本研究使用多中心子宫内膜癌的数据分析不同缺失机制对因果图的影响，通过扩展最先进的因果发现算法来利用专家知识，验证得到的图形的良好拟合度和一致性。

May, 2023

本研究提出了一种新的因果推断框架 —— 网络去混淆器 (Network Deconfounder)，它利用网络信息来辨识隐藏式混淆者的模式，从而进一步允许我们从观测到的数据中学习有效的单个因果效应。

Jun, 2019

本文利用因果发现算法和大型语言模型通过对 705 名乳腺癌患者的基因组信息的剖析，从多个角度研究患者存活状况的因素，表明因果发现算法和语言模型的可靠性，有助于深入挖掘临床应用上的可靠因果关系。

May, 2023

本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

Sep, 2020

本文介绍并验证了一种关于干预和传染网络数据的简洁参数化方法（所谓链图模型），通过使用美国最高法院在 1994 年至 2004 年之间的案例数据和模拟数据对社交网络中的集体决策进行因果推断。

Dec, 2018

本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。

Jun, 2024

本研究探讨了在众多现代应用中，训练数据中可能存在互相连接的个体不独立样本的情况下，预测算法的表现。我们提出了一种基于网络的罚函数来鼓励联通节点的预测相似性，并证明了将其应用于预测模型能够在现实和理论上得到显著的表现改进，特别在存在网络内部联系的情况下。此罚函数可以与许多基于损失的预测模型相结合，如回归模型，广义线性模型和 Cox 比例危险模型。通过对青少年的探险行为和大麻使用水平的预测研究，我们发现了这种方法对预测行为的提高是有效的，并且提供了对变量效应估计的说明。

Feb, 2016

通过引入因果选择图的先验知识，该研究提出了一种主动学习方法，将不稳定性机制产生的变量从联合因式分解中删除，从而得到不变于不同环境中差异的干预分布 —— 手术估计器，比之前仅考虑条件关系的方法在严格更多的场景下找到了稳定的关系，并在真实世界数据上表现出与完全数据驱动方法有竞争力的结果。

Dec, 2018

用因果贝叶斯网络代替机器学习模型，通过 bootstrap 重采样算法，从限制性的观察数据中发现子宫内膜癌患者淋巴节点转移的危险性，并评估选择偏差造成人工干预的可能性，最终讨论因缺失数据而产生的偏差，为真实世界临床环境下的预后风险评估提供方法。

May, 2023

本文介绍一种方法，通过数据整合和建立结构性因果模型，在不同条件下解决由选择偏差引起的局部统计问题，并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究，证明了这种方法的可行性和准确性，并揭示了数据整合对于信息界的提高具有积极的作用。

Dec, 2022