基于贝叶斯累加回归树评估中国非洲猪瘟发生风险区域

为探究中国非洲猪瘟发生的风险区域,对疫情的风险评估提供决策参考。该研究基于贝叶斯累加回归树(Bayesian Additive Regression Tree,BART)模型,应用2018年8月至2021年8月非洲猪瘟发生数据评估了中国非洲猪瘟的风险区域及相关的影响因素。结果表明:1)在影响非洲猪瘟风险区分布的环境因素中,归一化城市土地指数(0.213±0.026)贡献性最高,其次是归一化差分植被指数(0.207±0.028),年平均气温(0.199±0.025),家猪的分布(0.194±0.025)和最冷季降水量(0.187±0.026)。2)在评估模型中,小型城市相比于其他类型的城市发生非洲猪瘟的风险更高。非洲猪瘟的发生风险随着年平均气温、归一化植被指数、家猪的数量的升高而升高。最冷季降水量的升高会降低非洲猪瘟发生的可能性。3)非洲猪瘟的风险区域主要集中在中国的东部和西南。4)在预测地图中,中国东南地区的不确定性较高,鉴于影响非洲猪瘟传播和发生的因素众多,未来需要对此区域保持重点关注。在模型的预测精准性评估中,模型曲线下面积(Area Under Curve,AUC)为0.90,证明风险地图的预测准确性较高。研究结果可为BART在动物传染病风险评估中的应用提供参考,同时为了解中国非洲猪瘟发生主要风险区域和影响因素,采取合理的预防和控制措施提供信息和建议。

基于贝叶斯累加回归树模型的非小细胞肺癌患者个性化疗效研究

目的应用贝叶斯累加回归树(BART)模型对非小细胞肺癌(NSCLC)患者的仅手术与手术+化疗两种治疗方案的疗效进行个性化评价,并识别高受益患者亚组。方法提取美国SEER数据库中2012—2013年间所有NSCLC患者资料,以总生存时间不小于5年作为结局,按照治疗方案分类进行比较。运用倾向性评分匹配法使比较组间协变量均衡,应用BART模型计算个体处理效应(ITE),运用决策树模型进行亚组分析。结果本研究BART所对应的模型曲线下面积(AUC)大于0.8,结果可信度较高,99.5%患者采用手术+化疗方案获得不同程度更优疗效,得到AJCC分期、原发灶位置、转移程度等临床实践中重要的亚组分类特征,并得出疗效最优的亚组。所得亚组中,相较于仅手术的治疗方案,远处转移、原发灶位于肺中叶的女性患者更能于手术+化疗方案中受益。结论构建的BART模型可以较好地评价NSCLC患者两种治疗方案的个性化疗效,为今后同类疾病的个性化医疗实践提供依据。

贝叶斯累加回归树模型在高血压药物个性化疗效评价中的应用

目的以高血压合并糖尿病人群为例,应用贝叶斯累加回归树(Bayesian additive regression tree,BART)模型评价卡托普利及其联合尼群地平用药对血压控制的个性化疗效,并识别高收益患者亚组特征。方法纳入2011年1月至2015年7月山东省胶南市“全人群高血压、糖尿病综合防治项目”中的高血压合并糖尿病患者,按不同用药方式分为三组,采用倾向性得分随机化匹配形成可比样本后,建立BART模型探索用药的个性化疗效。结果在单用卡托普利与不用药、联合用药与不用药,联合用药与单用卡托普利三组对比中,三组模型曲线下面积(area under curre,AUC)及其95%CI分别为0.710(0.686~0.734)、0.796(0.754~0.838)、0.768(0.725~0.812)。对于大多数患者,联合用药效果优于单用卡托普利和不用药,其中,相比不用药者,SBP较低且有良好运动习惯是单用卡托普利和联合用药疗效更佳者的共同特征。结论构建的BART模型用于预测高血压合并糖尿病患者的高血压药物个性化疗效效果良好,并且能够用于总结高收益亚组特征,为精准医疗在高血压治疗中的实践提供依据。

非对称误差分布的贝叶斯累加回归树模型研究及应用

贝叶斯累加回归树(BART)模型是一种非参数贝叶斯回归方法,在预测和变量重要性度量方面具有强大的功能.BART假设随机误差项服从正态分布,文章针对非对称数据,提出BART推广模型.所提模型首先根据BART树结构特点,基于中心极限定理,得到终节点响应变量均值的渐近分布;接着基于U统计量性质,得到响应变量方差的渐近分布;最后基于Backfitting MCMC算法进行抽样迭代和参数估计.通过数值模拟并和随机森林算法的比较,展示了所提模型的可行性和优越性.实例分析说明了所提模型的实用性.

一种快速有效的L2 Cache可靠性预测方法

随着集成电路工艺的不断进步,微处理器的软错误问题日益突出.体系结构弱点因子AVF(architectural vulnerability factor)作为可靠性评估指标之一,常用于软错误的评估.AVF在程序执行过程中呈现明显的动态变化特性,使得基于AVF预测的动态容错管理技术成为当前软错误研究领域的热门课题.即根据AVF的变化来动态选择是否对微处理器部件进行容错设计,从而在满足软错误可靠性要求的前提下尽量降低容错技术的开销.因此,基于L2 Cache AVF的动态特性研究,提出使用贝叶斯累加树模型BART(Bayesian additive regression trees)对L2 Cache AVF进行准确预测,并使用块搜索(bump hunting)技术来提取由少数几个性能参数组成的、对具有高L2 Cache AVF的执行阶段进行判定的规则,从而实现了对L2 Cache AVF的快速有效预测.