为解释性神经网络诱导因果结构：应用于 T1DM 糖尿病患者的血糖预测
机器学习
2025-03-19 v1 生物大分子
摘要
因果抽象技术如互换干预训练 (IIT) 已被提出将专家知识编码于因果模型中以注入神经网络，但其在现实问题中的应用仍有限。本文探讨将 IIT应用于预测 Type 1 糖尿病 (T1DM) 患者的血糖水平。该研究利用经 FDA 批准的 acyclic 版本 simglucose 模拟器训练多层感知器 (MLP) 模型，采用 IIT 施加因果关系。结果表明，采用 IIT 训练的模型有效抽象了因果结构，相较于标准模型在餐后不同预测时段 (PH) 下的预测性能均优于后者。此外，反事实损失的分解可用于解释模型是否有效捕获了因果机制的哪些部分。这些初步结果表明 IIT 在增强医疗领域预测模型方面具有潜力，能够有效遵循专家知识。
引用
@article{arxiv.2503.14442,
title = {Inducing Causal Structure for Interpretable Neural Networks Applied to Glucose Prediction for T1DM Patients},
author = {Ana Esponera and Giovanni Cinà},
journal= {arXiv preprint arXiv:2503.14442},
year = {2025}
}
备注
27 pages, 10 pages, to be published in the Proceedings of Machine Learning Research (PMLR), to be presented at the conference CLeaR 2025