借助随机因果表征学习解决偏差-精确度悖论：面向个体化医疗的方案
人工智能
2026-05-08 v1 定量方法
摘要
从纵向观察数据估计个体化处理效应是数据驱动医疗的核心任务，而现有方法面临根本性限制：降低混淆偏差往往会抑制临床信息性异质性，导致对患者特定预测的性能下降。我们将此张力识别为因果表征学习中的偏差-精确度悖论，并引入基于抽样的最大均值不等式（sMMD），这是一种随机对齐策略，用以取代全局对抗性平衡。我们在用于反事实结果预测的框架中实现了这一方法，并具备归因导向的可解释性。我们在两个大型 ICU 队列中进行评估（样本数为 27,783），该框架在分布迁移下提升了准确率，将误差降低最高可达 11.5%，并在高危任务中显著提升了召回率。机制分析表明，sMMD 有选择地保留了临床决定性变量。在人类-AI 评估中，我们的方法在临床医师在训和大型语言模型方面均表现优异，并使临床医师的准确率提高 14.7%，同时缩短决策时间，实现可解释的、实时的临床决策支持。
引用
@article{arxiv.2605.05706,
title = {Resolving the bias-precision paradox with stochastic causal representation learning for personalized medicine},
author = {Peisong Zhang and Manqiang Peng and Yuxuan Wu and Pawit Phadungsaksawasdi and Wesley Yeung and Ye Zhang and Trang Nguyen and Qiang Zhang and Nan Liu and Meng Wang and Kee Yuan Ngiam and Yih-Chung Tham and Ching-Yu Cheng and Tianfan Fu and Qingyu Chen and Rosemary Ke and Chang Li and Wenzhuo Yang and Zhenghao Lu and Chunyou Lai and Yu Zhang and Sheng Zhong and Hao Deng and Dianbo Liu},
journal= {arXiv preprint arXiv:2605.05706},
year = {2026}
}