[发明专利]一种诊断引导群稀疏多任务学习方法

权利要求书

1.一种诊断引导群稀疏多任务学习方法，其特征在于，包括：

步骤一、建立基于影像表型连续响应的回归分析计算公式；

步骤二、基于被试样本与诊断标签之间的关系信息，建立正则化项来利用类级别的诊断信息，当被试样本在原始诊断特征空间中相似时，其各自的响应值也相似；

步骤三、使用正则化的形式来处理SNP之间的群体关联，将每个SNP作为一个特征，将每个QT作为一个响应变量，建立基于多特征和多响应的诊断引导信息多任务学习模型。

2.如权利要求1所述的诊断引导群稀疏多任务学习方法，其特征在于，步骤一中的回归分析计算公式：受试参与者的SNP数据X＝[x₁,...,x_N]^T∈R^N×d和成像表型数据Y＝[y₁,...,y_N]^T∈R^N×c，其中N是参与者的数量，d是SNP的数量，c是显型的成像数量，线性回归模型：Y＝XW+ε，其中，W是分配给各个特征的系数矩阵，ε是误差项，施加L2范数正则化，如下所示：

其中，权重矩阵W是测量第i个SNP在预测第j个成像表型反应中的相对重要性，γ0是一个权衡参数。

3.如权利要求2所述的诊断引导群稀疏多任务学习方法，其特征在于，步骤二中建立正则化项来利用类级别的诊断信息：

其中，S＝[S_ij]∈R^N×N表示每对样本之间相似性的相似性矩阵，L表示拉普拉斯矩阵：

L＝D-S

其中，D是元素定义为的对角矩阵，相似矩阵定义如下：

4.如权利要求3所述的诊断引导群稀疏多任务学习方法，其特征在于，使用正则化方法对SNP进行分组来挖掘基因型中的相关结构：其中，SNP被划分为K个组SNP通过对LD相关系数r²进行阈值化分组，r²≥0.2的相邻SNP形成一个群；

是有序的且连接后的W可表示为式中则上述等式重写如下：G_2,1范数是关于划分的矩阵，其定义如下：

等式改写如下：通过正则化l_2,1范数来联合选择多个任务的特征：其中，第一项是回归损失，第二项综合了所有任务的一组特征的回归系数，并结合了遗传连锁产生的特征分组信息，第三项惩罚每个个体特征的所有回归系数，以在多个学习任务中选择特征。

5.如权利要求4所述的诊断引导群稀疏多任务学习方法，其特征在于，诊断引导的群体稀疏多任务学习模型，如下所示：

其中，γ₁，γ₂和γ₃表示正则化项的控制参数，它们的值通过训练数据的内部交叉验证来确定。