针对多组生理数据的贝叶斯联合及独立组分回归分析

《Scientific Reports》：Bayesian joint and individual component regression for multigroup physiological data

　　

摘要

异构多组数据通常同时包含全局共享的成分和特定于组的成分，这给传统回归模型带来了挑战。这种数据结构在医学研究中越来越常见，尤其是在放射学和生物医学成像领域，患者群体在疾病亚型、人口统计群体或成像方式上天然存在异质性。虽然联合组分回归（JICO）等方法是解决这一问题的有效手段，但它们缺乏量化不确定性的机制和整合先验知识的机制。在本研究中，我们提出了一种基于贝叶斯的联合组分回归（Bayesian-JICO）框架，该框架通过概率公式对JICO进行了扩展。贝叶斯方法通过后验分布和可信区间实现了不确定性量化，从而在样本量有限的情况下提供了更可靠的推断结果。后验估计采用马尔科夫链蒙特卡洛（MCMC）算法进行，模型评估使用了模拟场景以及公开可用的澳大利亚体育研究所（AIS）数据集，该数据集包含了精英运动员的生理和血液学测量数据。研究结果表明，Bayesian-JICO在预测准确性、可解释性和鲁棒性方面优于传统方法，并能为参数估计提供可信区间。该框架为多组回归提供了一个全面且考虑不确定性的解决方案，适用于生物医学、放射学、环境科学和社会科学等多个领域。