多任务学习正则化模型对患者的分类研究

随着高通量技术的快速发展,越来越多的多组学数据被收集、分析,并对慢性精神疾病,即精神分裂症进行分类。现有几种基于多任务的学习模型将每组的特征学习看作一个任务,但大多数模型都忽略了多组数据之间固有的结构信息,而这些信息在识别特征提取中可能具有重要作用。文中利用多组学数据联合学习的内在关联,通过随机森林策略计算样本之间的相似度,结合L21-范数(组稀疏)正则化器强制联合选择一些共同的特点,以保持单组数据之间和多组数据之间的结构信息,提出一种多重正则化多任务学习模型进行多组学数据融合的分类任务。实验部分采用单核苷酸多态性(SNP)、功能性磁共振成像(fMRI)和DNA甲基化三组数据作为模型真实数据的输入,通过10折交叉验证法划分训练集与测试集并进行参数训练,分别在模拟数据集与真实数据集上进行测试,并与其他现有方法做比较。实验结果表明,该模型具有较强的鲁棒性,分类精度达到86.07%。