A new estimation method for predictable cluster structure and its application to clinical medicine

2021 Fiscal Year Final Research Report

• Project/Area Number: 17K12648
• Research Category: Grant-in-Aid for Young Scientists (B)
• Allocation Type: Multi-year Fund
• Research Field: Statistical science
• Research Institution: Okayama University
• Principal Investigator: Yamamoto Michio 岡山大学, 環境生命科学学域, 准教授 (50721396)
• Project Period (FY): 2017-04-01 – 2022-03-31
• Keywords: クラスタリング / 次元縮小

Outline of Final Research Achievements

Due to the recent advances in data collection and storage, data sets for statistical analysis have become complex and enormous. In the analysis of repeated measures data, for example, the data are often considered as a certain function, and such an analysis is called functional data analysis. In this study, I developed a new clustering method that conducted clustering and dimension reduction of multivariate functional objects simultaneously. Related to the method, I developed another clustering method with dimension reduction for multivariate binary data. In addition, I developed a new clustering method that identified a cluster structure of outcome variables and predicted cluster memberships of future individuals based on explanatory variables.

Free Research Field

統計科学

Academic Significance and Societal Importance of the Research Achievements

臨床医学における典型的な研究として、まず（1）クラスター分析などの教師なし学習により、疾患の重症度などを用いて症例のクラスタリングを行い、次に（2）得られたクラスターをラベルとして判別分析などの教師あり学習を用い、バイオマーカーによるサブタイプの予測や予測に重要なバイオマーカーの特定を行うものがある。このようなアプローチでは、段階ごとに異なる目的関数の最適化を行うため、真のクラスター構造と、それを予測可能な説明変数群の特定に失敗してしまう。本研究では、この問題を解決するために、教師なし学習と教師あり学習の両方の目的を同時に達成するための新たな統計解析の枠組みを提案することとなる。