图片

这篇题为《人工智能时代多元、函数型和复杂生物医学数据的变量选择方法》的文章探讨了在人工智能时代，如何针对多元、函数型以及更复杂的生物医学数据进行有效的变量选择。本文的核心在于提出了一种新的基于优化方法的变量选择框架，该框架能够处理各种类型的回归模型和随机响应，并显著提高了计算效率。该方法特别适用于个性化医疗和数字健康领域，能够处理高分辨率患者监测中产生的连续时间函数生物标志物和其它复杂数据结构。

 

图片

传统的变量选择方法主要集中在线性模型和欧几里得空间中的多元响应，通常关注条件均值的估计。然而，现代医疗保健数据呈现出越来越复杂的结构，例如函数型数据和基于图的表示，这些数据结构能够捕捉临床模式的更高层次抽象。例如，连续血糖监测 (CGM) 设备可以持续记录血糖值，从而可以推导出血糖代谢的多种功能性和非功能性汇总指标（生物标志物）。这些生物标志物在患者数据在自由生活条件下收集时尤其有用，此时直接进行时间序列分析可能并不合适。因此，生成的生物标志物通常具有多种结构，可以被视为一般度量空间中的统计对象，例如概率分布空间。

 

图片

本文中提出的方法旨在解决现有方法在处理这些复杂数据结构方面的不足。现有的方法，例如FRISO，在计算上非常密集，仅适用于具有少量观测值和预测变量的数据集。而本文提出的方法利用了一种新的次梯度投影技术，显著减少了计算时间，使其能够应用于大规模数据集，例如英国生物样本库和美国“精准医学”计划的“我们所有人”研究项目等。

 

该框架的核心是一个优化问题，它最小化经验风险并同时选择相关的变量。该框架具有高度的灵活性，能够整合来自不同来源的信息，例如基因组学、可穿戴传感器和电子病历，并适应各种模型，包括加性模型和支持向量机。通过在一般的变量选择公式中嵌入不同的损失函数，并应用惩罚来处理组变量约束，该框架能够支持复杂结构，例如广义加性模型、分布模型和函数到函数回归模型。

 

图片

本文详细介绍了该框架的数学公式，包括损失函数的选择（例如，普通最小二乘法、分位数损失函数和逻辑损失函数），以及如何通过鞍点公式和“布尔松弛”来有效地解决优化问题。文章证明了该方法在统计上的一致性，并展示了其在各种场景中的优势，包括多元欧几里得数据和多元函数数据。作者特别强调了该方法在处理包含数百万患者的大规模生物医学应用中的实用性。
本文还对现有文献进行了综述，涵盖了针对单变量响应的变量选择方法，例如“拉索”、弹性网络和非凸惩罚方法。文章指出，这些方法在处理高度相关的预测变量时可能存在不足，而本文提出的方法则能够克服这些不足。此外，本文还回顾了度量空间中统计建模的最新进展，以及在生物医学问题中应用这些方法的案例，例如使用“血糖分布”的概念来表示患者的血糖曲线。

 

图片

文章通过几个案例分析来展示该方法的应用，这些案例分析涵盖了不同的数据类型，例如多元欧几里得数据、双变量纵向数据、概率分布数据以及拉普拉斯图数据。这些案例分析展示了该方法在识别影响不同生物医学指标的关键因素方面的有效性。文章还提供了一个模拟研究，以验证该方法的统计和计算效率，并与现有方法进行比较，结果表明该方法在准确性和速度方面均具有显著优势。
总之，这篇文章提出了一种新颖且高效的变量选择框架，该框架能够处理现代生物医学数据中日益复杂的结构。该框架的灵活性、可扩展性和计算效率使其成为在人工智能时代进行大规模生物医学数据分析的有力工具，为精准医学和公共卫生研究提供了新的可能性。本文的贡献在于其对现有方法的改进，以及对复杂生物医学数据分析的实际应用。其提出的算法和理论结果为该领域的研究提供了重要的参考价值。