用于医疗保健的因果图神经网络

医疗保健人工智能系统在跨机构部署时常会出现性能下降，已记录到性能下降和嵌入数据中不公平模式的延续。这一脆弱性部分源于学习统计关联而非因果机制。因果图神经网络通过将医学数据的图基表示与因果推断相结合来学习不变机制，而不仅仅是虚假关联。这一视角综述了结构因果模型、无因果表示学习以及图上干预预测和反事实推理技术。我们讨论了在精神疾病诊断和脑网络分析、癌症亚型与多组学因果集成、持续生理监测和药物推荐中的应用。这些方法为支持体外临床实验的患者专用因果数字孪生体提供了构建模块。剩余挑战包括预clude 实时部署的计算成本、超出标准交叉验证的验证挑战，以及方法采用因果术语而缺乏严格证据支持的因果浪漫风险。我们提出了一个分层框架，区分受因果启发的架构与已验证的因果发现，并概述了未来方向，包括可扩展的因果发现、多模态数据集成以及这些方法的监管路径。实现实用的因果数字孪生体需要对当前方法能提供的内容进行诚实评估，需要跨学科的持久合作，以及与因果主张力度相匹配的验证标准。