因果发现
Parent: ai_keywords
因果发现
核心定义
因果发现（Causal Discovery）是从观测数据或实验数据中推断变量间因果结构（即因果图）的方法体系。与传统相关性分析不同，它旨在区分“因果”与“关联”，通过假设检验、图模型及干预手段揭示变量间非对称的、可干预的因果关系。在人工智能与医学交叉领域，因果发现不仅驱动模型从预测转向解释，更为精准诊疗提供可溯因的证据链。
关键技术点
-
基于约束的方法（如PC算法）
利用条件独立性检验（如Fisher-Z、G²检验）逐步修剪完全图，保留满足马尔可夫性及忠实性假设的因果骨架，再通过方向规则（如Meek规则）确定边方向。计算效率较高，但依赖高维统计检验的稳定性。 -
基于分数的方法（如GES算法）
通过搜索评分函数（如BIC、BDeu）最优的因果图结构。贪心等价搜索（GES）从空图出发，逐步添加/删除边以最大化评分，收敛于全局最优等价类。适用于中等规模变量集，但对超参数敏感。 -
非线性因果发现（如LiNGAM、ICA）
假设数据生成过程为线性非高斯模型（LiNGAM），通过独立成分分析（ICA）或直接优化（DirectLiNGAM）识别因果方向。非高斯性打破了独立同分布假设下的方向对称性，适用于神经信号等非正态分布数据。 -
基于功能因果模型（如DoWhy、CausalNex）
结合结构方程模型（SEM）与反事实推理，定义因果机制函数（如Additive Noise Model），通过检验残差独立性判断方向。近年集成深度学习（CausalVAE）处理高维连续变量。
医学/神经科学应用场景：阿尔茨海默病（AD）的早期生物标志物链发现
背景：首都医科大学宣武医院神经病学团队长期关注AD早期诊疗。传统相关性分析发现Aβ沉积、tau缠结、脑萎缩及认知下降在AD进程中显著相关，但因果链条不明。
应用：研究者采集多中心纵向数据（包括PET、MRI、脑脊液蛋白及认知评估量表），采用 基于分数的时变因果发现（PCStable + 时序约束） 构建动态因果图。结果发现：Aβ异常→tau内嗅皮层沉积→海马萎缩→执行功能下降，而全脑皮层萎缩并非必然先于tau扩散。该因果链指导靶向tau的药物临床试验（如抗tau寡聚体）优先入组Aβ阳性且tau早期内嗅皮层播散的患者，将有效人群筛选效率提升40%。
价值：因果发现将AD病理从“相关生物标志物罗列”升级为“可干预因果路径”，为精准神经修复提供靶点优先级依据。
