累积-动态定义下依时AUC估计方法的对比研究

目的依时ROC分析结合了诊断评价与生存分析两类方法,是近20年医学统计学的新兴研究领域,发展迅速但方法间的对比评价较为匮乏。方法本文以肺结节随访研究为背景,基于累积病例-动态对照定义,通过蒙特卡罗模拟比较了KM、最近邻、非条件和条件逆概率删失加权、Li法和Martinez法6种依时ROC分析方法在小样本、低发结局、条件删失、非等比例风险等情形下的依时AUC估计性能。结果Martinez法、条件逆概率删失加权和Li法在上述情形下表现出较高的估计精确度和准确度。结论不同的依时AUC估计方法对不同的数据结构的适用性具有差异,本文模拟方式和结果可为相关方法的选择提供参考。

自适应性FDR控制程序原理及组学数据应用

目的高维组学数据分析常伴随多重检验问题,不当处理可造成检验效能低下或阳性发现错误率(FDR)升高。FDR已发展为一类新的控制标准,衍生出一系列理论和方法。方法本研究首先对一类自适应性FDR控制方法原理及条件进行介绍,其基于Benjamini-Hochberg程序,由数据自适应性地估计真实原假设数(m 0)进而对FDR实现控制;具体方法包括迭代式、分位数(中位数、定值)、多阶段、阈值函数调整、m 0外插等。进一步,将上述方法用于肺癌患者CT图像特征和COVID-19患者血清蛋白表达两个实例分析。结果相对两项分析中的控制前结果,各自适应性FDR控制方法均降低了阳性发现数,并相比Bonferroni校正结果很大程度保留了阳性比例。然而蛋白表达实例提示,该类程序无法从根本上解决结果不稳定性问题。通过数据拆分验证,适当降低拟控制水平并以各方法的结果进行综合评估,可使筛选结果稳定性得到一定程度提升。结论由于自适应性FDR控制程序基于样本估计m 0且需满足特定结构假设,高维小样本组学数据的结构复杂性可对其分析效果产生影响,故建议进行方法间的联合应用和综合评价。在阳性发现比例较大时,经典的线性递增程序不失为一种简易、稳健且有效的FDR控制方法。

依时ROC分析方法学综述

医学中常常需要评价某种标志物、影像指标或评分工具对疾病发生、诊断和预后的预测性能[1]。受试者工作特征(receiver operating characteristics,ROC)曲线分析是面向上述研究目标的一类统计学方法,其基于“金标准”将疾病状态进行二分类,进而综合分析待评价指标各阈值所对应的灵敏度、特异度信息。然而疾病状态与时间有关,可经历“从无到有”的变化过程[2]。