近年来,大量的研究一直致力于探索先进的统计方法和机器学习技术的结合。这个框架,通常被称为统计学习,为生物医学研究提供了优势,尤其是数据的情况经常遇到在现代生物医学研究的特点是大量的潜在特征或变量。在这种情况下,通常主要目的获得稀疏和解释性模型,可以有效地推广。当统计学习技术应用于这些问题,可判断的预测规则导致准确预测未来的或看不见的观察可以推导出潜在的高维数据。

这个特殊的问题旨在收集前沿研究和新兴统计计算的新方法在生物医学中的应用。这个问题的目的是涵盖广泛的方法论的贡献对于不同类型的算法和生物医学领域的应用。重点在于提供深入理解统计建模与机器学习相结合的潜力最终找到可预测的生物医学应用程序规则。

因此,我们邀请研究人员提供原始研究的文章有关领域的新方法和先进的应用程序基于统计学习的预测模型。我们鼓励作者支持可再生的研究通过提交手稿伴随着相应的计算机代码,支持他们的结论。纯粹的理论文章没有适当应用动机和/或缺乏生物医学应用是气馁。

潜在的主题包括但不限于以下:

• 变量或潜在的高维数据特征选择技术及其对预测精度的影响
• 创新的模型类提供深入理解复杂的数据结构
• 技术来提高运行效率,降低内存需求,或增强优化统计学习算法
• 新方法来评估预测准确性或统计学习算法的性能
• 创新固有的预测模型基于统计学习在生物医学中的应用研究