关联 vs 因果

Parent: ai_keywords

关联 vs 因果

🧠 核心定义

关联（Association） 指两个变量在统计上共同变化（如 Pearson 相关系数、概率依赖），但未排除混杂、反向因果或偶然因素。因果（Causation） 则意味着一个变量的变化直接或间接导致另一个变量发生变化，需满足三个条件：时序性（因先于果）、规律性（排除虚无相关）、排他性（控制混杂后仍存在）。俗语“相关不代表因果”即警示不可将两者混同。

🔧 关键技术点

  1. 混杂变量控制
    关联可能由共同原因（混杂因子）造成。例如 fMRI BOLD 信号与认知任务的关系中，头部运动可能是虚假关联的来源。需通过回归、倾向评分匹配或分层分析消除。

  2. 随机对照试验（RCT）是因果推断的金标准
    通过随机分组消除已知/未知混杂，但神经科学中伦理限制（如不能随机让患者得脑卒中）促使发展替代方法。

  3. 因果推理方法

    • 工具变量（如孟德尔随机化，利用遗传变异作为工具）
    • 因果图/结构方程模型（DAG 可视化假设）
    • 反事实推断（如 Rubin 因果模型：估计干预组未干预时的结局）

  4. 神经调控验证因果
    经颅磁刺激（TMS）、深部脑刺激（DBS）可主动操纵神经活动，观察行为改变，是建立脑-行为因果关系的直接手段。

  5. 机器学习中的因果学习
    传统 ML 预测关联（如 MRI 分类是否为癫痫病灶），但因果 ML（如双机器学习、因果森林）可估计治疗效应，避免混淆导致的错误临床决策。

🏥 医学/神经科学应用场景：脑卒中后运动功能与皮质脊髓束完整性

背景（结合首都医科大学宣武医院、天坛医院神经科学重点实验室）：脑卒中患者常出现运动障碍，其预后与皮质脊髓束（CST）完整性（通过弥散张量成像DTI测量各向异性分数FA）呈显著正相关（r=0.6-0.7）。这是关联。

因果验证困境：

  • 高 FA 可能反映健侧代偿（反向因果），也可能因病灶早期水肿导致伪相关（混杂）。
  • 需采用纵向因果推断：如利用损伤后即刻的“自然实验”，结合Stroop任务功能激活和TMS-诱发电位，发现唯有基底节区梗死后CST FA下降能预测6个月后运动恢复（时序性），且TMS刺激患侧M1区可即时提高对侧握力（实验操纵），而假刺激无此效应（对比条件）。这支持FA降低→运动功能恶化的因果链。

临床意义：若仅基于关联指导康复（如强刺激高FA侧），可能无效；因果证据提示应优先修复受损CST（如脑机接口-功能电刺激联合）。首都医科大学研究团队正据此设计优化神经康复干预的 RCT。