本研究介绍了一种新颖的方法，通过学习和利用图像中的弱因果信号来自动分类医学图像。我们的框架由一个卷积神经网络主体和一个因果提取器模块组成，该模块提取特征图之间的因果关系，可以向模型提供关于图像中某个位置的特征出现的信息，当图像的另一个位置存在其他特征时。我们通过对前列腺 MRI 图像的公开数据集进行二元和多类分类实验证明了我们的方法在低数据场景下的有效性，并通过消融研究和定性评估使用类激活图来突出强烈影响网络决策过程的区域，验证了所提出的因果驱动模块的有效性。研究结果表明，特征之间的因果关系在提高模型识别相关信息和产生更可靠、可解释的预测方面起着关键作用，这使其成为医学图像分类任务中一个有希望的方法。

Sep, 2023

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

通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。

Apr, 2019

该研究通过学习方法建立了一个分类器来有效地区分静态图像中物体特征和其背景特征，从而实现了揭示物体类别中因果属性存在的可观测足迹的目标。

May, 2016

本文探讨了应用因果分析作为资源优化工具来开发医学成像机器学习应用的潜力。通过对合成数据集和糖尿病视网膜病变图像分析的实例研究，研究了数据集干预对图像分类模型输出的影响，以及需要在数据集中加入的数据量和类型以实现特定子任务的更好性能。

Jun, 2022

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

本文提出两种新方法对影像数据进行时间和形态表型效应研究并将其验证于 2D 癌细胞培养物中以分析药物效果。通过使用 1 百万张带有多种增强技术和多个裁剪的图像数据进行卷积自编码器的训练，将其作为特征提取器并通过距离分析和 DTW 动态时间规整应用于 31 种药物的时间模式聚类。使用对抗 / 正则化设置改善 31 种药物的分类并可视化图像区域，提高了平均 8％的排名和发现了一些形态特征的重要性图。作者在文中提供了这一特征提取器和权重以促进生物学中的迁移学习应用，并讨论了其他预训练模型的实用性以及该方法对其他类型的生物医学数据的适用性。

Mar, 2022

本研究使用卷积神经网络（CNN）和集成学习来探索如何利用深度学习方法从观察数据中推断因果关系，相对于传统的基于梯度提升分类器的方法，该方法在更少的训练数据条件下表现更好且具有更广泛的应用价值。

Jan, 2017

本研究提出了一种自动视觉解释方法，通过生成关于图像中哪些视觉信号与任务相关的假设，利用团队专业知识实现。该方法通过对分类器进行训练，使用 StylEx 进行图像生成和自动检测可视化，为 AI 模型提供解释和为未来研究提供假设。在八项预测任务中进行了验证，并展示了一些已知的属性、超越生理机制的属性以及潜在的生理学属性。

Jun, 2023

本文探讨了从视觉信号中学习上下文因果关系的可能性，提出了高质量数据集 Vis-Causal，并展示了通过好的语言和视觉表征模型和充足的训练信号，可以从视频中自动发现有意义的因果知识。

Dec, 2020