通过随机因果表征学习解决个性化医疗中的偏差-精度悖论

# 利用随机因果表示学习解决个性化医疗中的偏差-精度悖论

来源: https://arxiv.org/html/2605.05706 [1, 2]
Liu Dianbo [1]
1) 新加坡国立大学医学院
2) 新加坡国立大学设计与工程学院
3) 中南大学爱尔眼科学院
4) 泰国塔玛萨特大学皮肤科
5) 新加坡国立大学医疗系统国家心脏中心
6) 首都医科大学附属北京同仁医院北京同仁眼科中心
7) 斯坦福大学医学院
8) 浙江大学计算机科学与技术学院
9) 杜克-新加坡国立大学医学院
10) 南京大学计算机系
11) 耶鲁大学医学院
12) Google DeepMind
13) 南方医科大学南方医院神经外科，国家神经疾病临床医学研究中心
14) 中山大学肿瘤防治中心，癌症医学协同创新中心
15) 成都类器官医械实验室
16) 四川省人民医院老年综合外科与国际医学部
17) 哈佛大学哈佛医学院

###### 摘要

从纵向观察数据中估计个体化治疗效应是数据驱动医学的核心，但现有方法面临一个根本性局限：减少混杂偏差往往会抑制具有临床信息价值的异质性，从而降低针对特定患者的预测精度。在此，我们将这种张力识别为因果表示学习中的“偏差-精度悖论”，并引入了基于采样的最大均值差异（sMMD），这是一种随机对齐策略，用子集层面的匹配替代了全局对抗平衡。我们在一个具有归因基础可解释性的反事实结果预测框架中实例化了这一方法。在两个大规模重症监护室（ICU）队列（n = 27,783）中，我们的框架在分布偏移下提高了准确性，误差降低多达 11.5%，并在高风险任务中显著提高了召回率。机制分析表明，sMMD 选择性地保留了临床上具有决定性作用的变量。在人机评估中，我们的方法优于实习医生和大型语言模型（LLM），并使临床医生的准确率提高了 14.7%，同时缩短了决策时间，实现了可解释的实时临床决策支持。

###### 关键词：医疗错误减少，混杂偏差，最大均值差异，重症监护室，临床决策支持，个性化医疗，开源医疗人工智能

## 1 引言

**图 1：解决重症监护中因果 AI 的精度-偏差悖论。**
(a) AI 在 ICU 临床工作流程中的集成。该系统聚合多模态患者数据——包括人口统计学、生命体征、治疗和实验室结果——以提供治疗选择的决策支持。
(b) 偏差-精度困境及其因果起源。左侧：因果有向无环图（DAG）说明了时间变化混杂如何在纵向治疗环境中产生——协变量 $X$ 同时影响治疗分配 $A$ 和结果 $Y$，创建了平衡方法旨在阻断的混杂路径（红色箭头和红色叉号）。右侧：偏差-精度散点图显示，现有的对抗平衡方法受限于技术前沿（虚线），在此处激进的偏差去除（x轴）牺牲了患者特异性（y轴）。在过度平衡机制中，通用表示无法捕捉个体生理动态。GITO（绿色星号）通过基于采样的最大均值差异（sMMD）超越这一前沿，在缓解混杂的同时保留个体化预测所需的信息。
(c) 基于采样的 MMD（sMMD）平衡策略。表示 $\mathcal{B}$ 根据治疗分配进行分组。在组间执行随机采样以对齐样本分布。然后应用最大均值差异（MMD）以最小化采样的治疗组之间的分布差异，实现平衡表示而不进行全局同质化。
(d) 人机比较与合作。患者轨迹以适合模式的格式呈现：LLM 的文本提示、医学生的生命体征图表以及 GITO 的结构化矩阵。GITO 实现了 75.6% 的预测准确率，优于 LLMs（最高：67.2%）和未辅助的医学生（55.6%）。底部：特征归分得分与 LLM 驱动的解读相结合以支持人机协作，在 GITO 解释的辅助下，临床医生的表现有所提升（右侧）。

**图 2：GITO 框架和临床决策支持界面。**
a, 患者纵向数据（生命体征 $V$、协变量 $X_t$、结果 $Y_t$ 和治疗 $A_t$）由表示模块 $\Theta_{\mathcal{B}}$ 编码为平衡表示 $\mathcal{B}_t$。结果预测器 $\Theta_Y$ 在替代治疗场景下生成多步反事实预测 $\hat{Y}$。基于采样的 MMD（sMMD）对齐治疗组分布，同时保留患者级别的异质性（右侧：分布匹配），这与强制全局不变性的对抗方法形成对比（左侧：平衡前后的散点图）。归因模块计算每个变量的贡献，这些贡献由基于 LLM 的解释模块（右上角）翻译为自然语言临床理由。
b, 基于 Web 的临床界面。临床医生上传患者数据并选择预测模型（顶部）。仪表板显示变量级归因得分、时间贡献模式和反事实治疗轨迹（右下角）。LLM 生成的解释提供具有治疗偏好分布的结构化临床理由（左下角）。
数据来源：MIMIC-III ($N=25,186$，美国) 和 AmsterdamUMCdb ($N=2,597$，荷兰)。

数据驱动的个性化医学旨在通过从纵向观察数据中估计治疗效应，将干预措施量身定制到个体患者特征 [journal/aim1997/757Rubin, journal/naturemed2024/30Feuerriegel, journal/epidemiology2000/Robins, journal/npjdm2020/17Sutton]。然而，一个关键挑战限制了这一努力：观察数据本质上是存在混杂的，因为治疗决策反映了病情严重程度而非随机分配 [journal/biometrika1983/41Rosenbaum, journal/jasa1984/516Rosenbaum]。为此，最先进的框架在习得的表示空间中强制执行治疗人群和未治疗人群之间的分布对齐（图 1a）[conference/nips2018/31Lim, conference/iclr2020/Bica, conference/icml2022/Melnychuk, conference/icml2024/wang]。这一去混杂过程引入了一个未被充分研究的权衡：驱动治疗分配的患者特征（因此组间差异最大）往往是最具临床信息价值的。激进的align可能会中和个体化预测所必需的具有临床信息价值的异质性（严重程度指标、疾病亚型、合并症谱和时间轨迹）[journal/ije2016/45Dahabreh, journal/biopsy2020/88Eric, journal/lancetDH/1Forte]。我们称之为“偏差-精度困境”：全局去混杂以牺牲个体水平的特异性为代价，提高了平均因果估计。这种困境并不局限于单一临床领域；只要观察数据指导治疗，从癌症剂量优化到慢性病管理，它就会出现 [journal/bmj2018/363Kent, journal/medrxiv2026/Soltanifar]。

目前用于治疗效应估计的表示学习方法，包括反事实循环网络（CRN）[conference/iclr2020/Bica]、因果 Transformer（CT）[conference/icml2022/Melnychuk]、对抗性反事实时序推理网络（ACTIN）[conference/icml2024/wang] 及其变体 [conference/nips2018/31Lim, conference/icdm2022/1053Li, conference/kdd2024/12Wu, conference/nips2024/37Bouchattaoui]，采用共享编码器将患者协变量映射到潜在空间，从中治疗特定的结果头生成预测。为了去除混杂，这些方法收敛于一个共同范式：对抗平衡。编码器被训练以产生从中无法恢复治疗分配的表示，而对抗目标同时尝试识别它。这种竞争驱动习得的表示在治疗组之间趋向于全局分布不变性，有效地模拟了随机试验的平衡。然而，后果是 indiscriminate 的：无论临床相关性如何，对抗目标都会中和治疗组之间的任何分布差异（图 1a）。

以脓毒症中的血管加压素治疗为例。病情更重的患者更有可能接受血管加压素，因此血压轨迹（决定血管加压素需求的信号）在治疗组和未治疗组之间存在系统性差异。对抗平衡抑制了这些轨迹，使模型无法区分需要干预的患者和不需要干预的患者 [conference/nips2022/Moayeri, conference/icml2024/Huang]。结果是“过度平衡”：在平均意义上是去混杂的，但在个体水平上是无信息的表示，导致在临床上截然不同的亚群中泛化能力差 [journal/crt2024/4Curth, journal/cer2017/288Li]。

第二个障碍加剧了第一个：现有的因果推断框架仍然不透明。标准的可解释性技术产生特征级重要性得分，而不是医生需要信任和基于推荐采取行动的情境化、临床基础的理由 [journal/naturemi/421Liu]。过度平衡的表示和不透明的预测共同限制了当前方法的实际效用（图 1a）。

偏差-精度困境在重症监护室（ICU）中尤为关键，这里的干预措施对时间敏感，错误余地狭窄 [journal/jbiei2016/3Roughead, journal/cricare2008/12Moyen, journal/bmj2019/366Panagioti]。血管加压素管理和机械通气等治疗需要根据患者不断变化的生理状态进行持续重新校准 [journal/ccm2024/1633Bauer, journal/aim2019/285Cox]，且治疗分配受到病情严重程度的强烈混杂。ICU 环境还产生丰富的高分辨率纵向数据，同时伴随着大量的不良事件负担；不安全护理导致全球每年估计有 300 万人死亡 [journal/bmj2016/353Makary, who2023patientsafety]。高风险、强混杂和数据可用性使 ICU 成为解决这一困境的理想试验场。

用于个性化 ICU 干预的数据驱动模型已显示出将死亡率降低多达 20% 的潜力 [conference/prmlhc2017/68Raghu, journal/eswa2021/169Akash, journal/aim2019/285Cox]，但实现这一潜力需要既准确又可信赖的模型。

我们提出了 GITO（Generalized and Interpretable Treatment Outcome，广义可解释治疗结果），这是一个用根本不同的去混杂策略替代对抗平衡的框架（图 1b,c）。在纵向治疗环境中，编码器产生跨多个时间步长的表示，每个表示都与一个治疗分配相关联。GITO 并不训练判别器以同时对所有这些表示强制执行全局不变性，而是采用基于采样的最大均值差异（sMMD）：在每个训练迭代中，从每个治疗组中抽取小随机子集并通过 MMD 进行对齐。这种随机的、样本级别的对齐提供了更柔和的分布约束，在不去除整个表示空间成为单一同质化分布的情况下缓解混杂。因此，模型保留了患者级别的异质性（严重程度指标、疾病亚型、合并症谱和时间轨迹），而对抗方法在其追求全局不变性的过程中无意中丢弃了这些异质性。

然而，仅凭准确率并不能赢得临床信任；在采取行动之前，医生必须理解模型为什么推荐某种行动方案 [journal/mlhc2019/106Tonekaboni]。现有的可解释性方法，如 SHAP 值或注意力权重可视化，产生数值特征归因，但缺乏支持床边推理的临床背景 [journal/lancetDH2021/3Ghassemi]。为了弥合这一差距，GITO 结合了基于归因的可解释性流程，通过大型语言模型将模型的每个特征贡献转化为自然语言临床叙述，并限制其仅基于模型衍生的证据进行推理，以降低幻觉风险（图 1b）。

我们在两个真实世界的 ICU 数据库上评估了 GITO：MIMIC-III（25,186 名患者，美国）和 AmsterdamUMCdb（2,597 名患者，荷兰），涵盖了具有不同人口统计和种族组成的群体。当从训练人群（白人，$N=3,560$）转移到保留的亚洲人（$N=119$）、非洲人（$N=383$）和拉丁裔（$N=143$）后代亚组时，GITO 保持了稳健的性能，相对于未平衡的基线，平均 RMSE 降低了 13%。我们在两个临床上截然不同的任务上验证了该框架：血压轨迹预测和呼吸机再插管风险评估。对于再插管，GITO 增强的预测将高风险假阴性减少了 42%（召回率从 0.506 提高到 0.719），同时 AUC 从 0.711 提高到 0.756。在人机基准测试中（图 1d 和 7b），GITO 实现了 75.6% 的准确率，优于所有四个测试的 LLM（高出 8.4 至 19.0 个百分点）和未辅助的医学生（$n=4$）。在一项与执业医生（$n=3$）的合作研究中（图 7c），GITO 的解释使准确率提高了 14.7 个百分点，决策时间减少了 74%，并将安全率从 82.4% 提高到 89.8%。

据我们所知，GITO 是第一个通过样本级别分布对齐共同解决偏差-精度权衡，并通过基于归因的 LLM 推理在纵向因果推断中弥合可解释性差距的框架。我们将 GITO 作为自由访问的、开源的、基于 Web 的临床工具发布（图 2），在标准 CPU 硬件上的推理延迟低于 50 毫秒，使其能够部署在安全的医院内网中。sMMD 对齐策略和可解释性流程都是*领域无关的*，适用于任何必须从观察数据中估计个体化治疗效应的地方。