用于缓解医疗健康领域数据偏移的因果框架

开发能够在多样化患者群体和异质环境中可靠运行的预测模型是医学研究的核心目标。然而，泛化仅在所学模型对训练数据与部署时所见数据之间的统计差异具有鲁棒性时才有可能。领域泛化方法提供了应对数据偏移的策略，但每种方法都有其自身的假设和权衡。要在医疗健康领域应用这些方法，我们必须理解领域偏移如何产生、我们倾向于做出哪些假设以及我们的设计约束是什么。本文提出了一种用于设计预测模型的因果框架以改善泛化能力。因果性提供了一种强大的语言来刻画和理解多样化的领域偏移，无论数据模态如何。这使我们能够 pinpoint 模型为何无法泛化，从而引出更原则性的策略来准备和适应偏移。我们推荐了通用的缓解策略，讨论了权衡并突出了现有工作。基于因果的视角为开发鲁棒、可解释且临床相关的 AI 解决方案奠定了关键基础，为可靠的现实世界部署铺平了道路。