PulseAugur
中
实时 22:25:02

新Python包ROOFS助力临床试验中的生物标志物特征选择

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了ROOFS，一个Python包，旨在帮助生物医学研究人员为生物标志物发现和临床预测建模选择合适的特征选择方法。该包在用户数据上对各种方法进行基准测试，提供关于预测性能、稳定性和特征鲁棒性的报告。在利用PIONeeR临床试验数据进行的演示中，ROOFS确定了一种结合t检验和逻辑回归的Benjamini-Hochberg调整后p值的最佳方法，该方法优于LASSO等方法。 AI

影响 通过标准化特征选择方法，提高了临床模型的可重复性和转化价值。

排序理由 该集群描述了一篇新的研究论文以及用于生物医学研究特征选择的相关软件包。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新Python包ROOFS助力临床试验中的生物标志物特征选择

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Anastasiia Bakhmach, Paul Dufoss\'e, Simon Charpigny, Florence Monville, Laurent Greillier, Fabrice Barl\'esi, S\'ebastien Benzekry ·

    ROOFS: RObust biOmarker Feature Selection

    arXiv:2601.05151v3 Announce Type: replace Abstract: Feature selection (FS) is essential for biomarker discovery and clinical predictive modeling. Over the past decades, methodological literature on FS has become rich and mature, offering a wide spectrum of algorithmic approaches.…

相关实体

相关话题