基于靶向试模拟框架的因果规则生成 (CRTRE)
机器学习
2024-11-12 v1
摘要
因果推断与模型可解释性近期受到广泛关注，尤其在生物医药领域。尽管近期进展显著，但在具有人类可解释表示的非线性环境中对特征去相关化仍受到忽视。本研究引入了一种新方法，称为基于靶向试模拟框架的因果规则生成 (Causal Rule Generation with Target Trial Emulation Framework, CRTRE)，其将随机试验设计原则应用于估计关联规则的因果效应。我们随后将此类关联规则用于下游应用，如疾病发作的预测。对六个医疗数据集进行大规模实验，包括人工合成数据、真实疾病数据集以及 MIMIC-III/IV，实验证明该模型性能卓越。具体而言，我们的方法实现了 误差为 0.907，优于 DWR (1.024) 和 SVM (1.141)。在真实数据集上，本模型在食管癌、心脏病和盆底神经节瘤预测任务中分别达到了 0.789、0.920 和 0.300 的准确率，始终优于基准模型。在 ICD 编码预测任务中，它在 MIMIC-III 上实现了 92.8 的 AUC Macro 分数，在 MIMIC-IV 上实现了 96.7 的 AUC Macro 分数，优于最新模型 KEPT 和 MSMN。专家评估进一步验证了该模型的有效性、因果性和可解释性。
引用
@article{arxiv.2411.06338,
title = {CRTRE: Causal Rule Generation with Target Trial Emulation Framework},
author = {Junda Wang and Weijian Li and Han Wang and Hanjia Lyu and Caroline P. Thirukumaran and Addisu Mesfin and Hong Yu and Jiebo Luo},
journal= {arXiv preprint arXiv:2411.06338},
year = {2024}
}