本文讨论因果语言如何对医学影像机器学习中的主要挑战（数据稀缺性和数据不匹配）进行分析，为数据收集，注释程序和学习策略的决策提供更透明的解释。研究发现，在医学影像数据中，考虑因果关系对于机器学习的安全性、法规性和责任报告至关重要。

Dec, 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

本文提出一种通过利用来自多个数据集的成像数据来增加样本数量的方法，分析了通过简单汇集这些数据可能引入的偏差类型，提出通过量化因果推断中的混淆度和因果程度来区分因果和混淆因素的方法，并在实验中表明这种方法能有效地估计从真实脑成像数据中得出的合理因果关系。

Jul, 2019

机器学习方法在临床决策中的重要性日益提升，因此解决公平性问题变得越来越迫切。尽管已经有很多工作致力于检测和改善算法偏见，但目前的方法存在缺陷和潜在危害。我们提出因果角度来研究算法偏见，强调数据集偏见的不同来源可能看起来相似，但需要采用截然不同的缓解策略。我们从盛行度、呈现度和注释差异三个因果偏见机制的角度进行分析。我们提供了一个实用的三步骤框架，用于思考医学影像公平性，支持开发安全和公正的 AI 预测模型。

Jul, 2023

我们提出了一种新方法，通过利用场景中的弱因果信号来模拟图像中一个特征对另一个特征的影响，实现自动分类医学图像。我们的方法由两个组成部分组成：卷积神经网络骨干和因果因子提取模块。后者根据其对图像场景的因果影响计算特征图的权重，以增强每个特征图。我们可以通过使用两个外部信号来修改因果模块的功能，从而获得我们方法的不同变体。我们在一个公共的前列腺 MRI 图像数据集上评估了我们的方法，用于前列腺癌诊断，包括定量实验、定性评估和消融研究。我们的结果表明，我们的方法改进了分类性能，并产生更可靠的预测，重点关注图像的相关部分。这在医学成像中尤为重要，准确可靠的分类对于有效的诊断和治疗规划至关重要。

Sep, 2023

本文研究了在海量数据时代我们如何学习原因关系及其联系对我们的影响。作者综述了传统和前沿的学习因果关系和关联的方法，并指出大数据的优势和挑战。

Sep, 2018

本文探讨了如何将因果推断融入临床决策支持系统，以及因果表示学习、因果发现和因果推理领域中的研究方向，以解决医疗应用中存在的高维非结构化数据处理、样本推广和时间关系等挑战。以 Alzheimer 病为例，展示了因果机器学习在临床场景中的优势。

May, 2022

通过利用变量之间的因果关系最大化利用所有可用数据，我们首次开发了半监督深层因果生成模型，以解决所提出的反事实问题，甚至对于具有不完整标签的样本，我们借助因果推断的技术来推断缺失值并生成逼真的反事实。

Mar, 2024

本篇论文研究了利用因果关系来改进医疗领域中的疾病诊断预测模型，通过因果关系的推断提高医生的决策能力和模型的预测准确性。

Nov, 2017

本文介绍了一个综合框架，用于对评估算法进行基准测试，它包括用于预测的未标记数据、用于验证的标记数据以及使用已建立和新颖指标进行算法预测的自动评估的代码，并解决了缩放和数据屏蔽问题。

Feb, 2018