惩罚小二乘回归方法及其在高维神影像分析中应用.pdfVIP

内容列表可在ScienceDirectNeuroImage期刊主页

查阅：

惩罚最小二乘回归方法及其在神经影像学中的应用g

FlorentinaBuneaa，YiyuanShea，HernandoOmbaob，⁎，AssawinGongvatanac，KateDevlinc，RonaldCohenc

a佛罗里达州立大学，统计系，b布朗大学，生物统

计学系，c布朗大学，医学院，

文章信息

文章：收到，本文的目标是回顾回归模型中最流行的预测变量选择方法，解释当解释变量个数P超过样本个数N时某些方法失效

修改，的，并讨论在此情形下可使用的替代统计方法。我们重点介绍回归模型中的惩罚最小二乘方法，并详细讨论

接受，发布其中两种在统计文献中已有广泛应用的方法——LASSO和ElasticNet。我们引入了这些方法的Bootstrap增强版

本BE‑LASSO和BE‑Enet，它们可以为每个被选中的变量附加一个不确定性度量。我们的研究动机来自一个多模态

神经影像数据集，该数据集包括形态学测量（多个感解剖区域的体积）、来自扩散加权数据的白质完整性测

量（分数各向异性、平均扩散率、轴向扩散率和径向扩散率）以及临床和人口学变量（、教育程度、和

药物使用史）。在此数据集中，解释变量的个数P超过了样本个数N。我们使用BE‑LASSO和BE‑Enet方法进行了首

次统计分析，从而能够利用神经影像和临床预测变量（包括它们的交互作用）来评估神经认知表现。本分析

的主要创新之处在于，生物标志物选择和降维的目标是获得对感结果（即神经认知指标）的良好预测，这不

同于主成分分析——后者仅在预测变量空间内进行，且独立于感的结果。

©2010ElsevierInc.。

引言回归模型。然而，众所周知，这类方法具有“贪婪”特性，可能无法准

确识别出真正相关的预测变量集合。当P较大时，这一缺点尤为明显

生物标志物的发现已成为临床研究的一个主要重点，涉及大量不同（Tibshirani,1996）。

的疾病，包括神经系统疾病，如阿尔茨海默病和中风。这些研究的总体策

略是确定某些临床或指标是否可用于预测临床结果，包括对特定治另一种常见的方法是首先通过主成分分析（PCA）对预测变量空间

疗的有益反应。此类研究中的一个常见问题是，通常需要考虑的潜在临床进行降维，选择那些解释了大部分方差的主成分，然后在选定的主成分

指标数量远多于研究中的临床病例数量，这会干扰统计建模工作。神经影上拟合响应变量的回归模型。这种方法存在两个主要缺点：（i）主成分

像学研究中经常出现这种情况，例如存在来自大量脑区的多模态神经影像本质上是原始预测变量的线性组合，因此它们可能并不一定产生易于解

数据，并希望利用这些数据来预测临床结果。在此类情况中，潜在解释变释的结果。此外，如果分析的目标之一是识别一组较小的预测变量用于

量的数量（P）可能远大于数据集中参与者数量（N）（即，P≫N），未来研究，则PCA无法实现此目的：因为主成分本质上是所有P个原始预

此时统计方法的应用将变得。例如，一种常见的方法是首先通测变量的线性