因果迁移

Parent: ai_keywords

因果迁移（Causal Transfer）

核心定义

因果迁移是指在因果推断与机器学习交叉领域中，将从源域（source domain）数据中学习到的因果结构、因果效应或干预规则，有效地应用于目标域（target domain）的能力。其核心挑战在于：当域间分布存在偏移（如不同患者群体、不同实验室条件）时，如何利用因果不变性（causal invariance）实现可泛化的知识迁移，而非依赖表面统计关联。

关键技术点

1. 因果不变性学习
   识别跨域共享的因果机制（如物理定律、生理调控路径），通过变量选择和结构约束，提取对干预稳定的特征表示。典型方法有Invariant Risk Minimization (IRM)。

2. 结构因果模型的可移植性
   利用有向无环图（DAG）描述因果方程，将源域学得的因果参数（如线性系数、干预分布）通过do-算子和反事实推断调整至目标域，前提是因果图在域间保持同构。

3. 分布偏移下的因果效应泛化
   针对协变量偏移、标签偏移或机制偏移，采用倾向性评分加权或工具变量法修正选择偏差，使基于源域估计的平均处理效应（ATE）可推广至目标域。

医学/神经科学应用场景：脑卒中后运动功能恢复的跨患者因果迁移模型

在首都医科大学神经病学研究中，针对不同病因（心源性栓塞 vs. 大动脉粥样硬化）的脑卒中患者，其运动功能恢复的因果路径可能存在差异。通过构建动作皮层-脊髓通路的结构因果模型（包含病灶位置、血流量、皮质脊髓束完整性等变量），利用因果迁移技术：

• 从大规模临床试验（源域）中学习康复训练→运动功能改善的因果效应（如Fugl-Meyer评分变化）。
• 针对新入院患者（目标域），使用其基线影像和电生理数据（如经颅磁刺激TMS诱发的运动诱发电位）调整因果图参数，实现个体化干预效应预测。
• 该模型可回答反事实问题：“若对该偏瘫患者进行经颅直流电刺激（tDCS），其3个月后上肢功能将改善多少？”——从而指导精准神经康复方案。