bayesian model selection: developing inclusion paths with an application to diagnosis of heart disease
本文提出一种灵活成本惩罚的贝叶斯模型选择方法,通过可调先验和包含路径可视化,帮助医疗从业者在考虑预测变量成本的情况下选择有用子集,并在心脏病诊断数据上验证其有效性。
2024-05-06 stat.ME
Non-centred Bayesian inference for discrete-valued state-transition models: the Rippler algorithm
Lancaster University(兰卡斯特大学)
Rippler算法通过非中心贝叶斯推断提升基于个体的状态转移模型参数和未观察疾病状态的估计效率。
2026-02-11 stat.ME
Continuous-Time Bayesian Networks with Structured Shrinkage Priors for Modelling Multimorbidity Trajectories in Large-Scale Electronic Health Records
University of East Anglia(东英吉利大学)
提出结构化贝叶斯连续时间贝叶斯网络框架,通过顺序依赖收缩先验控制高阶效应组合爆炸,从纵向电子健康记录中学习疾病有向依赖网络,并在UK Biobank数据中识别出以糖尿病为中心的心血管代谢模块和连接呼吸与特应性疾病的炎症模块。
2026-07-03 stat.ME
Spatial Disease Mapping and Disparity Detection Using Generative AI: An Amortized Bayesian Learning Framework
Department of Biostatistics, University of California, Los Angeles(加州大学洛杉矶分校生物统计系)
提出一种摊销贝叶斯框架,通过神经网络近似后验分布,实现跨不同区域图的空间边界检测,并在呼吸疾病和肺癌数据中验证其有效性。
2026-06-17 stat.ME
Bayesian latent time joint mixed effect models for multicohort longitudinal data
从无病到终末期的长期疾病动力学的表征对于理解帕金森病和阿尔茨海默病等神经退行性疾病的过程以及最终如何最好地进行干预是不可或缺的。自然史研究通常在疾病的不同阶段招募多个队列,并在相对较短的时间内纵向跟踪。我们提出了一个潜在的时间联合混合效应模型来描述长期的疾病动态,使用这个短期的数据。提出了用于估计、模型选择和推断的马尔可夫链蒙特卡罗方法。我们将该模型应用于详细的模拟研究和阿尔茨海默病神经成像倡议的数据。
2018-01-10 stat.AP stat.ME
Bayesian Tensor-on-Tensor Varying Coefficient Model for Forecasting Alzheimer's Disease Progression
The University of Texas Health Science Center(德克萨斯大学健康科学中心);Rice University(莱斯大学);The University of Texas MD Anderson Cancer Center(德克萨斯大学安德森癌症中心)
本文提出一种新的张量-张量建模框架,利用高斯过程先验灵活建模非线性体素级关系,结合低秩张量系数捕捉空间结构,通过斑块到体素映射实现空间异质性,提升预测准确性与可解释性。
2026-04-09 stat.ME
Outcome-guided Bayesian Clustering for Disease Subtype Discovery Using High-dimensional Transcriptomic Data
提出 GuidedBayesianClustering 全贝叶斯方法,整合临床结局与高维组学数据,同步实现疾病亚型聚类、相关基因选择及结局引导,并在模拟和乳腺癌数据中验证其优势。
2023-09-26 stat.AP stat.ME
High-dimensional Bayesian Model for Disease-Specific Gene Detection in Spatial Transcriptomics
本文提出一种高维贝叶斯收缩模型,结合空间自回归项刻画组织斑点间相关性,用于空间转录组学中疾病特异性基因检测,并提供适用于不同样本规模的计算框架,在HER2阳性乳腺癌数据上验证了模型性能。
2024-09-04 stat.AP stat.ME
Approximate Bayesian inference for multivariate point pattern analysis in disease mapping
我们提出了一种新的方法来分析多变量病例对照地理参考数据,使用贝叶斯推断的背景下,疾病映射,不同类型的癌症的空间分布进行了分析。扩展点模式分析中的其他方法,我们提出了一个对数高斯Cox过程的点模式的情况下,控制,占风险因素,如暴露于污染源,并包括一个术语来衡量空间残差变化。对于每种疾病,其强度是根据基线空间效应(根据对照和病例估计)、疾病特异性空间项和对解释风险因素的协变量的影响建模的。通过拟合这些模型,可以评估协变量对病例集的影响,并且可以很容易地比较残差空间项,以检测协变量无法解释的高风险区域。三种不同类型的影响模型暴露于污染源被认为是。首先,固定效应对源的距离。接下来,使用距离上的平滑项通过一阶离散随机游动和具有Matérn协方差的一维高斯过程来建模非线性效应。使用集成嵌套拉普拉斯近似(INLA)拟合模型,以便使用基于求解随机偏微分方程(SPDE)的方法来近似空间项。最后,这个新的框架被应用到三种不同类型的癌症的数据集和一组控制阿尔卡拉德埃纳雷斯(马德里,西班牙)。可用的协变量包括与几个污染行业的距离和社会经济指标。我们的研究结果指出,由于靠近其中一些行业,可能会增加风险。
2019-03-27 stat.ME
Bayesian Dynamic Network Modelling: an application to metabolic associations in cardiovascular diseases
我们提出了一种新的方法来估计多个图形模型,以分析不同患者组的一组代谢物之间的关联的时间模式。我们的激励应用是Southall和Brent Revisited(SABRE)研究,这是一项在英国进行的三种族队列研究。我们感兴趣的是确定代谢物水平和相关性的潜在种族差异以及它们随时间的演变,目的是更好地了解不同种族之间心脏代谢疾病的不同风险。在贝叶斯框架内,我们采用逐节点回归方法来推断图的结构,跨时间和跨种族借用信息。感兴趣的响应变量是在两个时间点测量的两个种族群体(欧洲人和南亚人)的代谢物水平。我们使用逐节点回归来估计代谢物的高维精度矩阵,通过动态马蹄铁先验对回归系数施加稀疏性,从而有利于稀疏图。我们提供的代码,以适应建议的模型使用软件斯坦,它使用哈密顿蒙特卡罗采样,以及块吉布斯抽样计划的详细描述进行后验推理。
2022-07-27 stat.ME
A Bayesian Semiparametric Factor Analysis Model for Subtype Identification
疾病亚型识别(聚类)是生物医学研究中的一个重要问题。基因表达谱通常用于推断疾病亚型,这通常导致对疾病的生物学意义的见解。尽管有许多成功的,现有的聚类方法可能无法很好地执行时,基因是高度相关的,许多无信息的基因,包括聚类由于高维。在这篇文章中,我们介绍了一种新的亚型识别方法在贝叶斯设置的基础上基因表达谱。这种方法,称为BCSub,采用了创新的半参数贝叶斯因子分析模型,以减少数据的维度到几个因素得分聚类。具体而言,因子得分被假定为遵循狄利克雷过程混合模型,以诱导聚类。通过广泛的模拟研究,我们表明,BCSub的常用聚类方法的性能有所提高。当应用于两个基因表达数据集时,我们的模型能够识别出比现有方法更具有临床相关性的亚型。
2016-09-26 stat.ME
Efficient Bayesian model selection for coupled hidden Markov models with application to infectious diseases
耦合隐马尔可夫模型的隐状态过程维数很大,因此对耦合隐马尔可夫模型进行模型选择具有很大的挑战性。虽然原则上可以通过前向滤波将隐藏状态过程边缘化,但实际上这样做的计算成本随着耦合的马尔可夫链的数量呈指数级增加,使得这种方法在大多数应用中不可行。可以利用蒙特卡罗方法,但尽管在模型选择方法中有许多显着的发展,通用方法仍然不适合这样的高维问题。在这里,我们为具有弱链间依赖性的CHESTIC开发了专门的解决方案。具体来说,我们构建有效的建议分布的隐藏状态的过程中,保持计算可行的链的数量增加,并需要很少的用户输入或调整。这种方法特别适用于以CHESTHESIS为特征的个体级传染病模型,其中每条链代表一个个体,耦合代表个体之间的接触。由于仅有的重要接触是在易感和传染性个体之间,并且由于多个感染途径通常是可能的,因此所产生的CHE3自然具有低的链间依赖性。我们证明了我们的方法的实用性与应用程序的研究高致病性禽流感在鸡。
2021-05-25 stat.ME
Bayesian Modeling of Multiple Structural Connectivity Networks During the Progression of Alzheimer's Disease
阿尔茨海默病是最常见的神经退行性疾病。本研究的目的是使用皮质厚度测量来推断疾病进展导致的大脑连接的结构变化,这些测量来自一组健康对照组,或轻度认知障碍,或阿尔茨海默病患者。为此,我们开发了一种新的方法来推断多个网络的相关边缘值跨组。具体来说,我们推断一个高斯图形模型的联合框架内,每个组,我们依靠贝叶斯分层先验链接的精度矩阵条目组。我们的建议不同于现有的方法,因为它灵活地学习哪些组具有最相似的边缘值,并在跨组共享信息时考虑连接的强度(而不仅仅是边缘存在或不存在)。我们的研究结果确定了结构连接的关键改变,这可能反映了对健康大脑的破坏,例如随着疾病严重程度的增加,枕叶内的连接减少。我们还说明了所提出的方法,通过模拟,在那里我们证明了其性能的结构学习和精度矩阵估计的替代方法。
2020-01-15 stat.AP stat.ME
Bayesian shape-constrained regression for quantifying Alzheimer's disease biomarker progression
本文提出一种贝叶斯形状约束回归模型,通过单调样条、导数消失条件和唯一拐点约束量化阿尔茨海默病生物标志物随年龄的进展轨迹,并在BIOCARD数据上验证了其可解释性和时间顺序估计能力。
2025-05-09 stat.AP stat.ME
Bayesian Models for Multivariate Difference Boundary Detection in Areal Data
在划定的行政单位范围内的卫生成果的区域总量(例如,州、县、邮政编码)或区域单位被流行病学家广泛用于绘制死亡率或发病率图并捕获地理变异。为了捕捉地区之间的健康差异,我们寻求“差异边界”,将相邻地区与显着不同的空间效应分开。问题更具挑战性,因为每个单位都有多个结果,我们要捕捉疾病之间以及区域单位之间的依赖性。在这里,我们解决相关疾病的多元差分边界检测。我们制定的贝叶斯成对多重比较的问题,并寻求相邻的空间效应不同的后验概率。为了实现这一点,我们赋予空间随机效应的离散概率法使用一类多变量区域参考狄利克雷过程(MARDP)模型,适应空间和疾病间的依赖性。我们通过模拟研究评估我们的方法,并使用美国国家癌症研究所监测,流行病学和最终结果(SEER)计划的数据检测多种癌症的差异边界。
2022-04-30 stat.ME
Bayesian Tensor Modeling for Image-based Classification of Alzheimer's Disease
针对现有贝叶斯张量分类方法不足、图像向量化丢失空间结构的问题,提出两种基于数据增强的贝叶斯张量分类方案,搭配高效MCMC算法,在模拟和阿尔茨海默病MRI数据分类任务中准确率均优于传统方法。
2023-12-14 stat.ME
Epidemia: An R Package for Semi-Mechanistic Bayesian Modelling of Infectious Diseases using Point Processes
这篇文章介绍了一个R软件包,用于传染病的贝叶斯回归建模。所实现的模型定义了所有观测数据的可能性,同时还明确建模传输动态:一种通常称为半机械的方法。使用更新方程随时间传播感染。这种方法的灵感来自自激,连续时间点过程,如霍克斯过程。使用该软件包可以执行各种推理任务。关键的流行病学数量,包括繁殖数量和潜伏感染,可以在框架内估计。这些模型可用于评估传播率变化的决定因素,包括控制措施的效果。流行病动态可以通过拟合模型或先验模型来模拟;允许先验/后验预测检查、实验和预测。
2021-10-24 stat.CO stat.ME
Bayesian nonparametrics for stochastic epidemic models
绝大多数传染病传播的模型本质上是参数化的,涉及关于疾病如何在人群中传播的基本假设。在这篇文章中,我们考虑使用贝叶斯非参数方法来分析疾病暴发的数据。具体来说,我们专注于简单模型的假设下,这个过程具有显式的时间依赖性的感染过程的估计方法。
2017-06-09 stat.AP stat.CO stat.ME
Bayesian biclustering for microbial metagenomic sequencing data via multinomial matrix factorization
高通量测序技术为定量探索人类肠道微生物组及其与疾病的关系提供了前所未有的机会。微生物组数据具有组成性、稀疏性、噪声性和异质性等特点,这对统计建模提出了严峻的挑战。我们提出了一个可识别的贝叶斯多项式矩阵分解模型来推断微生物和宿主上的重叠簇。所提出的方法表示观察到的过度分散的零膨胀计数矩阵的狄利克雷多项式的混合物上的潜在集群结构的层次。在贝叶斯框架下,聚类的数量是自动确定的,并且自然地结合了来自微生物分类等级树的可用信息,这大大提高了我们发现的可解释性。我们证明了所提出的方法的实用性,通过比较模拟中的替代方法。应用于涉及患有炎性肠病的患者的人类肠道微生物组数据集揭示了有趣的簇,其包含根据生物学文献已知与炎性肠病及其亚型相关的细菌家族拟杆菌科、双歧杆菌科、肠杆菌科、梭杆菌科、毛螺菌科、瘤胃球菌科、巴斯德菌科和卟啉单胞菌科。我们的研究结果可以帮助产生潜在的假设,用于未来对人类肠道微生物组异质性的研究。
2020-10-08 stat.ME
Bayesian nonparametric inference for the covariate-adjusted ROC curve
疾病的准确诊断在临床实践和医学研究中至关重要。在医学诊断试验常规用于实践之前,必须通过统计分析严格评估其区分疾病和非疾病状态的能力。受试者工作特征(ROC)曲线是评价连续结果诊断试验区分能力的最常用工具。已经认识到有几个因素(例如,受试者特异性特征,如年龄和/或性别)可以影响测试的准确性,而不仅仅是疾病状态。最近,协变量调整的ROC曲线已被提出并成功地应用为考虑协变量信息的诊断准确性的全局汇总度量。我们鼓励使用协变量调整的ROC曲线,并开发了一个高度稳健的B-样条依赖Dirichlet过程混合模型和贝叶斯自助模型的基础上相结合的模型。多个模拟研究表明,我们的模型能够成功地恢复真正的协变量调整ROC曲线,并在各种复杂的情况下产生有效的推断。我们的方法的动机和应用于内分泌研究,其主要目标是评估身体质量指数的准确性,根据年龄和性别进行调整,用于预测心血管疾病风险因素的集群。的R-包AROC,实现我们提出的方法,提供。
2018-05-30 stat.ME
Bayesian Non-Parametric Inference for Infectious Disease Data
我们提出了一个框架,贝叶斯非参数估计的新的感染发生率假设的流行病是部分观察。所开发的方法依赖于将新感染发生的速度建模为仅取决于时间的函数。提出了两种不同类型的先验分布,即使用阶跃函数和B样条。该方法使用模拟和真实数据集进行说明,我们表明,流行病的某些方面,如季节性和超级传播事件,而不必明确地将它们纳入参数模型。
2014-12-15 stat.AP stat.CO stat.ME
Bayesian feature selection in joint models with application to a cardiovascular disease cohort study
本文提出一种改进的贝叶斯稀疏组选择先验,用于联合模型中风险因素组及组内轨迹特征的双层选择,并通过模拟和ARIC队列识别与CVD死亡相关的重要风险因素及特征。
2024-12-01 stat.ME
A Bayesian Spatiotemporal Model to Estimate Disease Burden Using Hospital-Based Active Surveillance
针对被动监测易低估疾病负担及主动监测与被动监测数据空间错位问题,受波多黎各医院钩端螺旋体病监测项目启发,开发贝叶斯时空框架,扩展泊松 - 逻辑框架,纳入空间异质性与检测情况,能更好整合数据估计疾病负担。
2026-07-16 stat.AP stat.ME
Bayesian Event-Based Model for Disease Subtype and Stage Inference
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Chiba Institute of Technology(千叶技术大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出贝叶斯事件基于模型(BEBMS),在合成数据实验中优于SuStaIn,在阿尔茨海默病真实数据集上结果更符合科学共识。
2026-04-21 cs.LG stat.ME
Confidence biases and learning among intuitive Bayesians
我们设计了一个“要么加倍要么放弃”的游戏,来比较学习一个人的特定能力的速度和随着任务变得越来越困难而增加信心的速度。我们发现,平均而言,人们学会过度自信的速度比他们了解自己的真实能力,我们提出了一个直观的贝叶斯模型的信心,集成了信心偏差和学习。一个人的真实能力的不确定性,以执行一项任务的隔离可以负责大而稳定的信心偏差,即有限的歧视,难-容易的效果,邓宁-克鲁格效应,保守的学习经验和overprecision现象(没有欠精度),如果受试者作为贝叶斯学习者谁只依赖于顺序感知的性能线索和反向错觉信号引起的怀疑。此外,这些偏见可能会持续下去,因为贝叶斯汇总过去的信息巩固了积累的错误和反向错觉信号的感知产生保守主义和反应不足的事件。综合起来,这两个特征可以解释为什么直觉贝叶斯主义者会对自己的表现做出系统性的错误预测。
2017-07-10 math.PR stat.OT
Bayesian Updating and Sequential Testing: Overcoming Inferential Limitations of Screening Tests
贝叶斯定理赋予作为疾病流行率函数的筛查测试的准确性固有的局限性。我们在以前的工作中已经表明,检测系统可以容忍患病率的显著下降,直到某个被称为$prevalence$ $threshold$的明确定义的点,低于该点,阳性筛查试验的可靠性急剧下降。在此,我们建立了一个数学模型,以确定序贯测试是否克服了上述贝叶斯限制,从而提高了筛选测试的可靠性。我们表明,对于接近$k$的$ρ$预期阳性预测值,$n_i$所需的阳性测试迭代次数为:$ n_i =\lim_{ρ\to k}\left\lceil\frac{ln\left[\frac{ρ(ϕ-1)}{ϕ(ρ-1)}\right]}{ln\left[\frac{a}{1-b}\right]}\right\rceil$其中$n_i$ =达到预期阳性预测值$ρ$所需的测试迭代次数,a =灵敏度,b =特异性,$ϕ$ =疾病患病率,$k$ =常数。基于上述推导,我们提供了获得$ρ(ϕ)$为50、75、95和99 $\%$所需的测试迭代次数的参考表,作为各种灵敏度、特异性和疾病患病率水平的函数。
2020-08-29 stat.ME
A Bayesian hierarchical model for disease mapping that accounts for scaling and heavy-tailed latent effects
提出一种扩展BYM2的贝叶斯层次模型,通过尺度混合结构处理重尾潜在效应并识别离群值,在模拟和里约寨卡数据分析中优于现有方法。
2024-03-20 stat.ME
Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference
University of Science and Technology of China(中国科学技术大学)
提出贝叶斯超图推断框架,通过风险因子调节的潜在疾病路径建模多疾病,实现可解释的高阶结构、校准的不确定性估计和罕见病改进预测。
2026-06-04 cs.LG stat.AP stat.ME
Bayesian Biosurveillance of Disease Outbreaks
RODS Laboratory(RODS实验室);Intel Research(英特尔研究院);Santa Clara(圣克拉拉)
早期、可靠地检测疾病爆发是当今的一个关键问题。本文报告了一项调查的因果贝叶斯网络模型的非传染性疾病(呼吸道炭疽感染)的时空模式的人口。如果不小心管理,这种网络中的参数数量可能会变得非常庞大。此外,推理需要在人口数据流入时实时执行。我们描述的技术,我们已经应用到解决建模和推理的挑战。本文的一个关键贡献是解释的假设和技术,足以让规模的贝叶斯网络建模和推理的实时监控应用程序的数百万个节点。这里报告的结果提供了一个概念证明,贝叶斯网络可以作为一个系统,有效地执行贝叶斯生物监测疾病爆发的基础。
2012-07-11 cs.AI cs.CE stat.AP
Amortized Bayesian Disease Mapping and Boundary Detection on Heterogeneous Spatial Graphs
University of California, Los Angeles(加州大学洛杉矶分校)
针对异质空间图谱,提出协变量感知的贝叶斯边界模型与摊销后验近似,实现疾病制图与边界检测,并在多区域数据上验证其有效性与可重用性。
2026-09-28 stat.AP stat.ME
Non-stationary Bayesian Spatial Model for Disease Mapping based on Sub-regions
本文提出一种基于子区域的非平稳贝叶斯空间模型,通过多精度参数和联合惩罚复杂度先验捕捉复杂空间依赖,提升了疾病制图模型的解释力与适用性。
2023-06-29 stat.AP stat.ME
Spinal Muscle Atrophy Disease Modelling as Bayesian Network
本文利用概率图模型与贝叶斯推断对脊髓性肌萎缩症的基因表达和全基因组关联数据进行建模,构建共表达网络并识别相关分子通路,通过变分推断和MCMC估计后验分布。
2023-11-29 cs.AI stat.AP
Dynamic Treatment Regimes using Bayesian Additive Regression Trees for Censored Outcomes
为了实现为每位患者提供最佳护理的目标,医生需要为具有相同诊断的患者定制治疗方法,特别是在治疗可能进一步发展并需要额外治疗的疾病时,例如癌症。随着疾病的进展,在多个阶段做出决定可以被正式定义为动态治疗方案(DTR)。大多数现有的估计动态治疗方案的优化方法,包括流行的Q-学习方法是在频率论的背景下开发的。最近,一个通用的贝叶斯机器学习框架,促进使用贝叶斯回归建模优化DTR已经提出。在这篇文章中,我们使用贝叶斯加性回归树(BART)为加速故障时间建模框架下的每个阶段,以及模拟研究和实际数据的例子,比较所提出的方法与Q学习的删失结果。我们还开发了一个R包装函数,利用标准的BART生存模型来优化DTR的删失结果。包装器函数可以很容易地扩展以适应任何类型的贝叶斯机器学习模型。
2022-10-24 stat.ME
Bayesian epidemic alignment for causal evaluation of seasonal infectious-disease interventions
Universitat Autònoma de Barcelona(巴塞罗那自治大学)
该研究提出贝叶斯因果计数模型,通过季节特异性仿射变换对齐流行病,以更准确评估季节性传染病干预措施的因果效应,并结合模拟与加泰罗尼亚实际数据验证框架有效性。
2026-08-20 stat.AP stat.ME
Consistent and scalable Bayesian joint variable and graph selection for disease diagnosis leveraging functional brain network
考虑高维probit回归中协变量的回归系数和逆协方差阵的联合推断,其中预测变量既与二元响应相关,又在函数上相互关联.一个层次模型与穗和板坯先验的回归系数和逆协方差阵中的元素,同时进行变量和图形的选择。我们建立联合选择一致性的变量和底层图形的预测时,尺寸允许增长远远大于样本量,这是贝叶斯文献中的第一个理论结果。一个可扩展的吉布斯采样器推导出,在高维模拟研究中表现得更好,与其他国家的最先进的方法。我们通过功能性MRI数据集说明了所提出的方法的实际影响和实用性,其中具有改变的功能活动的感兴趣区域和潜在的功能性脑网络被推断并整合在一起,用于对疾病风险进行分层。
2022-03-14 math.ST stat.ME stat.TH
Bayesian modeling of co-occurrence microbial interaction networks
本研究提出基于加权随机无限块模型的贝叶斯非参数统计方法,通过半参数秩相关分析微生物共现网络结构,能自动聚类并确定群落数、解决标签切换问题,在模拟和真实尿路感染微生物组数据中聚类准确率更优,助力疾病研究。
2024-04-14 stat.ME
Bayesian Scalar-on-Tensor Quantile Regression for Longitudinal Data on Alzheimer's Disease
Rice University(莱斯大学);MD Anderson Cancer Center(安德森癌症中心)
本文提出一种新的贝叶斯张量分位数回归方法,用于分析高维纵向影像数据,以探索脑行为关联随时间的变化。该方法结合低秩分解和多向收缩先验,提高参数估计和预测性能。
2026-03-18 stat.AP stat.ME
Bayesian Mapping of Mortality Clusters
本文提出多元贝叶斯模型Perla,利用stick-breaking和收缩先验同时识别空间死亡率聚类边界及驱动聚类的疾病,并通过模拟和案例研究验证其有效性。
2025-08-15 stat.AP stat.ME
Bayesian Spatial Binary Regression for Label Fusion in Structural Neuroimaging
阿尔茨海默病是一种神经退行性疾病,相对于正常衰老,它会加速认知能力的下降。更好地了解大脑中的早期疾病机制以促进有效的靶向治疗具有至关重要的科学意义。海马的体积常用于疾病的诊断和监测。通过神经成像测量这个体积是困难的,因为每个海马必须手动识别或自动描绘,这是一项称为分割的任务。自动海马体分割通常涉及将先前手动分割的图像映射到新的大脑图像,并传播标签以获得每个海马体在新图像中的位置的估计。最近解决这个问题的方法是从多个手动分割的图谱中传播标签,并使用称为标签融合的过程将结果组合在一起。迄今为止,大多数标签融合算法采用直接分配或通过优化估计的投票权重的投票过程。我们建议使用一个完全贝叶斯空间回归模型的标签融合,有利于直接纳入协变量的信息,同时访问整个后验分布。我们的研究结果表明,将组织分类(例如,灰质)到标签融合过程中,可以大大提高分割时,相对均匀,健康的大脑被用作患病大脑的图谱。完全贝叶斯方法还产生了关于海马体积的有意义的不确定性测量,这些信息可以用来检测健康人群和患病人群之间的显著的、有科学意义的差异,提高了早期检测和跟踪疾病的可能性。
2022-01-14 stat.AP stat.ME
Assigning a value to a power likelihood in a general Bayesian model
贝叶斯数据分析和机器学习方法是广泛和流行的,因为它们为从数据中学习提供了直观而严格的公理;参见Bernardo and Smith(2004)and Bishop(2006)。然而,这种严格性伴随着一个警告,即贝叶斯模型是自然的精确反映。最近的趋势是通过将似然函数提高到幂来解决潜在的模型误设定,主要是出于鲁棒性原因,但不完全是。在本文中,我们提供了一个连贯的规范的功率参数,一旦贝叶斯模型已指定在没有一个完美的模型。
2017-01-30 stat.ME
A semiparametric Bayesian approach to epidemics, with application to the spread of the coronavirus MERS in South Korea in 2015
我们认为不完全的观察随机过程的传染病通过有限的人口接触的方式传播。我们提出了一个灵活的半参数建模框架,至少有三个优点。首先,它使研究人员能够研究人口接触网络的结构及其对传染病传播的影响。其次,它可以适应短尾和长尾度分布,并检测潜在的超级传播者,他们代表了一个重要的公共卫生问题。第三,它解决了数据不完整的重要问题。从第一性原理出发,我们表明,当不完全数据生成过程是可验证的人口模型的参数的贝叶斯推断的目的。我们展示了半参数建模框架的模拟和部分观察到的MERS疫情在韩国在2015年的应用。最后,我们扩展讨论的开放性问题和未来的研究方向。
2021-07-01 stat.ME
Identifying Clusters in Bayesian Disease Mapping
疾病制图是空间流行病学的一个领域,其目的是估计$n$区域单位中疾病风险的空间模式。目的之一是确定疾病风险较高的单位,以便采取公共卫生干预措施。贝叶斯分层模型与空间平滑的条件自回归先验用于此目的,但他们不能确定高风险集群的空间范围。因此,我们提出了一个两阶段的解决方案,这个问题的第一阶段是一个空间调整层次凝聚聚类算法。该算法应用于研究期之前的数据,并产生疾病数据的$n$潜在聚类结构。第二阶段将单独的泊松对数线性模型拟合到每个聚类结构的研究数据,这允许两个聚类相遇的风险的阶跃变化。通过模型比较技术,特别是通过最小化偏差信息准则,选择最合适的聚类结构。该方法的有效性建立了一个模拟研究,并说明了在苏格兰格拉斯哥的呼吸系统疾病风险的研究。
2013-11-04 stat.AP
A Bayesian Nonparametric Approach for Identifying Differentially Abundant Taxa in Multigroup Microbiome Data with Covariates
针对含协变量的多组微生物组数据,提出零膨胀贝叶斯非参数(ZIBNP)方法,利用半参数中餐馆过程降维并处理零膨胀,在模拟和真实数据集上验证了其差异丰度分析的准确性。
2023-12-27 stat.ME
Flexible Bayesian additive joint models with an application to type 1 diabetes research
纵向和时间-事件数据的联合建模是越来越受欢迎的重要工具,用于深入了解生物标志物和事件过程之间的关联。我们开发了一个通用框架的灵活添加剂联合模型,允许规格的各种影响,如平滑的非线性,时变和随机效应,在纵向和生存的部分模型。我们的扩展是出于波动的疾病特异性标志物之间的关系的调查,在这种情况下,自身抗体,和自身免疫性疾病1型糖尿病的进展。通过使用贝叶斯P样条,我们特别能够捕获高度非线性的受试者特异性标记物轨迹以及标记物与事件过程之间的时变关联,从而对疾病进展有新的见解。该模型是在贝叶斯框架内估计的,并在R-包bamlss中实现。
2017-01-20 stat.AP stat.ME
Bayesian Nonparametric Causal Inference for Quantile Residual Life: An Application to Alzheimer's Disease
U.S. FDA(美国食品药品监督管理局);Konkuk University(建国大学);Duke University(杜克大学);National Cancer Institute(美国国家癌症研究所)
本文提出一种贝叶斯非参数方法,用于估计阿尔茨海默病患者残余无痴呆时间的分位数,通过数据增强处理缺失基线协变量,支持临床相关的时间点分析,并评估残余未测量混杂因素的影响。
2026-07-29 stat.AP stat.ME
Bayesian Analysis of Epidemics - Zombies, Influenza, and other Diseases
流行动力学的数学模型为预测和控制传染病提供了重要的见解。疾病模型的动力学通常遵循易感、感染和恢复(SIR)模型,并进行一些标准修改。在本文中,我们将Munz et.al(2009)关于疾病动力学应用的工作扩展到所谓的“僵尸启示录”,然后将相同的方法应用于流感动力学。与Munz et.al(2009)不同,我们包括从流行文化电影中僵尸的特定片段中获取的数据,并将马尔可夫链蒙特卡罗(MCMC)方法应用于系统的改进动态表示。为了证明这种方法的有用性,除了有趣的例子之外,我们还将相同的方法应用于谷歌流感趋势数据,以确定感染率和恢复率。最后,我们讨论了使用的方法来探讨假设的干预政策,疾病暴发。
2013-11-27 q-bio.PE stat.AP
A Bayesian multivariate model with temporal dependence on random partition of areal data
针对蚊媒疾病数据,提出一种结合区域数据随机划分的贝叶斯多元时空模型,通过引入邻域信息的先验分布及多元有向无环图自回归结构,实现对区域簇的时间趋势聚类及疾病间时空相关性分析。
2024-01-16 stat.AP stat.ME
Bayesian multistate modelling of incomplete chronic disease burden data
确定公共卫生干预措施的长期健康影响的一个广泛使用的模型,通常称为“多状态生命表”,需要按年龄和性别估计多种疾病的发病率、病死率,有时还需要估计缓解率。一般而言,并非每种疾病和情况下都有关于发病率和病死率的直接数据。例如,我们可能知道人口死亡率和患病率,而不是病死率和发病率。本文提出了贝叶斯连续时间多状态模型估计疾病状态之间的转移率的基础上不完全的数据。这是建立在以前的方法,通过使用一个正式的统计模型与透明的数据生成假设,同时提供可访问的软件作为一个R包。不同年龄和地区的人的费率可以通过样条或分层模型灵活地关联。以前的方法也被扩展到允许通过日历时间的特定年龄的趋势。该模型是用来估计病死率为多种疾病在英格兰城市地区,发病率,患病率和死亡率数据的基础上,从全球疾病负担研究。这些估计数可用于为与这些疾病和地区有关的健康影响模型提供信息。比较了关于利率的不同假设,并检查了不同数据来源的影响。
2021-11-28 stat.AP
Bayesian Neural Networks for Genetic Association Studies of Complex Disease
从大型遗传关联研究中发现因果遗传变异带来了许多困难的挑战。评估哪些遗传标记参与决定性状状态是一项计算要求很高的任务,特别是在存在基因-基因相互作用的情况下。本文提出了一种贝叶斯神经网络形式的非参数贝叶斯方法,用于分析遗传关联研究。对合成和真实数据的演示表明,他们能够有效和准确地确定哪些变异参与确定病例对照状态。使用图形处理单元(GPU),构建这些模型所需的时间减少了几个数量级。与检测遗传相互作用的常用方法相比,贝叶斯神经网络在广泛的可能遗传关系中表现非常好,同时具有处理大型数据集所需的计算效率。
2014-04-16 q-bio.GN stat.AP stat.ML