本文介绍了因果机器学习（CausalML）方法，该方法将数据生成过程形式化为结构性因果模型（SCM），并从因果的角度探讨了干预和反事实的影响，同时将该方法归类为五类：因果监督学习，因果生成建模，因果解释，因果公平性和因果强化学习，并比较了每种类别中的方法，包括在计算机视觉，自然语言处理和图形表示学习等不同领域的应用，提供了因果基准的概述，以及对该新兴领域现状的关键讨论和未来工作的建议。

Jun, 2022

通过分析当前文献，本研究提供了关于机器学习在疾病诊断方面的最新方法和性能指标的深入了解。

Oct, 2023

该论文强调健康护理作为一个复杂系统，必须通过系统方法，推动机器学习算法的应用，以解决医疗挑战，并充分发挥电子病历的功能。

Sep, 2019

本文探讨基于技术成熟度级别的因果分析方法在医疗图像分析中填补算法性能和可靠性方面的空白，并就基于因果性的方法在医疗图像 AI/ML 中的应用进行了综述，发现其具有减轻临床转化中的关键问题的潜力，但目前在临床下游研究中的应用尚有限。

Jun, 2022

通过调查拥有临床部署经验的从业者，本研究针对临床机器学习应用程序的主要挑战类别进行了分类，以更好地设计和开发临床机器学习应用程序。

Sep, 2021

本研究提出了一种无需先前数据就可以预测新型干预效果的因果元学习框架 (CaML)，它是一种单一元模型，可跨越数千个任务进行训练，结合基于个体特征和干预信息的元特征，证明了在医疗和细胞实验中的有效性。

Jan, 2023

介绍机器学习和深度学习技术在医疗保健的应用及相应的安全和隐私挑战，并提出了相关方法以确保医疗保健应用中的安全和隐私保护。

Jan, 2020

通过快速处理能力，检测易被忽视的隐藏模式使得机器学习 (Machine Learning, ML) 在今天的医疗系统中不可或缺。本研究的目标是在不同医疗领域简洁有效地收集 ML 应用，并以表格形式提供相关参考文献和描述，以便立即获取必要信息。我们将研究分为五个主要组别：社区层面工作、风险管理 / 预防护理、医疗运营管理、远程护理和早期检测。我们的目标是向人们介绍机器学习在医疗行业的适用性，缩小临床医生对机器学习应用的知识差距，并推动医疗专业人员更多地基于机器学习的医疗系统。

Jul, 2023

计算机辅助诊断是一个快速发展的医学成像研究领域。本文综述了在计算机辅助诊断中应用机器学习和模式识别的算法，以检测包括肝炎、糖尿病、肝病、登革热和心脏疾病在内的多种疾病，以提高疾病检测的精确性和支持决策过程的客观性。

Jul, 2023

该论文阐述了电子病历（EHR）提供数据以回答临床相关问题，EHR 中不完整的标签、供建多个基础病因的疾病和健康人群缺乏等问题给机器学习在临床应用中带来的挑战，并强调了机器学习在医疗保健中发挥作用的机会。

Jun, 2018