LASSO回归全称LeastAbsoluteShrinkageandSelectionOperator，是一种线性回归的缩减(shrinkage)方法。LASSO主要用来进行变量筛选，特别是当自变量之间有共线性时很有用。常用在影像学数据分析中，因为影像测量数据，变量之间相关性比较强，从众多测量变量中筛选变量用于诊断与预测。
影像学数据用于诊断与预测流程可以是：
第一步：用LASSO筛选出可用于预测的自变量。
第二步：将这些变量与其回归系数组成一个计算评分（score）的公式。（在这个公式中intercept可以不需要）。
第三步：然后比较两个不同的预测模型：模型1：影像学score；模型2.影像学score+临床特征。这一步可以用数据分析-预测模型与ROC或诊断试验与ROC分析模块来做。
注：第一步筛出来可用于预测的影像学特征变量后，也可以直接将这些变量带入第三步分析，不需要计算score。
统计学原理LASSO在如下两种情况时用得到：
1.当自变量X本身存在线性相关关系(多重共线性)。如X1与X2非常相关（即使并不是完全线性相关），这时X1的回归系数b1与X2的回归系数b2就可以有无数种组合而得到完全相同的b1*X1+b2*X2，也就是说对回归系数的求解不稳定，就需要附加条件来求解回归方程。
2.当数据特征（X变量数）比数据量（观察记录数）还要多的时候，也需要附加条件来求解回归方程。
LASSO将回归系数(b）收缩在一定的区域内。LASSO的主要思想是构造一个一阶惩罚函数获得一个精炼的模型,通过最终确定一些变量的系数为0进行特征筛选。LASSO的惩罚项为:sum(abs(b))=t。
数学原理易侕软件LASSO回归模块调用Rglmnet程序包进行LASSO回归分析，通过10folds交叉验证（cross-validation）筛选lambda。lambda越大，模型越精简。交叉验证方法是将数据分成10等分，首先对全数据进行拟合，生成lambda序列，然后每次排除1分数据，用余下的9分数据进行验证，计算10次验证得出来的错误(deviance)的平均值与标准差。最终输出两种模型，一是基于lambda.min即错误的均值为最小时对应的lambda;二是基于lambda.1se即错误均值在最小值的1个标准差范围之内对应的最大lambda。
软件操作练习下载练习数据：