Nov, 2022

医疗决策中因果干预的贝叶斯网络模型：文献综述与软件评估

PDF
TL;DR本文归纳了系统文献搜索的结果，确定了 Bayesian 网络模型在支持医疗决策方面的应用。通过筛选多篇研究论文，并对公共数据集进行了分析，使用了 Wang B，Lyle C，Kwiatkowska M（2021）开发的因果干预分析软件工具以及实验评估其应用效果。
bayesian network modelsdecision makinghealthcarecausal interventional analysisexperimental evaluation
发现论文，激发创造
  • 贝叶斯干预优化用于因果发现

    我们提出了一种基于贝叶斯优化的方法，通过活动干预来最大化获取决定性和正确证据的概率，从而有效地发现因果关系，并增强理论进展的实际应用。

    Jun, 2024

  • 因果贝叶斯网络中的干预和调节

    通过简单但常见的独立性假设，可以独特地估计干预公式的概率，包括充分性和必要性的概率。在许多感兴趣的情况下，当这些假设适用时，可以使用观测数据评估这些概率估计，这在实验不可行的情况下具有巨大的重要性。

    May, 2024

  • 医疗保健中的贝叶斯网络：按疾病分布

    研究发现，近三分之二的医疗保健贝叶斯网络都集中在四种疾病：心脏疾病、癌症、心理障碍和肺部疾病上。该研究呼吁加强对 BN 的理解和推广，以发挥其在日常医疗实践中带来积极影响的全部潜力。

    Feb, 2020

  • 基于观察型医疗数据的可迁移因果网络模型

    基于人工智能技术的预测模型在医疗保健领域得到广泛应用。本文提出了一种新方法，将选择图、缺失图、因果发现和先前知识结合成一个图形模型，用于评估乳腺癌幸存者的青少年女性的心血管风险。该模型通过专家临床医生的验证，在风险评估、准确性和可解释性方面胜过竞争的机器学习方法。

    Nov, 2023

  • 使用贝叶斯网络对表格数据和文本进行临床推理

    本文比较和讨论了增强贝叶斯网络与神经文本表示的策略，既在生成性方式又在判别性方式上，在临床推理和模拟结果等方面进行了讨论和实证。

    Mar, 2024

  • 从未知干预中学习神经因果模型

    本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。

    Oct, 2019

  • 决策规则对因果干预的鲁棒性的可证明保证

    本文提出了模型的鲁棒性来应对数据偏移，给出了用贝叶斯网络建模，确定参数和因果影响的干预下的最坏情况下性能的算法。实验结果表明该方法在实践网络中得出有用且可解释的范围性结论，从而可以构建出可证明因果性的鲁棒决策制定系统。

    May, 2021

  • 基于贝叶斯的从未知一般干预中发现因果关系

    学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

    Dec, 2023

  • 因果贝叶斯优化

    本文研究了在可以进行一系列干预的因果模型中全局优化感兴趣的变量的问题，提出了一种新算法 Causal Bayesian Optimization (CBO)，结合了因果推断、不确定性量化和序贯决策等思想，同时考虑了经典的探索 - exploitation 与新型的观测 - intervention 的平衡，通过应用于不同场景中，显示出了该方法的优越性。

    May, 2020

  • 使用干预学习和测试因果模型

    本文研究了因果贝叶斯网络上的测试和学习问题，并提出了有效的算法来测试两个未知因果贝叶斯网络的相似性和学习因果贝叶斯网络。

    May, 2018