Nonparametric methods for receiver operating characteristic (ROC) curve analysis in genomic studies and diagnostic medicine
Notice bibliographique
Résumé
This thesis is comprised of three parts. The first part (Chapter 2) develops nonparametric statistical inference methods for partial area under ROC curves (PAUC) that can be applied to genomic studies. ROC curves are used to analyze the performance of a diagnostic test while the areas or partial areas under ROC curves are used to judge how accurately the test results can discriminate between two groups (for example, diseased and non-diseased groups). The third part of this thesis (Chapter 4) presents a novel weighted nonparametric method for estimating ROC curves. We model the probability of the disease status for a given test result by logistic regression models and we connect logistic regression and ROC curves by a weighted nonparametric method. The ROC curves fitted by this method are smoother than ROC curves produced purely by traditional nonparametric methods. More importantly, the method can be used to correct for verification bias. The second part (Chapter 3) develops methods for PAUC when results of the applicable gold standard test are incomplete, situations also referred to as data with incomplete verification or with verification bias. The true (disease) status is the 'gold standard' against which a given diagnostic test should be measured. However, there are many diseases for which the definitive diagnosis is expensive or difficult to obtain for an entire sample. We have developed a method based on the nonparametric approach for estimating partial area and its variance and tested the method by simulation studies under various situations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».