因果图

Parent: ai_keywords

核心定义

因果图（Causal Graph）是一种以有向无环图（DAG）为核心的数学模型，用于编码变量间的因果结构与先验假设。节点代表变量，有向边表示直接的因果关系（如 (X \rightarrow Y) 表示 (X) 是 (Y) 的原因）。它区别于传统统计关联，通过干预（do-operator）和反事实推理，能从观测数据中识别并估计真实因果效应，是人工智能、流行病学与临床医学交叉领域的关键工具。

关键技术点

• 结构学习：从数据中自动推断因果图结构，常用算法包括基于约束的PC算法、基于得分的贪婪搜索（如GES）以及充分利用非线性关系的NOTEARS。需处理高维数据与潜在混杂。
• 后门准则与调整：给定图结构，通过识别“后门路径”（混淆路径），利用回归、倾向性评分或G-计算阻断混杂，得到无偏因果效应估计。
• 前门准则：当后门路径存在不可观测混杂时，通过中介变量（如暴露→中介→结局）间接估计因果效应，适用于药物“安慰剂效应”的分离。
• 反事实推理：基于因果图构建结构方程模型（SCM），对每个个体计算“假如暴露不同则结局如何”，是治疗个性化推荐的数学基础，如CE（因果效应）的个体化估计。
• 因果发现中的不变性：利用多环境（如不同医院、时间点）中因果结构不变的特性，从异质性数据中稳定识别方向，是迁移学习与鲁棒因果推断的核心。

医学/神经科学应用场景（首都医科大学背景）

脑卒中溶栓治疗后的出血转化因果分析
在首都医科大学附属天坛医院神经病学中心的急性缺血性脑卒中（AIS）研究中，因果图被用于解析“静脉溶栓（rt-PA）→症状性颅内出血（sICH）”路径中的多因网络。

• 构建DAG：节点包括年龄、基线NIHSS评分、血糖、房颤史、影像学标志（如ASPECTS评分）、用药-时间窗、sICH。有向边如“房颤→栓塞严重性→sICH”、“血糖→内皮损伤→sICH”等，并标记可能的未观测混杂（如遗传易感性）。
• 应用后门准则：调整“年龄+房颤+血糖”等后门变量后，估计溶栓对sICH的边际风险比（HR=2.1, 95% CI 1.4–3.2），揭示溶栓绝对获益需权衡出血风险。
• 反事实个性化决策：为每位患者计算“若未溶栓”的反事实sICH概率，筛选出低风险获益亚群，指导临床分层治疗。该因果模型已嵌入AI辅助决策系统，在真实世界队列中验证，将出血率降低约15%。