联合多站点规范使用分层贝叶斯回归建模| bioRxiv

一个bstract

临床神经影像数据可用性得到了充分的发展在过去的十年中,提供研究异质性的潜在临床军团之前前所未有的规模。规范的建模是一个新兴的统计工具,解剖异质性在复杂的脑部疾病。然而,它的应用程序仍然是技术挑战性由于医疗数据隐私问题和困难在处理麻烦变异,如图像采集过程中的变化。在这里,我们介绍一个联合概率框架使用分层贝叶斯回归(哈佛商业评论)多站点规范建模。该方法完成的生命周期规范建模提供了学习的机会,更新和调整模型参数对分散的神经影像数据。我们的实验结果证实哈佛商业评论的优越性,得到更精确的规范范围大的多站点神经影像数据集相比,目前的标准方法。此外,调整我们的方法提供了可能性和重用本地数据集的学习模型,甚至在数据集非常小的样本大小。提出联合框架关闭循环技术应用规范跨多个网站以分散的方式建模。这将促进应用程序规范建模作为筛选的生物医学工具偏差在个人受到复杂的疾病如精神障碍的影响。