• 统计研究中心
当前位置: 首页 > 系列讲座 > 正文

加州大学尔湾分校Annie Qu教授:Multicategory Angle-based Learning for Estimating Optimal Dynamic Treatment Regimes with Censored Data

光华讲坛——社会名流与企业家论坛第 5812 期

Multicategory Angle-based Learning for Estimating Optimal Dynamic Treatment Regimes with Censored Data

主讲人加州大学尔湾分校Annie Qu教授

主持人统计学院林华珍教授

时间2021年6月8日(周二)上午10:00-11:00

直播平台及会议ID腾讯会议,499 705 280

主办单位:统计研究中心和统计学院 科研处


主讲人简介:

Annie Qu,加州大学尔湾分校Chancellors Professor。宾夕法尼亚州立大学统计学博士。她的主要研究方向是解决与非结构化大规模数据有关的基本问题,开发机器学习的前沿统计方法和理论文本sentiment analysis、自动标记和摘要、推荐系统、张量成像数据和复杂的异构网络数据分析,从大量高维数据中提取基本信息的算法。她的研究工作对生物医学研究、基因组研究、公共卫生研究以及社会和政治科学等诸多领域产生了深远影响。在加入加州大学尔湾分校之前,她是伊利诺伊大学厄巴纳-香槟分校统计学的冠名教授 Data Science Founder Professor,统计咨询中心主任。她曾获美国伊利诺伊大学厄巴纳-香槟分校  LAS学院Brad and Karen Smith Professorial Scholar2004-2009年荣获美国国家科学基金会Career Award。她是IMSASAFellow


内容提要:

An optimal dynamic treatment regime (DTR) consists of a sequence of decision rules in maximizing long-term benets, which is applicable for chronic diseases such as HIV infection or cancer. In this paper, we develop a novel angle-based approach to search the optimal DTR under a multicategory treatment framework for survival data. The proposed method targets to maximize the conditional survival function of patients following a DTR. In contrast to most existing approaches which are designed to maximize the expected survival time under a binary treatment framework, the proposed method solves the multicategory treatment problem given multiple stages for censored data. Specically, the proposed method obtains the optimal DTR via integrating estimations of decision rules at multiple stages into a single multicategory classication algorithm without imposing additional constraints, which is also more computationally efficient and robust. In theory, we establish Fisher consistency and provide the risk bound for the proposed estimator under regularity conditions. Our numerical studies show that the proposed method outperforms competing methods in terms of maximizing the conditional survival probability. We apply the proposed method to two real datasets: Framingham heart study data and acquired immunodeciency syndrome (AIDS) clinical data. This is joint work with Fei Xue, Yanqing Zhang, Wenzhuo Zhou and Haoda Fu.

最佳动态治疗方案(DTR)由一系列决策规则组成,可以最大限度地提高长期利益,适用于诸如HIV感染或癌症的慢性疾病。在本文中,我们开发了一种基于角度的新颖方法,以在多类别处理框架下搜索生存数据的最佳DTR。拟议的方法旨在最大化DTR后患者的条件生存功能。与大多数现有的旨在在二元处理框架下最大化预期生存时间的方法相比,该方法解决了在给定审查数据的多个阶段的情况下的多类别处理问题。具体而言,所提出的方法通过将多个阶段的决策规则估计集成到单个多类别分类算法中而无需施加附加约束,从而获得了最佳DTR,这也具有更高效且更强的计算效率。从理论上讲,我们建立了Fisher一致性,并在规则性条件下为拟议的估计量提供了风险界限。我们的数值研究表明,在最大程度提高条件生存率方面,该方法优于竞争方法。我们将提出的方法应用于两个真实的数据集:弗雷明汉心脏研究数据和获得性免疫缺陷综合症(AIDS)临床数据。这是与 Fei Xue, Yanqing Zhang, Wenzhuo Zhou and Haoda Fu的共同成果。


上一条:新加坡国立大学 文骏博士: Estimating the spectrum of a high dimensional covariance matrix via anticommuting variables

下一条:迈阿密大学WANG LAN教授: New Approaches for Inference on Optimal Treatment Regimes