基于组MCP和复合MCP的人脑功能超网络分析及抑郁症分类研究

摘要

近年来,脑功能超网络模型在脑疾病诊断中多有应用.传统的脑功能超网络大多通过LASSO方法进行构建,然而由于脑区间存在组效应问题,在过去的几年里,对LASSO方法进行延伸以进一步改善超网络成为主要研究内容,由此出现各种分组模型方法.但这些方法均存在同样的问题,即惩罚函数对系数的过强压缩,导致模型中目标变量回归系数的有偏估计,使得噪声变量在压缩的同时,目标变量也进行了一定程度的压缩.因此,本文考虑到该问题,并在组效应的基础上,提出两种基于Minimax Concave Penalty(MCP)的无偏稀疏模型用以改进原有方法:组MCP方法和复合MCP方法.实验结果表明,两种方法均优于传统方法,而两种方法由于对变量是否进入模型采取了不同解决方式,因而构建的超网络结构差异较大,复合MCP方法构建的超网络的超边分布范围较为集中,而组MCP方法则较为分散;此外,复合MCP方法得到较好的分类表现和较高的分类权重.本文提出的方法所构建的脑功能超网络可以更好地表达抑郁症患者与正常对照的结构差异,具有重要的理论意义和临床价值.