通过潜在伪时间建模发现阿尔茨海默病中的动态因果关系
应用统计
2025-11-07 v1 计算工程、金融与科学
机器学习
摘要
将因果发现应用于阿尔茨海默病（AD）等疾病受限于大多数方法的静态图假设；此类模型无法考虑由潜在疾病伪时间（pseudotime）调制的演化路径。我们提议将现有的潜在变量模型应用于真实 AD 数据，推断出独立于年龄的伪时间，以对患者沿数据驱动的疾病轨迹进行排序，然后学习因果关系如何演化。伪时间在预测诊断方面的性能优于年龄（AUC 0.82 vs 0.59）。将最小化、疾病中性的背景知识纳入模型，可显著提高图的准确性和方向性。我们的框架揭示了新兴标志物（NfL、GFAP）与已建立 AD 标志物之间的动态相互作用，使我们能够在违反假设的情况下进行实用因果发现。
引用
@article{arxiv.2511.04619,
title = {Dynamic causal discovery in Alzheimer's disease through latent pseudotime modelling},
author = {Natalia Glazman and Jyoti Mangal and Pedro Borges and Sebastien Ourselin and M. Jorge Cardoso},
journal= {arXiv preprint arXiv:2511.04619},
year = {2025}
}
备注
Accepted to the NeurIPS 2025 Workshop on CauScien: Uncovering Causality in Science