阿尔茨海默病中的相关性与因果性：一种解释驱动的研究
人工智能
2025-06-13 v1 定量方法
应用统计
摘要
在阿尔茨海默病（AD）研究中，区分因果性与相关性至关重要，因为这会影响诊断、治疗以及识别真正疾病驱动因素的识别。本实验通过结合相关性分析、机器学习分类和模型解释技术，探讨临床、认知、遗传和生物标志物特征之间的关系。采用XGBoost算法，我们识别了影响AD分类的关键特征，包括认知评分和遗传风险因素。相关矩阵揭示了变量间的聚类关系，而SHAP（SHapley Additive exPlanations）值提供了关于不同疾病阶段中特征贡献的详细见解。我们的结果表明，强相关性并不必然意味着因果性，强调对关联数据的解读需谨慎。通过将特征重要性和解释性与经典统计分析相结合，本工作为未来致力于揭示真实病理机制的因果推断研究奠定了基础。最终，区分因果因素与相关标志物，可有助于 improved早期诊断和针对性干预阿尔茨海默病。
引用
@article{arxiv.2506.10179,
title = {Correlation vs causation in Alzheimer's disease: an interpretability-driven study},
author = {Hamzah Dabool and Raghad Mustafa},
journal= {arXiv preprint arXiv:2506.10179},
year = {2025}
}