背景

近年来，因果推断 (Causal Inference) 和机器学习 (Machine Learning) 被愈发广泛地应用于医学图像、药品研发等领域。正如人们对Causal与ML结合的问题产生愈发浓厚的兴趣，在各自发展壮大的同时，二者之间在医、药学领域的联系也同样引起了越来越多的讨论。在某种程度上，这种联系体现在对对方现有的模型和框架进行改进和补充，使得原有的方法能有更好的表现。这种改进和补充是相互的。例如，因果推断能够比较全面清晰地理解数据产生机制和相互影响关系，从而为医疗图像中的机器学习方法提供指导和参考；而机器学习也能应用于基于因果框架的药品开发中，提升模型表现。本次分享我们将分别介绍关于以上两个例子的具体研究进展，以期体现医药领域Causal与ML的深刻联系，以及将二者综合考虑以解决医疗图像、药品研发等医药领域实际问题的良好前景。

内容简介

分享一

本次分享将介绍如何利用因果图（Causal Diagram）为在医疗图像领域应用机器学习方法处理图像分类，分割（Segmentation）等具体问题提供参考。这次分享的论文主要关心如何利用因果帮助解决在上述任务中可能遇到的数据缺乏（Data Scarcity）及数据集迁移（Data Mismatch）问题。我们将首先介绍如何通过判断任务的因果方向，初步评估半监督学习及数据增广（Data Augmentation）两种常见方法的适用性，以选择合适方法处理带标签数据量不足的问题。其次，我们将基于因果图框架考虑数据集迁移的不同原因和分类，并讨论其背后因果层面的本质区别及处理方法上的不同。最后，我们将介绍一套适合业界使用的操作流程，帮助认清数据收集方式，从而制定对数据集进行修正的合适方法。

解读文献：Castro, D.C., Walker, I. & Glocker, B. Causality matters in medical imaging. Nat Commun 11, 3673 (2020). https://www.nature.com/articles/s41467-020-17478-w

分享二

本次分享将介绍一篇用观察性研究数据辅助已上市药物再利用研究的论文。作者使用医保索赔数据库，提出了一个基于LSTM的框架来模拟随机对照试验，估算倾向性得分以评估55种已上市药品成分对冠状动脉疾病的潜在有效性。

解读文献：Liu, R., Wei, L., & Zhang, P. A deep learning framework for drug repurposing via emulating clinical trials on real-world patient data. Nature Machine Intelligence 3,68-75 (2021). https://www.nature.com/articles/s42256-020-00276-w

主讲人

王浩翔，就读于北京大学数学科学学院统计学专业，主要兴趣方向为因果推断、机器学习及诊断医学中的统计学方法。

赵欣，毕业于伦敦大学学院数学系及帝国理工公共卫生学院。目前在伦敦一家初创公司担任研究科学家。目前兴趣为用机器学习方法改进医疗卫生的效率。

直播信息

时间：

2022年3月6日上午9: 00-11: 00

参与方式：

• 文末扫码参加读书会第三季，加入群聊，获取系列读书会回看权限，成为因果社区种子用户，与900余位社区的科研工作者沟通交流，共同推动因果科学的发展。
• 集智俱乐部 B 站免费直播，扫码可预约。

扫码预约

因果科学读书会第三季启动

读书会大纲一览：

Donald Rubin：Essential Concepts of causal inference

因果推断在观察性研究中的应用（续）：ANALYSIS

因果与公平性和可解释性

「深入理论学习」

点击“阅读原文”，报名直播