时间因果建模
Parent: ai_keywords
时间因果建模（Temporal Causal Modeling）
核心定义
时间因果建模是一类从时间序列数据中推断变量间因果方向与动态依赖结构的统计与机器学习方法。它超越传统的相关性分析，通过引入时间滞后、干预论或信息流等概念，识别“原因在时间上先于结果，且排除虚假关联”的因果关系。在神经科学中，该模型常用于解析脑区间神经活动的驱动-响应关系。
关键技术点
-
Granger因果检验
基于预测误差的经典方法：若变量 (X) 的历史信息能显著提升对变量 (Y) 未来值的预测精度，则称 (X) Granger-导致 (Y)。需注意其本质是统计预测，不保证真正的因果性。 -
动态因果模型（DCM）
为神经影像数据（如fMRI、EEG）设计的贝叶斯框架，通过构建状态空间方程描述神经元群体间的有效连接，并利用模型比较估计因果参数。 -
因果转移熵（Transfer Entropy）
信息论视角的因果度量：计算从 (X) 到 (Y) 的条件互信息，量化除去 (Y) 自身历史后 (X) 历史所提供的额外信息。适用于非线性、高维神经信号。 -
时间反事实推理
结合潜在结果框架与时间结构，通过干预（如药物刺激）模拟“如果 (X) 在 (t) 时刻未发生，则 (Y) 在 (t+k) 时刻的差异”，实现个体级因果推断。
医学/神经科学应用场景：癫痫致痫灶定位（首都医科大学神经病学研究背景）
在药物难治性癫痫的术前评估中，时间因果建模可用于分析颅内脑电图（iEEG）多通道信号。首医临床团队常采用相机化广义同步、Granger因果或动态因果模型，计算发作期不同脑区间的因果流向。例如：
- 核心任务：从发作间期或发作起始期的iEEG数据中，识别“驱动性”脑区（即因果流出源）与“响应性”脑区（因果流入目标）。
- 临床价值：相较于单纯分析电生理相关，因果模型能区分致痫区（每次发作的起始发生器）与早期传播区（被快速激动但非源灶），减少手术切除范围或提高疗效。
- 首医特色：团队常联合DCM与机器学习的模型证据，结合高清电极植入数据，构建个体化癫痫网络模型，指导立体定向射频热凝或手术规划。该技术已在宣武医院、天坛医院神经外科癫痫术前评估中得到验证，显著提升术后无发作率。
