민감성을 최적화하기 위한 바이오마커 조합을 안내하는 새로운 방법

초록 로지스틱 회귀는 최대 가능성 접근 방식을 통해 이진 레이블 데이터 집합을 분류하는 데 유용성을 입증하였습니다. 그러나 수많은 생물학적 및 임상적 맥락에서 목표는 종종 사전 지정된 특이성에서 가장 높은 민감성을 생성하는 계수를 결정하는 것입니다. 따라서 이러한 설정에서 로지스틱 회귀의 적용은 제한적입니다. 이를 위해, 우리는 주어진 특이성에 대해 최대 민감성을 생성하는 선형 결정 규칙을 찾기 위한 이진 분류 개선 회귀 프레임워크인 SMAGS를 개발하였습니다. 또한, 민감성 극대화 목표를 만족하는 특징을 찾기 위해 특징 선택 방법을 적용하였습니다. 우리는 실제 임상 데이터와 합성 데이터를 적용하여 일반 로지스틱 회귀와 우리의 방법을 비교하였습니다. 실제 응용 데이터(대장암 데이터 세트)에서 우리는 98.5% 특이성에서 14%의 민감도 향상을 발견하였습니다. 가용성 및 구현 소프트웨어는 Python에서 제공됩니다 ( https://github.com/smahmoodghasemi/SMAGS )