纵向因果图像合成

临床决策在很大程度上依赖于因果推理和纵向分析。例如，对于阿尔茨海默病患者，如果对脑脊液中的A-beta水平进行干预，一年后脑灰质将如何萎缩？这个问题的答案对于诊断和后续治疗至关重要。然而，这类探究涉及反事实医学图像，这些图像无法通过基于仪器或相关性的图像合成模型获得。因此，一种能够合成此类图像的因果纵向图像合成方法非常有价值。然而，构建CLIS模型面临三个主要且尚未解决的挑战：高维图像与低维表格变量之间的维度不匹配、随访数据收集间隔不一致，以及现有因果图方法对图像数据的因果建模能力不足。在本文中，我们建立了一个用于CLIS的表格-视觉因果图，通过生成式成像、连续时间建模和结构因果模型与神经网络的创新集成，克服了这些挑战。我们基于ADNI数据集训练CLIS，并在另外两个AD数据集上进行评估，结果表明合成图像具有出色且可控的质量，以及合成MRI对AD进展表征的贡献，证实了其在临床中的可靠性和实用性。