High-dimensional order-free multivariate spatial disease mapping
针对大区域面域空间数据多元疾病制图计算负担重的问题，提出一种基于分区与共识蒙特卡洛的无阶多元可扩展贝叶斯方法，用INLA在bigDM中实现，可高效分析多疾病大数据并取得更优结果。
2022-10-26 stat.CO stat.ME
Approximate Bayesian Inference for the Interaction Types 1, 2, 3 and 4 with Application in Disease Mapping
我们在本文中解决了一个新的方法来拟合时空模型与应用在疾病映射使用的相互作用类型1，2，3和4。当我们考虑疾病映射模型中的时空相互作用时，推理在揭示数据中的未知模式方面变得更加有用。然而，当位置数量和/或时间点数量很大时，由于推理所需的大量约束，推理在计算上变得具有挑战性，并且这适用于各种推理架构，包括马尔可夫链蒙特卡罗（MCMC）和集成嵌套拉普拉斯近似（INLA）。我们重新制定INLA方法的基础上，密集矩阵，以适应固有的时空模型与四种类型的相互作用和帐户的总和为零的约束，并讨论如何新的方法可以实现在一个高性能的计算框架。使用新方法的计算时间不依赖于约束的数量，并且在现实场景中可以达到比INLA快40倍的速度。通过仿真研究和实际数据应用验证了该方法，并在R包INLAPLUS和Python头函数inla 1234（）中实现。
2022-06-18 stat.CO stat.ME stat.OT
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
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
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
Improved prediction accuracy for disease risk mapping using Gaussian Process stacked generalisation
传染病地图-绘制感染力、地方病程度和人类健康负担的空间变化-为支持全球卫生目标的规划提供了重要的证据基础。当代疾病绘图工作采用了统计建模方法，以适当承认现有测量及其空间插值中的不确定性。最常见的这种方法是高斯过程回归，这是一种数学框架，由两个部分组成：利用多个独立变量的预测能力的均值函数，以及针对均值的残差变化产生时空收缩的协方差函数。虽然已经开发了许多技术来改进协方差函数的灵活性和拟合，但是用于均值函数的模型通常被限制为简单的线性项。对于已知由环境和社会经济因素之间的复杂相互作用驱动的传染病，改进均值函数的建模可以大大提高预测能力。在这里，我们提出了一种集成方法的基础上堆叠的概括，允许多个，非线性算法的平均函数被联合嵌入在高斯过程框架内。我们应用这种方法来映射在撒哈拉以南非洲地区的恶性疟原虫流行率数据，并表明广义集成方法显着优于任何个人的方法。
2016-12-10 stat.AP stat.ML
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
Disease Mapping via Negative Binomial Regression M-quantiles
我们介绍了一个半参数的方法，生态回归疾病映射，建模的基础上回归M-分位数的负二项变量。该方法对模型协变量中的异常值具有鲁棒性，包括由于测量误差引起的异常值，并且可以解释空间异质性和空间聚类。基于著名的苏格兰唇癌数据集的模拟实验是用来比较的M-分位数建模方法和疾病映射的随机效应建模方法。这表明M分位数方法导致预测的相对风险比标准疾病映射方法具有更小的均方根误差。本文最后说明性的应用M分位数的方法，映射低出生体重的发病率数据，为2005年至2010年的英国地方政府区。
2013-10-12 stat.ME
Joint Quantile Disease Mapping with Application to Malaria and G6PD Deficiency
与均值回归方法相比，基于分位数回归方法的统计分析更全面、灵活，对离群值的敏感性更低。当对不同疾病之间的联系感兴趣时，关节疾病映射对于测量它们之间的方向相关性是有用的。大多数研究通过多重相关均值回归来研究这种联系。在本文中，我们提出了一个联合分位数回归框架，多个疾病，不同的分位数水平可以考虑。我们的动机是疟疾的存在和基因缺陷G6PD之间的理论联系，其中医学科学家已经发现了高水平的G6PD和低于预期水平的疟疾之间的可能联系，最初指向G6PD的发生抑制疟疾的发生。这种联系不能用均值回归来研究，因此需要在疾病映射框架中进行灵活的关节分位数回归。我们的联合分位数疾病映射模型可以用于随机样条的协变量的线性和非线性效应，因为我们将其定义为潜在高斯模型。我们使用嵌入在R软件包INLA中的INLA框架对该模型进行贝叶斯推断。最后，我们通过分析21个非洲国家的疟疾和G6PD缺乏症的发病率，使用不同水平的链接分位数来说明模型的适用性。
2022-01-30 stat.ME
Variance partitioning in spatio-temporal disease mapping models
贝叶斯疾病绘图，如果说在描述风险随时间和空间的变化方面是非常有用的，那么它也会遇到难以解释的随机效应精确参数的先验启发的障碍。我们介绍了一个重新参数化版本的流行的时空相互作用模型，克罗内克产品的内在高斯马尔可夫随机场的基础上，我们命名的方差分割（VP）模型。VP模型包括一个混合参数，用于平衡主效应和交互作用效应对总（广义）方差的贡献，并增强可解释性。在混合参数上使用惩罚复杂度先验有助于以直观的方式对先验信息进行编码。我们用两个案例来说明VP模型的优点。
2022-05-17 stat.ME
A spatio-temporal model to detect potential outliers in disease mapping
本研究在Rushworth时空疾病制图模型基础上引入带两种先验的精度矩阵缩放参数以实现厚尾，用于识别疾病相对风险演变的潜在异常区域，经模拟验证后应用于COVID-19疫情分析，在蒙特利尔和法国分别识别出6个行政区、21个省为异常区域。
2024-04-15 stat.ME
Geostatistical methods for disease mapping and visualization using data from spatio-temporally referenced prevalence surveys
在本文中，我们提出了一般原则，并制定地统计学方法的时空参考流行调查的数据分析。我们的目标是提供一个教程指南，可以用来确定简约的地质统计模型的流行率映射。提出了一种通用的基于变差图的蒙特卡罗方法来检验模型假设的有效性。我们描述和对比基于似然和贝叶斯推理方法，显示如何考虑参数的不确定性下的两个范例。我们还描述了扩展的标准模型的疾病患病率，可以使用时的时空协方差函数的平稳性不支持的数据。我们讨论了如何定义预测目标，并认为，发病概率提供了一个最有效的方式来传达流行率估计的不确定性。我们描述了统计软件，通过交互式动画的流行率的时空预测总结的可视化。最后，我们说明了1905年至2014年在塞内加尔进行的1334次调查的历史疟疾流行率数据的应用。
2018-02-18 stat.ME
Are continuous models better than areal models for spatial disease mapping with a large number of small areas?
Public University of Navarre（纳瓦拉公立大学）；Institute for Advanced Materials and Mathematics, InaMat 2 , Public University of Navarre（纳瓦拉公立大学高级材料与数学研究所 (InaMat 2)）；Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本文针对大量小区域的空间疾病制图场景，对比分层混合泊松模型与含非结构化随机效应修改方案的SPDE框架，经模拟研究与西班牙肺癌死亡率实证分析，探究连续模型是否优于区域模型。
2026-10-16 stat.ME
On prior smoothing with discrete spatial data in the context of disease mapping
针对疾病制图中不同空间先验的平滑程度缺乏比较及参数影响未明的问题，本研究通过模拟与真实数据分析七种常用空间先验，提出量化平滑的经验与理论指标并建立二者关联。
2025-07-29 stat.ME
Mapping the Genetic-Imaging-Clinical Pathway with Applications to Alzheimer's Disease
阿尔茨海默氏病是一种渐进形式的痴呆症，导致记忆，思维和行为问题。它通常以β淀粉样蛋白和tau蛋白的异常聚集和沉积开始，随后是神经元损伤，例如脑萎缩，导致阿尔茨海默病（AD）。本文的目的是绘制AD的遗传-成像-临床路径，以描绘基于阿尔茨海默病神经成像倡议（ADNI）数据集驱动疾病进展的遗传调节的大脑变化。我们开发了一种新的两步法来描述高维2D海马表面暴露与阿尔茨海默病评估量表（ADAS）认知评分之间的关联，同时考虑到基线时的超高维临床和遗传协变量。分析结果表明，径向距离的每个像素的两个campi是负相关的行为缺陷的严重程度的条件下观察到的临床和遗传协变量。这些协会是更强的角Ammonis区域1（CA 1）和下托亚区相比，角Ammonis区域2（CA 2）和角Ammonis区域3（CA 3）亚区。
2022-06-02 stat.AP stat.ME
Spatial disease mapping using Directed Acyclic Graph Auto-Regressive (DAGAR) models
区域聚集疾病发病率数据的分层模型通常涉及区域特异性潜在随机效应，其被联合建模为具有多变量高斯分布。协方差或精度矩阵包含区域之间的空间依赖性。精度矩阵的常见选择包括广泛使用的ICAR模型，它是奇异的，它的非奇异扩展缺乏可解释性。我们提出了一个新的参数模型的精度矩阵的基础上有向无环图（DAG）表示的空间依赖。我们的模型保证了正定性，因此，除了作为区域空间相关随机效应的有效先验外，还可以直接对图像和网络等相关数据的结果进行建模。理论结果建立了我们模型中的参数与随机效应的方差和协方差之间的联系。大量的模拟研究表明，我们的模型的可解释性的改善收获的好处，在准确地恢复潜在的空间随机效应，以及空间协方差参数的推断。在适度的空间相关性下，我们的模型远远优于CAR模型，而当空间相关性较强时，性能相似。我们还评估了选择的顺序在DAG建设的理论和实证结果证明了我们的模型的鲁棒性的敏感性。我们还提出了一个大规模的公共卫生应用程序，展示了该模型的竞争力。
2019-04-28 stat.ME
Simultaneous disease mapping and hot spot detection with application to childhood obesity surveillance from electronic health records
近年来，电子健康记录（EHR）已成为数据驱动的细粒度监控平台。在本文中，我们利用电子健康档案的早期预防儿童肥胖。所提出的方法同时提供平滑的疾病映射和肥胖患病率的离群值信息，这对于提高公众意识和促进针对性干预是有用的。更准确地说，我们考虑了惩罚的多级广义线性模型。我们将区域贡献分解为平滑和稀疏信号，这些信号通过对似然函数施加融合和稀疏惩罚的组合来自动识别。此外，我们权衡了建议的可能性，以解释EHR数据所产生的缺失和潜在的非代表性。我们开发了一种新的交替最小化算法，这是计算效率高，易于实现，并保证收敛。仿真研究表明，所提出的方法的优越性能。最后，我们将我们的方法应用到威斯康星大学人口健康信息交换数据库。
2019-04-14 stat.AP stat.ME
Copula and spatial-regularized variational autoencoder for mapping disease comorbidity in West Africa
Institute of Mathematics and Computer Sciences, University of São Paulo（圣保罗大学数学与计算机科学研究所）；The Federal University of Technology（联邦理工大学）
提出一种结合双变量Gumbel copula和空间正则化的变分自编码器，用于建模西非儿童腹泻、发烧和急性呼吸道感染共病的空间异质性和非对称依赖关系，并识别高风险区域及风险因素。
2026-05-26 stat.ME
Prior Smoothing for Multivariate Disease Mapping Models
Duke University（杜克大学）
本文探讨多变量疾病制图模型中先验平滑的影响，通过不同先验设置分析平滑效果，提出理论和实证指标，结合模拟和实际数据验证方法。
2026-10-14 stat.AP stat.ME
Multi-Channel Stochastic Variational Inference for the Joint Analysis of Heterogeneous Biomedical Data in Alzheimer's Disease
阿尔茨海默病生物医学数据的联合分析对于更好的临床诊断和了解生物标志物之间的关系具有重要意义。然而，联合会计异质性的措施提出了重要的挑战有关的建模的变化和结果的可解释性。本文提出了一种新的多通道随机生成模型来解决这些问题。我们假设潜在变量生成通过不同渠道观察到的数据（例如，临床评分、成像等）描述了一种联合估计潜变量分布和数据生成过程的有效方法。合成数据的实验表明，多通道配方允许优越的数据重建，而不是单通道之一。此外，推导出的模型证据的下限代表了一个有前途的模型选择标准。AD数据的实验表明，模型参数可以用于无监督的患者分层和异质性观察的联合解释。由于其通用性和灵活的配方，我们相信，所提出的方法可以找到重要的应用作为一个通用的数据融合技术。
2018-08-10 stat.ME
Settlement Mapping for Population Density Modelling in Disease Risk Spatial Analysis
本研究针对疾病风险空间分析中人口密度建模过于简化的问题，提出使用聚落制图替代行政区域面积，以印尼结核病数据验证，发现聚落密度相关性更强，建议推广使用。
2024-03-19 q-bio.PE q-bio.QM stat.AP
Reliable event rates for disease mapping
在分析空间参照事件数据时，宣布速率为“可靠”的标准仍然是一个有争议的问题。然而，这些不同的标准有一个共同点，即在小面积分析环境中，它们很少满足粗略估计，这促使人们使用空间模型来提高可靠性。虽然合理，但最近的工作量化了空间统计学文献中流行的模型在多大程度上可以压倒数据中包含的信息，导致过度平滑。在这里，我们首先提供了一个定义的“可靠”的估计事件发生率，可用于原油和基于模型的估计，并允许离散和连续的可靠性声明。然后，我们构建了一个空间贝叶斯框架，允许用户将先验信息注入到他们的模型中，以提高可靠性，同时也防止过度平滑。我们将我们的方法应用于宾夕法尼亚州的县级出生数据，突出了空间模型中过度平滑的影响，以及我们的方法如何使用户能够更好地将注意力集中在存在足够数据以推动推理决策的领域。最后，我们简要讨论了如何在小面积研究的设计中使用可靠性的定义。
2023-02-09 stat.AP stat.ME
Big problems in spatio-temporal disease mapping: methods and software
区域数据的时空模型拟合在癌症流行病学等许多领域中至关重要。然而，当数据集非常大时，会出现许多问题。本文的主要目的是提出一个通用的程序来分析高维时空计数数据，特别强调死亡率/发病率的相对风险估计。我们提出了一个务实和简单的想法，允许适合层次时空模型时，小区域的数量是非常大的。模型拟合使用集成嵌套拉普拉斯近似在空间域的分区上进行。我们还使用并行和分布式策略来加快贝叶斯模型拟合通常非常耗时甚至不可行的设置中的计算。使用模拟和真实数据，我们表明，我们的方法优于经典的全球模型。我们实现了我们在开源R包bigDM中开发的方法和算法，其中包括特定的小插曲，以方便非专家用户使用该方法。我们的可扩展的方法建议提供可靠的风险估计时，拟合贝叶斯分层时空模型的高维数据。
2022-10-11 stat.CO stat.ME
Quantification and cross-fitting inference of asymmetric relations under generative exposure mapping models
University of Pittsburgh（匹兹堡大学）；University of Michigan（密歇根大学）
本文在生成暴露映射框架下提出基于香农熵的非对称系数来量化变量间方向非对称性，并通过数据拆分、交叉拟合和快速傅里叶变换密度估计提供统计推断，在模拟和表观遗传数据中验证了其优于现有因果发现方法。
2025-11-08 math.ST stat.ME stat.TH
Time Series Generative Learning with Application to Brain Imaging Analysis
The University of Hong Kong（香港大学）
本文提出一种基于f-散度的非参数时间序列生成方法，用于脑影像序列生成，并通过马尔可夫与条件不变性条件保证收敛性，生成的MRI序列可增强阿尔茨海默病检测性能。
2024-07-19 cs.LG eess.IV stat.ME
