NIPSDec, 2016

通过互信息排序生物标志物

PDF
TL;DR本研究利用信息论方法对生物标记进行排序，并引入适用于小型或稀疏数据集的经验贝叶斯估计器和新的可视化工具，以探索预测和预后生物标记的强度，同时观察哪些生物标记具有更显著的预后或预测作用，从而在生物标记发现领域具有重要作用。
biomarkersinformation theorypredictiveprognosticvisualisation
发现论文，激发创造
  • 通过治疗效果分析提升预测性成像生物标志物的发现

    本研究旨在通过深度学习模型从治疗前图像中发现和验证预测性影像生物标志物，以预测个体治疗效果，推动个性化医学决策。

    Jun, 2024

  • 提升生存数据的一致性指数 - 求导和评估生物标志物组合的统一框架

    研究使用共识指数为基础，提出了一种新的框架，借助元素提升算法推导线性生物标志物组合，以预测乳腺癌患者的生存力和其他时间至事件结局。

    Jul, 2013

  • 在大型网络中估计互信息和多信息

    提出了一种在大型网络中估计信息关系的实用方法，可以可靠地估计互信息和多个信息项，并通过基因表达、金融市场和消费者偏好等领域的分析加以说明。

    Feb, 2005

  • 信息熵探测的贝叶斯框架

    该论文提出了一种名为贝叶斯互信息的新框架，它从贝叶斯代理的角度分析信息，使得在有限数据情况下处理可以帮助增加信息的同时也有可能削减信息，更加符合机器学习应用的直觉，最终将该框架运用到探针任务中，通过限制可用背景知识来实现抽取的易于性。

    Sep, 2021

  • 超越常规：互信息估计评估

    本文构建了一个多样的分布族，展示了语言无关基准平台用于互信息估计器的实用性和局限性，并提出了适应问题困难度的适当估计器的选择指南及应用估计器时需要考虑的问题。

    Jun, 2023

  • 基于互信息的特征选择方法综述

    本文介绍了信息论特征选择方法的现状，阐明了特征相关性、冗余性和补充性（协同作用）的概念，以及马尔科夫毯子。定义了最优特征选择的问题。我们描述了一个统一的理论框架，它可以使成功的启发式标准符合相应方法所做的近似。还介绍了该领域中的一些未解决问题。

    Sep, 2015

  • 机器学习驱动的医学诊断生物标志物选择

    评估了 4 种生物标志物选择方法和 4 种不同的机器学习分类器，发现当允许 3 个和 10 个生物标志物时，现代方法在性能上优于以前报告的逻辑回归。在特异性固定为 0.9 的情况下，机器学习方法的灵敏度为 0.240（3 个生物标志物）和 0.520（10 个生物标志物），而标准逻辑回归的灵敏度为 0.000（3 个生物标志物）和 0.040（10 个生物标志物）。还注意到，在允许较少的生物标志物时，基于因果关系的生物标志物选择方法表现最好，而在允许更多生物标志物时，单变量特征选择方法表现最好。

    May, 2024

  • 通过贝叶斯网络分析方法探索 1 型和 2 型糖尿病的生物标志物关系

    通过应用贝叶斯网络结构学习分析上海 1 型和 2 型糖尿病数据集，揭示了与糖尿病相关的关键生物标志物之间的复杂关系。构建的贝叶斯网络在预测准确性方面表现出显著的效果，特别是对于 2 型糖尿病，其均方根误差为 18.23 毫克 / 分升，在单域实验证实和克拉克误差网格分析中得到了验证。这项研究不仅通过深入理解生物标志物的相互作用，阐明了糖尿病的复杂动态，而且强调了将数据驱动和知识驱动方法结合在个性化糖尿病管理领域的巨大潜力。这种方法为更加定制和有效的治疗策略铺平了道路，标志着该领域的显著进展。

    Jun, 2024

  • 特征选择方法对分子标志物准确性、稳定性和可解释性的影响

    该研究对多种特征选择方法在乳腺癌预后方面的预测性能、稳定性和功能可解释性进行了比较，发现简单的过滤方法通常优于复杂的嵌入或包装方法，集成特征选择通常没有积极影响，最终得出平均而言简单的 Student's t-test 提供了最佳结果。

    Jan, 2011

  • 改进的互信息度量用于分类和社区检测

    本文介绍了互信息这一信息论中的重要量，在分类学和社区检测分析中被广泛应用，但在实际应用中常常会由于丢失关键的部分而产生误差。针对这一问题，本文提出了一种修正的互信息量，并讨论了该量化指标的实际实现方法和实例应用。

    Jul, 2019