ShadowVIMP：基于排列的多重检验控制下的变量选择方法

《BMC Bioinformatics》：ShadowVIMP: permutation-based multiple testing-controlled variable selection

　　

摘要

背景

在临床研究和精准医学中，识别相关的生物标志物至关重要，尤其是在分析高维数据时。随机森林（Random Forests，RFs）由于具有灵活性、易用性以及能够处理变量数量超过样本数量的数据集而成为这种场景下的有力工具。随机森林通过变量重要性（Variable Importance, VIMP）分数来评估每个变量在预测结果中的重要性。然而，由于VIMP分数的分布较为复杂，因此使用标准的统计测试和多重检验方法进行变量选择存在挑战。

方法

我们提出了一种名为shadowVIMP的新方法，用于在多重检验控制下进行变量选择，该方法基于类似于排列检验（permutation testing）的原理。它为每个变量生成排列后的对应变量，并通过多次迭代比较它们的VIMP分数与原始变量的VIMP分数来计算p值。与传统排列检验不同，shadowVIMP保留了变量之间的相关结构，从而减少了随机森林中因过度选择相关变量而导致的偏差。我们使用之前在考虑VIMP和随机森林变量选择的研究中采用的模拟设计，将shadowVIMP与三种竞争方法进行了对比评估。这些设计涵盖了高维和低维数据，以及相关变量和分类变量。为了说明其有效性，我们还将该方法应用于阿尔茨海默病（Alzheimer’s disease）的真实世界案例。

结论

我们的结果表明，与竞争方法相比，shadowVIMP在高维数据环境中具有优势，提高了灵敏度，并能够获得经过多重检验调整的结果。此外，它在使用基于排列的VIMP方法时，表现出对相关变量和分类变量引起的VIMP偏差的鲁棒性。该方法可用于标注标准的VIMP图表，根据不同的多重检验调整方式和显著性水平直观地展示选定的变量集。总体而言，shadowVIMP是一种有前景的方法，能够在明确解决随机森林基于排列的VIMP测量方法已知偏差的同时，提供经过多重检验调整的变量选择结果。shadowVIMP方法实现了一个名为shadowVIMP的R包，该包可在CRAN上下载。