A Bayesian Nonparametric Approach for Inferring Drug Combination Effects on Mental Health in People with HIV
虽然联合抗逆转录病毒疗法（ART）在抑制HIV感染者（PWH）的病毒载量方面非常有效，但许多ART药物可能会加剧中枢神经系统（CNS）相关的不良反应，包括抑郁症。因此，了解抗逆转录病毒药物对中枢神经系统功能，特别是精神健康的影响，可以帮助临床医生个性化治疗，减少对PWH的不良影响，并防止他们停止抗逆转录病毒治疗，以避免不良的健康结果和增加艾滋病毒传播的可能性。电子健康记录的出现为研究人员提供了前所未有的艾滋病毒数据，包括个人的心理健康记录，药物处方和临床信息。然而，由于药物组合空间的高维性、个体异质性和观察到的药物组合的稀疏性，对这样的数据进行建模是非常具有挑战性的。我们开发了一种贝叶斯非参数方法，以了解药物组合对PWH心理健康的影响，并根据社会人口统计学、行为和临床因素进行调整。所提出的方法是建立在子集树核方法，表示药物组合的方式，合成已知的方案结构成一个单一的数学表示。它还利用了距离依赖的中国餐馆的过程中聚类异质人群，同时考虑到个人的治疗历史。我们通过模拟研究评估所提出的方法，并将该方法应用于妇女机构间艾滋病毒研究的数据集，产生可解释的和有前途的结果。我们的方法在指导临床医生根据个人的治疗历史和临床特征开出更明智和有效的个性化治疗方面具有临床实用性。
2020-04-11 stat.ME
A Nonparametric Bayesian Local-Global Model for Enhanced Adverse Event Signal Detection in Spontaneous Reporting System Data
University at Buffalo（布法罗大学）
本文提出非参数贝叶斯模型，通过局部-全局混合狄利克雷过程先验，捕捉药物间不良事件信号关联，提升统计功效，通过MCMC算法和FDR控制框架实现高效信号检测。
2026-03-23 stat.AP stat.CO stat.ME
Bayesian Aggregation
统计学中的一个普遍挑战是在存在多个候选模型或学习算法的情况下进行预测。模型聚合试图将来自各个模型的所有预测分布组合起来，这比单一的模型选择更稳定和灵活。在这篇文章中，我们描述了何时以及如何在贝叶斯决策理论的镜头下聚合模型。在两个广泛使用的方法，贝叶斯模型平均（BMA）和贝叶斯叠加，我们比较他们的预测性能，并审查其理论最优性，概率解释，实际实施，并在复杂的模型扩展。
2021-05-17 stat.ME
Bayesian aggregation of two forecasts in the partial information framework
我们概括了\cite{SPU, SJPU}的结果，显示如何高斯聚合器可以计算的设置中，不需要参数估计。我们继续提供一个明确的公式为“一杆”聚合问题与两个预测。
2016-08-16 stat.ME
High-dimensional near-optimal experiment design for drug discovery via Bayesian sparse sampling
Chalmers University of Technology（查尔姆斯理工大学）；AstraZeneca AB（阿斯利康公司）
我们研究的问题进行自动化实验设计的药物筛选，通过贝叶斯推理和优化。特别是，我们比较和对比的线性高斯模型和高斯过程的行为，当与置信上限算法，汤普森采样，或有界水平树搜索。我们表明，非近视的复杂的探索技术，使用稀疏树搜索有一个明显的优势，如汤普森采样或置信上限在这种情况下的方法。我们证明了显着的优越性，该方法比现有的和合成的药物毒性数据集。
2021-04-23 cs.LG q-bio.QM stat.ML
Bayesian phase I/II adaptively randomized oncology trials with combined drugs
我们提出了一个新的综合I/II期试验设计，以确定最有效的剂量组合，也满足某些安全性要求的药物组合试验。我们首先采用贝叶斯Copula型模型进行I期剂量发现。在确定了一组容许剂量后，我们立即将整个剂量组推进到第二阶段。我们提出了一种新的自适应随机化方案，有利于分配患者更有效的剂量组合武器。我们的自适应随机化方案考虑了点估计和疗效的变异性。通过使用移动参考来比较治疗臂之间的相对疗效，我们的方法实现了区分不同臂的高分辨率。当疗效为迟发性时，我们还考虑分组自适应随机化。我们进行了广泛的模拟研究，以检查所提出的设计的操作特性，并说明我们的方法使用I/II期黑色素瘤临床试验。
2011-08-08 stat.AP
A dynamic Bayesian nonlinear mixed-effects model of HIV response incorporating medication adherence, drug resistance and covariates
HIV动态研究对了解HIV的发病机制和艾滋病患者的抗病毒治疗策略有重要意义。建立长期抗逆转录病毒（ARV）治疗期间病毒学应答与临床因素和协变量的关系对于开发有效的治疗方法非常重要。药物依从性是抗逆转录病毒治疗有效性的重要预测因子，但基于药物事件监测系统（MEMS）数据的依从率的适当决定因素对于预测病毒学结局至关重要。本文的主要目的是调查MEMS依从率的一些总结决定因素对HIV感染患者随时间重复测量的病毒学应答的影响。我们开发了一个基于机制的微分方程模型，考虑药物依从性，病毒对药物的敏感性和基线特征相互作用，以表征治疗开始后的长期病毒学应答。该模型将病毒载量、MEMS粘附性、耐药性和基线协变量完全整合到数据分析中。在这项研究中，我们采用了所提出的模型和相关的贝叶斯非线性混合效应建模方法来评估如何有效地使用MEMS粘附数据预测病毒学应答，并评估MEMS粘附率的每个汇总指标的预测能力。
2011-04-18 stat.AP
Bayesian Robust Learning in Chain Graph Models for Integrative Pharmacogenomics
对多水平药物基因组学数据进行综合分析，以建立各种生物学领域之间的依赖关系，对于开发基于基因组学检测的治疗方法至关重要。链图表征了这种多级数据的条件依赖结构，其中变量被自然地划分为多个有序层，由有向和无向边组成。现有的文献主要集中在高斯链图，这是不适合的非正态分布的重尾边缘，潜在地导致不准确的推断。我们提出了一个贝叶斯鲁棒链图模型（RCGM）的基础上随机变换的边缘使用高斯尺度的混合物来考虑节点级的非正态性连续的多变量数据。这种灵活的建模策略有助于识别非正常节点之间的条件符号依赖关系，同时仍然能够推断正常节点之间的条件依赖关系。在模拟中，我们证明了RCGM优于现有的高斯链图推理方法，从各种非正常机制产生的数据。我们将我们的方法应用于基因组，转录组和蛋白质组数据，以全面了解肺癌细胞系中药物反应和耐药性的潜在生物学过程。我们的分析揭示了关键信号通路对埃克替尼、厄洛替尼和奥希替尼等药物单药治疗的平台间和平台内依赖性，以及药物作用背后的分子机制的共享模式。
2021-11-22 stat.AP stat.ME
The BPgWSP test: a Bayesian Weibull Shape Parameter signal detection test for adverse drug reactions
Bielefeld University（比勒费尔德大学）
提出BPgWSP检验，基于贝叶斯幂广义威布尔分布形状参数，结合ROPE与可信区间，用于药物警戒中药物-不良事件关联的信号检测，并通过模拟优化参数。
2025-10-07 stat.ME
A Network-Structured Bayesian Hierarchical Model for Sparse Mutation-Drug Response Associations: Application to Cancer Pharmacogenomics
University of Ibadan（伊巴丹大学）；Worcester Polytechnic Institute（伍斯特理工学院）
提出网络结构贝叶斯层次模型，结合GMRF与马蹄形先验及共轭吉布斯采样，在癌症药物基因组学中识别稀疏、可解释且外部支持的基因-药物敏感性关联，并支持组织特异性分析。
2026-09-09 q-bio.GN q-bio.QM stat.AP
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
Statistical methods for automated drug susceptibility testing: Bayesian minimum inhibitory concentration prediction from growth curves
确定防止微生物生长的药物的最低抑菌浓度（MIC）是管理感染患者的重要步骤。在本文中，我们提出了一种新的概率方法，准确地估计MIC的基础上面板的多个曲线反映细菌生长的功能。我们开发了一个概率模型，用于确定给定的抗菌剂稀释度是否是MIC，给出了随时间推移的生长曲线的特征。由于潜在的大量特征集合，我们利用贝叶斯模型选择将预测变量的集合缩小到最重要的变量。除了MIC的点估计值外，我们还能够根据观察到的生长曲线提供每个稀释度为MIC的后验概率。该方法易于自动化，并已被纳入Becton-Dickinson PHOENIX自动化药敏系统，该系统可快速准确地对临床样本中大量微生物的耐药性进行分类。迄今为止，已有超过75项研究表明，这种新方法比现有方法更好地估计了MIC。
2009-08-20 stat.AP
Bayesian model selection in logistic regression for the detection of adverse drug reactions
动机：自发性不良事件报告在检测药物不良反应方面具有很高的潜力。然而，由于其规模，探索这些数据库需要统计方法。在这方面，采取了预防措施。然而，通过将数据投影到列联表上，这些方法对共同处方和掩蔽效应的问题变得敏感。最近，逻辑斯谛回归已被用于Lasso型惩罚，以检测药物和不良事件之间的关联。然而，刑罚价值的选择却在很大程度上影响着刑罚结果的同时，也是一个值得商榷的问题。结果：在本文中，我们建议使用逻辑斯谛回归，其稀疏性被视为模型选择的挑战。由于模型空间巨大，梅特罗波利斯-黑斯廷斯算法通过最大化BIC准则来执行模型选择。因此，我们避免了惩罚或阈值的校准。在法国药物警戒数据库的应用中，将所提出的方法与参考数据集上的成熟方法进行了比较，并获得了更好的阳性和阴性对照率。然而，许多信号没有被所提出的方法检测到。因此，我们得出结论，该方法应与现有药物警戒措施并行使用。
2015-06-18 stat.AP stat.CO
Bayesian modelling of response to therapy and drug-sensitivity in acute lymphoblastic leukemia
本文提出考虑左删失与缓解状态的贝叶斯自回归MRD模型，结合体外药物敏感性和马蹄形先验选择变量，揭示其与白血病亚型对儿童ALL诱导治疗反应的重要影响。
2023-11-08 stat.AP
Bayesian tensor factorization for predicting clinical outcomes using integrated human genetics evidence
Global Blood Therapeutics（Global Blood Therapeutics（全球血液治疗公司））
候选药物的批准成功率非常低，大多数失败是由于安全性和有效性。越来越多的关于靶点、药物分子和适应症的高维信息为ML方法提供了整合多种数据模式并更好地预测临床上有前景的药物靶点的机会。值得注意的是，具有人类遗传学证据的药物靶点被证明有更好的成功几率。然而，最近的一种基于张量因子分解的方法发现，关于目标和适应症的额外信息可能不一定会提高预测准确性。在这里，我们通过整合从公开来源整理的不同类型的人类遗传学证据来重新审视这种方法，以支持每个目标-适应症对。我们使用贝叶斯张量因子分解来表明，与使用单线遗传学证据的模型相比，结合所有可用的人类遗传学证据（罕见疾病，基因负担，常见疾病）的模型适度改善了临床结果预测。我们对不同类型的人类遗传学证据的相对预测能力提供了额外的见解，以预测临床结果的成功。
2022-07-25 cs.LG q-bio.GN stat.AP
Sparse Functional Data Classification via Bayesian Aggregation
针对稀疏函数型数据分类难题，提出融合 FPCA、bootstrap 概率聚合与 Bayesian GLM 贝叶斯校准的方法，模拟和三项真实数据分析均验证其准确率优于传统方法。
2025-03-13 stat.CO
Aggregation by exponential weighting, sharp PAC-Bayesian bounds and sparsity
研究了确定性设计回归模型中平方损失下的聚集问题。我们得到尖锐的PAC贝叶斯风险界定义通过指数权重的聚集，在一般假设下的分布误差和聚集的功能。然后，我们应用这些结果来推导稀疏预言不等式。
2013-03-22 math.ST stat.TH
Drug response prediction by inferring pathway-response associations with Kernelized Bayesian Matrix Factorization
Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所）；Aalto University（阿尔托大学）；Institute for Molecular Medicine Finland FIMM（芬兰分子医学研究所）；University of Helsinki（赫尔辛基大学）；Science for Life Laboratory（生命科学实验室）；Karolinska Institutet（卡罗林斯卡学院）；University of Turku（图尔库大学）
计算个性化医学的一个关键目标是系统地利用样本的基因组和其他分子特征来预测先前未见过的样本的药物反应。这样的预测是有价值的发展假说，为个体患者量身定制的选择治疗。这在肿瘤学中特别有价值，其中细胞的分子和遗传异质性对反应有重大影响。然而，预测任务极具挑战性，因此需要能够有效建模和预测药物反应的方法。在这项研究中，我们提出了一种新的多任务矩阵分解的配方，允许选择性的数据整合预测药物反应。为了解决建模任务，我们扩展了最先进的核化贝叶斯矩阵分解（KBMF）方法与组件明智的多核学习。此外，我们的方法利用已知的途径信息在一个新的和生物学意义的方式来学习药物反应协会。我们的方法在两个公开的癌症数据集以及合成数据集上定量地优于预测药物反应的现有技术。此外，我们使用内部癌细胞系面板通过实验室实验验证了我们的模型预测。最后，我们展示了所提出的方法的实际适用性，利用先验知识来推断路径药物反应协会，开辟了阐明药物作用机制的机会。我们证明，通路反应协会可以通过所提出的模型为众所周知的EGFR和MEK抑制剂。
2016-06-11 cs.LG q-bio.QM stat.ML
PAC-Bayesian aggregation of affine estimators
使用指数权重的聚合估计取决于他们的风险似乎是最佳的期望，但不是概率。我们在这里使用一个轻微的overpenalization得到这样一个显式的聚集过程的概率的甲骨文不等式。我们专注于固定的设计回归框架和仿射估计的聚合，并获得结果的一个大家庭的仿射估计不一定独立的亚高斯噪声假设。
2018-01-31 math.ST stat.TH
A Comparison of Prior Elicitation Aggregation using the Classical Method and SHELF
从专家那里得到的主观贝叶斯先验分布可以聚集在一起形成组先验。本文比较聚合先验形成的等权重聚合，经典的方法，和谢菲尔德启发框架彼此和个人的专家先验，使用专家启发进行临床试验。使用适当的评分规则比较聚合方法和个体专家先验分布，以比较分布的信息性和校准。这三种聚合方法的性能优于单个专家，其中Sheffield启发式框架的性能最好。
2021-06-28 stat.AP stat.ME
Data aggregation can lead to biased inferences in Bayesian linear mixed models and Bayesian ANOVA: A simulation study
本文通过模拟研究证明，在贝叶斯线性混合模型和贝叶斯方差分析中，对受试者层面聚合数据进行零假设检验会产生有偏的贝叶斯因子，并指出在非聚合数据上建模完整随机效应结构可避免或减少该问题。
2023-08-14 stat.ME
Optimizing Interim Analysis Timing for Bayesian Adaptive Commensurate Designs
在开发罕见病产品时，由于可参与药物试验和其他临床研究的患者数量有限，因此会出现统计挑战。贝叶斯适应性临床试验设计通过纳入外部来源的证据（历史数据、专家意见和真实世界证据）以及中期外观规范的灵活性，提供了提高统计效率、降低开发成本和预防伦理风险的可能性。在本文中，我们提出了一种新的贝叶斯自适应相称设计，自适应地借用历史信息，并使用一个特定的支付函数来优化研究的中期分析的时间。试验收益是通过提前停止可以节省多少样本以及对无效或有效做出正确早期决策的概率的函数。我们校准我们的贝叶斯算法具有可接受的长期运行的频率属性（第一类错误和电源），通过模拟在设计阶段。我们使用儿科试验设计环境来说明我们的方法，该试验设计环境测试新药对罕见遗传疾病的影响。optimIA R包可在https://github.com/wxwx1993/Bayesian_IA_Timing上获得，它提供了我们方法的易于使用的实现。
2019-09-18 stat.AP stat.CO stat.ME
PKComb-BOIN12: A Pharmacokinetically Guided Bayesian Design for Dose Optimisation in Oncology Drug-Combination Trials
Global Statistical Sciences, Eli Lilly and Company（礼来公司全球统计科学部）；Department of Biostatistics, The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心生物统计学系）；Population Health Sciences Institute, Newcastle University（纽卡斯尔大学人口健康科学研究所）
针对肿瘤联合试验剂量优化，提出PKComb-BOIN12贝叶斯设计，将PK暴露指标融入剂量递增与可接受集约束，通过序理想消除和分层校准提升决策准确性，并扩展至迟发结局。
2026-10-06 math.ST stat.AP stat.ME
Minimax Optimal Bayesian Aggregation
通常认为，集成方法结合了多种算法或模型，可以在机器学习任务（如预测）中优于任何单一算法。在本文中，我们提出了贝叶斯凸和线性聚合方法的回归应用程序的动机。我们表明，所提出的方法是极小极大最优的真实数据生成模型是一个凸或线性组合的模型列表中。此外，该方法可以适应稀疏结构，其中某些模型应该得到零权重，该方法是调整参数自由不同于竞争对手。更一般地说，在M-开放观点下，当真相落在所有凸/线性组合的空间之外时，我们的理论表明后验测度往往集中在极小极大率下真相的最佳逼近上。我们说明了通过模拟研究和几个应用程序的方法。
2014-03-06 math.ST stat.ME stat.ML
Bayesian Benefit Risk Analysis
批准和评估新药的过程往往相当复杂，主要是因为需要考虑多种标准。一种标准的方法是进行获益风险分析，通常是在贝叶斯范式下考虑不确定性，并将数据与专家判断相结合，通过多标准决策分析（MCDA）评分进行操作。该程序是基于一个合适的模型，以适应数据的关键特征，这通常是混合类型和潜在的依赖，因子模型提供了一个标准的选择。本文的贡献是三方面的：首先，我们扩展了现有的结构因子模型的家庭。其次，我们提供了一个框架，在它们之间进行选择，它结合了拟合和样本外预测性能。第三，我们提出了一个序贯估计框架，可以提供多种好处：（i）它允许我们有效地重新估计不同药物的MCDA评分每次新的数据变得可用，从而了解它们之间的差异的潜在波动，（ii）它可以提供关于在明显结论的情况下潜在的早期停止的信息，从而减少不必要的进一步暴露于不希望的治疗;（iii）它可能允许基于研究目标动态地分配治疗组。序贯估计的一个缺点是增加了计算时间，但这可以减轻有效的序贯蒙特卡罗计划，我们在本文中量身定制的贝叶斯效益风险分析的背景下。所开发的方法说明了对II型糖尿病患者的管理二甲双胍（MET），罗格列酮（RSG）和两者的组合（AVM）的真实数据。
2022-04-29 stat.AP stat.ME
Identifying Bayesian Optimal Experiments for Uncertain Biochemical Pathway Models
针对参数和实验数据不确定的药效学生化通路模型，提出贝叶斯最优实验设计方法，以定量选择最能降低预测不确定性的前瞻性实验。
2023-09-26 q-bio.MN stat.AP stat.CO
A Bayesian Evidence Synthesis Approach to Estimate Disease Prevalence in Hard-To-Reach Populations: Hepatitis C in New York City
估计纽约市（NYC）慢性丙型肝炎（HCV）患病率的现有方法范围有限，无法评估难以接触的高风险亚群，如注射毒品使用者（IDUs）。为了解决这些局限性，我们采用贝叶斯多参数证据合成模型，系统地结合多个数据来源，在某些数据来源的偏见，并提供无偏的HCV患病率估计与相关的不确定性。我们的方法通过明确考虑注射毒品使用并包括来自高风险亚群（如被监禁者）的数据，改进了以前的估计，并且更具包容性，利用了10个纽约市数据来源。此外，我们推导出两个新的方程，允许年龄在第一次注射毒品使用数据的前和当前的注射吸毒者被纳入贝叶斯证据合成，第一次为这种类型的模型。截至2012年，我们估计纽约市20-59岁成年人的总体HCV患病率为2.78%（95% CI 2.61-2.94%），代表124，900至140，000例慢性HCV病例。这些估计表明，纽约市的HCV流行率高于先前从家庭调查（2.2%）和监测系统（2.37%）中显示的，并且在纽约市年轻注射成年人中HCV传播正在增加。从我们的研究结果中获得的一个附带好处是对纽约市目前20-59岁的注射吸毒者的估计：0.58%或27，600人。
2018-01-14 stat.AP
Nonparametric Bayesian Aggregation for Massive Data
我们开发了一套可扩展的贝叶斯推理程序的一般类的非参数回归模型。具体地说，非参数贝叶斯推理分别对每个子集随机分裂的海量数据集，然后获得的局部结果聚合成全球同行。这个聚合步骤是显式的，不涉及任何额外的计算成本。通过仔细的分区，我们表明，我们的聚合推理结果获得的Oracle规则的意义上说，他们是等同于那些直接从整个数据（这是计算禁止）。例如，一个聚合的可信球达到了期望的可信度水平，也频率覆盖，同时拥有相同的半径的预言球。
2019-09-04 math.ST stat.TH
Evaluating amyloid-beta as a surrogate endpoint in trials of anti-amyloid drugs in Alzheimer's disease: a Bayesian meta-analysis
本文通过贝叶斯荟萃分析评估Aβ作为阿尔茨海默病抗淀粉样蛋白药物试验中临床功能替代终点的有效性，发现Aβ在整体水平上是CDR-SOB的潜在替代终点，但仅在lecanemab和aducanumab中表现出足够的替代关系。
2025-04-09 stat.AP
Decision Making in Drug Development via Inference on Power
Merck & Co., Inc.（默克公司）
本文通过推断功率方法改进药物开发中的决策，指出传统功率计算和成功概率的平均方法无法有效控制风险，提出基于推断功率的决策方法以提升风险管理和决策质量。
2026-05-10 stat.AP 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
Adaptive Bayesian Online Learning via Expert Aggregation
Inha University（仁荷大学）
研究如何改进贝叶斯在线学习，将其更新规则视为专家，按顺序预测损失聚合专家。通过在线共形推理和高斯过程回归实例化框架，得到平滑贝叶斯对应物及神谕不等式，实验显示聚合能跟踪强大专家且无需神谕专家选择。
2026-07-23 cs.LG stat.ML
Generalized Robust Bayesian Committee Machine for Large-scale Gaussian Process Regression
Nanyang Technological University（南洋理工大学）；Applied Technology Group, Rolls-Royce Singapore（新加坡劳斯莱斯应用技术集团）；Data Science and Artificial Intelligence Research Center, Nanyang Technological University（南洋理工大学数据科学与人工智能研究中心）
为了将标准高斯过程（GP）回归扩展到大规模数据集，聚合模型采用因子分解的训练过程，然后组合来自分布式专家的预测。然而，最先进的聚合模型要么提供不一致的预测，要么需要耗时的聚合过程。我们首先证明了不相交或随机数据划分的典型聚集的不一致性，然后提出了一个一致的，但有效的大规模GP聚集模型。所提出的模型继承了聚合的优点，例如，封闭形式的推理和聚合，并行化和分布式计算。此外，理论和实证分析表明，新的聚合模型表现更好，由于一致的预测，收敛到真正的底层函数时，训练规模接近无穷大。
2018-06-03 cs.LG stat.ML
A bayesian reanalysis of the phase III aducanumab (ADU) trial
在本文中，我们对Biogen宣布的III期aducanumab（ADU）汇总统计量进行了重新分析，特别是临床痴呆评分总和（CDR-SB）的结果。结果表明，关于该药物疗效的证据非常低，在贝叶斯框架中对临床试验结果有了更清晰的认识，这对该领域的未来发展和研究是有用的。
2021-07-10 stat.AP
Measuring the Demand Effects of Formal and Informal Communication : Evidence from Online Markets for Illicit Drugs
我提出的证据表明，市场参与者之间的沟通是对市场需求的重要影响。我发现，消费者的需求是大约同样的影响，正式和非正式的网络，即产品评论和社区论坛的沟通。此外，我发现经验证据的供应商的能力，致力于披露抑制需求的沟通效果。我还发现，产品需求是更敏感的平均客户情绪的消息的数量的增长，可以预期在贝叶斯更新框架。
2018-02-24 econ.EM stat.AP
Mixture-of-experts Wishart model for covariance matrices with an application to Cancer drug screening
Norwegian Institute of Public Health（挪威公共卫生研究所）；University of Oslo（奥斯陆大学）
本文提出了一种混合专家Wishart模型，用于分析异质协方差数据，并应用于癌症药物敏感性分析。
2026-02-14 stat.AP stat.CO stat.ME
A Bayesian hierarchical modeling approach to combining multiple data sources: A case study in size estimation
为了有效防治艾滋病毒/艾滋病流行病，在某些关键人群中采取有针对性的干预措施至关重要。这类关键人群的例子包括性工作者、注射毒品者和男男性行为者。虽然准确估计这些关键人群的规模很重要，但很难直接接触或统计这些人群的成员。因此，使用间接方法来产生规模估计。已经提出了多种方法来估计这类人群的规模，但往往得出相互矛盾的结果。因此，必须有一个原则性的方法来合并和调和这些估计数。为此，我们提出了一个贝叶斯分层模型，估计的大小，结合多个估计从不同的信息来源的关键人群。所提出的模型利用多年的数据，并明确建模所使用的数据源中的系统误差。我们使用该模型来估计在乌克兰注射毒品的人数。我们评估模型的适当性，并比较每个数据源对最终估计的贡献。
2021-07-13 stat.AP
Perturbation Detection Through Modeling of Gene Expression on a Latent Biological Pathway Network: A Bayesian hierarchical approach
细胞对扰动的反应是在复杂网络中连接的生物变量的动态系统的结果。药物和疾病研究的一个主要挑战是确定生物网络中决定细胞命运的关键因素。在这里，我们的目标是从高通量基因表达数据中识别受干扰的途径。我们开发了一个三层次的模型，其中（i）第一级捕获基因表达和生物途径之间的关系，使用验证性因子分析，（ii）第二级模型的行为在一个潜在的网络内的途径诱导的未知扰动使用条件自回归模型，和（iii）第三个层次是一个尖峰和平板之前的扰动。然后，我们通过基于后验的变量选择来识别扰动。我们说明了我们的方法，使用基因转录药物扰动配置文件从DREAM7药物敏感性预测挑战数据集。我们提出的方法识别了已知发挥致病作用且使用基因集富集分析或探索性因子模型无法轻易解决的调节途径。仿真结果评估该模型的性能相对于一个网络的自由的变体和它的鲁棒性在生物数据库中的不准确性。
2014-09-01 q-bio.MN stat.AP
Online Label Aggregation: A Variational Bayesian Approach
Delft University of Technology（代尔夫特理工大学）；Tsinghua University（清华大学）；ABB Research（ABB研究院）
对于众包内容来说，嘈杂的标记数据更像是一种常态，而不是罕见的。通过人群工作者的聚集结果来提取噪声并推断正确的标签是有效的。为了确保时间相关性并克服工人的缓慢响应，越来越多地要求在线标签聚合，需要能够通过数据项的子集增量地推断真实标签分布的解决方案。在本文中，我们提出了一种新的在线标签聚合框架，BiLA，它采用变分贝叶斯推理方法，并设计了一种新的随机优化方案的增量训练。BiLA是灵活的，以适应任何生成的标签分布的精确计算其后验分布。我们还推导出所提出的优化的收敛界。我们比较BiLA与最先进的最小最大熵，神经网络和期望最大化算法的基础上，合成和真实世界的数据集。我们对各种在线场景的评估结果表明，BiLA可以有效地推断真实标签，对于合成和真实世界的数据集，出错率分别降低至少10到1.5个百分点。
2020-11-15 cs.LG stat.ML
Bayesian Analysis of Static Light Scattering Data for Globular Proteins
静态光散射是一种流行的物理化学技术，其能够计算大分子的物理属性，例如回转半径和第二维里系数（例如，聚合物或蛋白质）。第二维里系数是表征粒子之间成对相互作用的大小和符号的物理量，因此与聚集倾向有关，这是一个具有相当大的科学和实际意义的属性。从实验数据中估计第二维里系数是具有挑战性的，由于所需的精度和所涉及的误差结构的复杂性。与传统的方法相比，基于启发式OLS估计，贝叶斯推断的第二维里系数允许明确建模的错误过程，纳入先验信息，并能够直接测试竞争的物理模型。在这里，我们介绍了一个完整的贝叶斯模型的静态光散射实验的小颗粒系统，与联合推断的浓度，折射率，低聚物的大小，和第二维里系数。我们应用我们提出的模型来研究聚集行为的鸡蛋清溶菌酶和人γ-晶体蛋白使用内部的实验数据。基于这些观察结果，我们还对这一系列实验中不确定性的主要驱动因素进行了模拟研究，特别是显示了改进浓度监测和控制以辅助推断的潜力。
2020-10-31 stat.AP stat.ME
Bayesian Mendelian randomization with study heterogeneity and data partitioning for large studies
背景资料：当随机对照试验不可行时，孟德尔随机化（MR）是从观察性研究中进行因果推断的一种有用方法。然而，MR所需的两项关联研究的研究异质性往往被忽视。在处理大型研究时，最近开发的贝叶斯MR受到其计算昂贵的限制。方法：我们提出了一个随机效应贝叶斯MR模型与多个曝光和结果研究异质性。对于大型研究，我们采用了子集后验聚合方法来解决计算问题。特别是，我们将数据划分为子集，并结合从子集中获得的估计子集因果效应。我们的方法的性能进行了评估，通过一些模拟，其中部分曝光数据丢失。结果如下：随机效应贝叶斯MR优于传统的逆方差加权估计，无论真正的因果效应是零或非零。大型研究的数据划分对估计的因果效应的变化影响不大，但在工具较弱和数据缺失率较高的情况下，它显著影响估计的无偏性。我们的模拟结果表明，数据划分是一个很好的方式，提高计算效率，为小的成本，减少无偏的估计，只要样本量的子集是合理的大。结论：我们通过包括随机效应来明确解释研究异质性，进一步推进了贝叶斯MR。我们还采用了一个子集后验聚合方法来解决MCMC的计算昂贵的问题，这是非常重要的，特别是在处理大型研究。我们提出的工作很可能为更一般的模型设置铺平道路，因为贝叶斯方法本身在模型构建中具有很大的灵活性。
2021-12-15 stat.AP stat.ME
Bayesian dose-regimen assessment in early phase oncology incorporating pharmacokinetics and pharmacodynamics
肿瘤学的I期剂量探索试验旨在确定特定时间表下药物的最大耐受剂量（MTD）。评价药物时间表的目的是在保持疗效的同时提高治疗安全性。然而，虽然我们可以合理地假设毒性随着细胞毒性药物剂量的增加而增加，但毒性与多种方案之间的关系仍然难以捉摸。我们提出了一种贝叶斯剂量方案评估方法（DRtox），使用药代动力学/药效学（PK/PD）信息来估计最大耐受剂量方案（MTD方案），在试验的剂量递增阶段结束时推荐用于下一阶段。我们通过PD终点对二元毒性进行建模，并通过剂量-方案PD模型和PD毒性模型的整合来估计剂量-方案毒性关系。对于剂量方案PD模型，我们考虑了非线性混合效应模型，对于PD毒性模型，我们提出了以下两种贝叶斯方法：logistic模型和分层模型。我们通过各种情景下的模拟研究评估了DRtox的运行特性。结果表明，我们的方法优于传统的基于模型的设计，表现出更高的百分比正确选择MTD方案。此外，在DRtox中纳入PK/PD信息有助于为整个剂量-方案毒性曲线提供更精确的估计值;因此，DRtox可能会为扩展队列推荐替代的未经测试的方案。一旦收集到所有毒性和PK/PD数据，应在正在进行的复发性或难治性急性髓性白血病患者试验（NCT 03594955）的剂量递增阶段结束时应用DRtox。
2020-11-23 q-bio.QM stat.ME
A Generative Bayesian Model for Aggregating Experts' Probabilities
Stanford University（斯坦福大学）
为了改进预测，决策者通常将各种来源给出的概率结合起来，例如人类专家和机器学习分类器。当几乎没有训练数据可用时，可以通过合并关于被预测的事件和关于专家的显著属性的先验知识来改进聚合。为此，我们开发了一个生成贝叶斯聚集模型的概率分类。该模型包括一个事件特定的先验，个别专家的偏见，校准，准确性的措施，和专家之间的依赖性的措施。而不是需要绝对的措施，我们表明，聚合可以表示在专家之间的相对准确性。该模型的结果在一个加权对数意见池（LogOps），满足一致性标准，如外部贝叶斯属性。我们推导出独立的和可交换的专家的解析解。实证检验表明，该模型的使用，比较其准确性与其他聚合方法。
2012-07-11 cs.LG stat.ML
A Hybrid Prior Bayesian Method for Combining Domestic Real-World Data and Overseas Data in Global Drug Development
针对多源数据整合中的异质性与偏倚问题，提出新型混合贝叶斯框架EQPS-rMAP，通过倾向评分分层等机制实现数据可靠整合，提升试验效率与准确性，为混合临床试验设计提供实证支持。
2025-05-18 math.ST stat.ME stat.TH
Bayesian Robust Aggregation for Federated Learning
Scaleout Systems（Scaleout系统公司）；Science for Life Laboratory（生命科学实验室）
针对联邦学习中恶意客户端数量未知且攻击随时间变化的问题，本文提出一种基于贝叶斯推理的自适应鲁棒聚合方法，在保持经典平均估计器简洁性的同时，在多个基准数据集上取得了最先进的鲁棒性能。
2025-05-05 cs.LG stat.ML
Hierarchical Stochastic Model in Bayesian Inference: Theoretical Implications and Efficient Approximation
本文将文献中的多层贝叶斯模型分为两类，即多层先验模型（HPM）和多层随机模型（HSM）。然后，我们重点研究了高速模型的理论含义。使用多项式函数的例子，我们表明，HSM是能够分离系统中不同类型的不确定性和量化的降阶模型的不确定性下的贝叶斯模型类选择框架。针对高速模型分析计算量大的问题，提出了一种基于重要性抽样和经验插值方法的高速模型逼近方法。我们用两个例子来说明我们的方法-氪的分子动力学模拟和抗癌药物的药代动力学/药效学模型。
2016-11-09 stat.AP
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
An Efficient Search Strategy for Aggregation and Discretization of Attributes of Bayesian Networks Using Minimum Description Length
贝叶斯网络是表示大量随机变量之间的复杂关系的高维概率分布的方便的图形表达。它们被广泛应用于生物信息学、人工智能、诊断和风险管理等领域。从数据中恢复网络的结构对于建模、分析和预测是至关重要的。文献中的大多数恢复算法假设连续但高斯的离散数据。对于一般的连续数据，通常采用离散化，但往往会破坏要恢复的结构。Friedman和Goldszweek提出了一种基于最小描述长度原则的方法，该方法选择了保留原始数据集中信息的离散化，但是即使对于中等规模的网络，也很难实现。在本文中，我们提供了一个非常有效的搜索策略，它允许人们在实践中使用的弗里德曼和Goldszerosis离散化。
2014-04-03 stat.ML
Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology
University of Potsdam（波茨坦大学）；Institute of Mathematics（数学研究所）；Institute of Pharmacy（药剂学研究所）
使用治疗药物/生物标志物监测的模型通知精确给药（MIPD）提供了显著改善药物治疗的疗效和安全性的机会。目前的策略包括模型知情的剂量表或基于最大后验估计。然而，这些方法缺乏对不确定性的量化和/或仅考虑可用的患者特异性信息的一部分。我们提出了三种新的MIPD方法，采用贝叶斯数据同化（DA）和/或强化学习（RL）来控制中性粒细胞减少症，这是抗癌化疗中的主要剂量限制性副作用。与现有方法相比，这些方法有可能大幅降低危及生命的4级和亚治疗0级中性粒细胞减少症的发生率。我们进一步表明，RL允许通过识别驱动剂量决策的患者因素来获得进一步的见解。由于其灵活性，所提出的组合DA-RL方法可以很容易地扩展到整合多个终点或患者报告的结果，从而为未来的个性化治疗带来重要的益处。
2020-06-01 cs.LG q-bio.QM stat.AP
Multivariate Bayesian dynamic modeling for causal prediction
本研究提出用于因果推断的多元贝叶斯动态建模方法，通过共轭模型实现高效序贯学习与不确定性量化，经超市促销实验验证，凸显跨处理组因果推断中恰当不确定性量化的重要性。
2024-06-19 stat.ME
Improving the Performance of Bayesian Logistic Regression Model with Overdose Control in Oncology Dose-Finding Studies
准确确定的最大耐受剂量（MTD）是肿瘤药物开发后续阶段成功的基石。贝叶斯逻辑斯谛回归模型（BLRM）是一种流行的和通用的基于模型的剂量探索设计。然而，据报道，采用原始过量控制策略的BLRM是安全的，但“过于保守”。在这篇手稿中，我们调查了保守性的原因，并指出一个主要原因可能是缺乏适当的剂量不足控制。我们提出了平衡过量和剂量不足控制的设计，以提高原始BLRM的性能。仿真结果表明，新的设计具有更好的准确性和治疗更多的患者在MTD。
2021-05-14 stat.ME
On an Approach to Bayesian Sample Sizing in Clinical Trials
本文探讨了临床试验中贝叶斯样本量的确定方法。这种方法属于通常所谓的“正确的贝叶斯”范畴，因为它没有将频率论概念与贝叶斯概念混合在一起。根据后验概率定义“成功试验”的标准，使用数据的边缘分布评估其概率，该概率构成选择样本量的基础。我们用临床试验中的一个标准问题来说明，即确定新药优于对照药物。
2012-04-19 math.ST stat.ME stat.TH
Bayesian Model Averaging with Exponentiated Least Square Loss
模型平均问题是对多个模型进行平均，以实现在均方误差方面不比最佳单个模型差多少的预测精度。众所周知，如果模型被错误指定，模型平均优于模型选择。具体而言，假设样本量为$n$，则前者的最差情况后悔以$O(1/n)$的速率衰减，而后者的最差情况后悔以$O(1/\sqrt{n})$的速率衰减。最近提出的$Q$ -聚合算法\citep{DaiRigZhang12}解决了模型平均问题，在期望和偏差中具有$O(1/n)$的最佳遗憾;然而，它有两个局限性：（1）对于连续字典，所提出的用于求解$Q$ -聚合的贪婪算法不适用;（2）$Q$-聚合的公式化似乎是自组织的，没有明确的直觉。本文探讨了一种不同的方法来模型平均考虑贝叶斯估计偏差最优模型平均使用指数最小二乘损失。我们建立了这个估计量和$Q$ -聚集的原-对偶关系，并提出了新的贪婪程序，满意地解决了上述限制$Q$ -聚集。
2018-02-27 math.ST stat.TH
Dose-response modeling in high-throughput cancer drug screenings: An end-to-end approach
基于患者肿瘤分子谱的个性化癌症治疗是肿瘤学中新兴且令人兴奋的一类治疗。随着基因组肿瘤分析变得越来越普遍，针对特定分子改变的靶向治疗正在获得牵引力。为了发现可能适用于与某些分子模式匹配的广泛类型的肿瘤的新的潜在治疗方法，实验学家和药理学家依赖于针对许多不同细胞系的许多化合物的高通量体外筛选。我们提出了一个分层贝叶斯模型，癌细胞系如何在这些实验中对药物作出反应，并开发了一种方法，用于将该模型拟合到真实世界的高通量筛选数据。通过案例研究，该模型显示出捕获分子特征和药物反应之间的非平凡关联，例如需要野生型TP 53和MDM 2的过表达对Nutlin-3敏感（a）。在定量基准测试中，该模型优于生物学中的标准方法，在保留数据上的预测误差降低了约20%。当与条件随机化测试程序相结合时，该模型发现了治疗反应的生物标志物，这些生物标志物概括了已知的生物学，并提出了新的研究途径。论文的所有代码都可以在https://github.com/tansey/deep-dose-response上公开获得。
2020-05-22 stat.AP
