目的 探索深度神经网络(DNN)联合不同正则化方法后模型预测准确性的差异;探索模型预测准确性较高时的样本特征规律.方法 R软件产生不同分组、不同样本量的模拟数据集,在不同数据特征下比较DNN模型及融合正则化后模型的预测能力.通过真实数据分析进一步评价两种模型的预测能力.结果 DNN融合不同正则化方法的结果均优于单纯DNN模型,其中DNN融合稀疏分组lasso(SDP)效果最好.稀疏组别组内变量个数的大小及样本量会影响预测准确性,组内变量个数≥8,样本量≥700时,SDP模型预测准确性较高.结论 与单纯DNN模型相比,SDP模型预测准确性得到显著改善;考虑不同样本量和分组方式的情况,SDP模型的预测能力均有明显提高,并且其对预测相关重要特征的提取较为准确.在实际案例分析中发现在小样本的高维组学数据中,SDP模型预测准确性和防止过拟合的能力均有明显提升.

目的 本文介绍一种新的处理临床试验转组数据的统计学方法——校正迭代参数法(MIPE),并通过模拟试验在不同情形下比较MIPE、IPE、意向性分析(ITT)三种方法对治疗效果估计的准确性.方法 通过模拟数据探讨不同的治疗效应真值、潜在预后、转组率等24个假设场景中试验药疗效估计值的差异,并将MIPE、IPE、ITT方法应用于每个场景下进行效果比较.结果 当试验药与安慰剂组疗效存在差异时,ITT和IPE方法得出的治疗效应估计均有偏,这种有偏估计与不同的治疗效应真值、潜在预后和转组率等因素相关,而MIPE方法不受上述因素影响,估计结果较为准确且稳定.结论 MIPE方法不受实际治疗效应、潜在预后、转组率等因素的影响,在各场景中治疗效应估计值的均值较为稳定,与其他方法相比,更接近真实值,在临床试验评价中使用更为可靠.

目的 探索基于深度学习模型联合正则化方法在小样本高维数据特征筛选中的优势.方法 通过模拟实验和实际数据分析比较深度学习模型单独及联合正则化方法在小样本高维特征筛选准确性方面的差异;采用测试集中C指数作为两种模型泛化能力评价指标.结果 在小样本研究中单纯的深度学习模型在变量之间存在复杂相关性时会表现过拟合,而深度学习模型联合正则化的方法比单独的深度学习模型在测试集中体现出防止过拟合的作用,具有更好的泛化能力.通过比较不同正则化的方法,发现深度学习联合组lasso相比于lasso在测试集中表现出更好的泛化能力.结论 深度学习模型联合正则化的方法在小样本高维数据特征筛选中可以防止过拟合,保证外部测试具有较好的预测效果.