Spike-and-slab先验弹性网络Cox模型在癌症中的应用

摘要

目的 建立一个高精度、强可解释性的预测模型，以应对高维组学数据在构建预测模型时遇到的挑战，如潜在预测因子众多、样本数量有限以及预测因子间高度相关性。方法 将spike-and-slab先验与弹性网络惩罚统一至Cox模型中，提出spike-and-slab先验弹性网络Cox模型。该模型能够根据不同变量的重要程度对各系数进行不同程度的收缩。使用期望最大化算法来拟合模型，该算法在贝叶斯框架下通过最大化后验概率来进行参数估计。结果 与传统的统计模型相比，spike-and-slab先验弹性网络Cox模型在各种的模拟条件下均表现出更高的灵敏度、平衡准确度和一致性指数。并且在真实数据集验证分析中，该模型的一致性指数也高于传统模型。结论 spike-and-slab先验弹性网络Cox模型是一种新的变量筛选和生存预测方法，能够处理癌症研究中的高维组学数据。

关键词

贝叶斯统计 / spike-and-slab先验 / 弹性网络 / Cox模型 / 癌症