Estimation of Personalized Heterogeneous Treatment Effects Using Concatenation and Augmentation of Feature Vectors
Peter the Great St.Petersburg Polytechnic University (SPbPU)(彼得大帝圣彼得堡理工大学)
本文提出了一种新的估计条件平均处理效应的元算法。该算法的主要思想是考虑一个新的数据集组成的特征向量,通过连接的例子从控制和治疗组,这是彼此接近。新数据的结果被定义为包括新特征向量的对应示例的结果之间的差异。第二个想法是基于这样的假设,即控制的数量是相当大的,控制结果函数是精确确定的。这个假设允许我们通过生成接近可用治疗的特征向量来增强治疗。在级联特征向量的扩充集合上构建的结果回归函数可以被视为条件平均处理效应的估计量。提出了一种基于随机子空间法或特征装袋法的协同学习算法。各种数值模拟实验说明了所提出的算法,并显示其优于著名的T-学习者和X-学习者的几种类型的控制和治疗的结果功能相比。
2019-09-09 cs.LG stat.ML
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Cambridge(剑桥大学)
确定何时对患者进行治疗以及如何随着时间的推移在多种治疗中进行选择是重要的医疗问题,现有的解决方案很少。在本文中,我们介绍了反事实循环网络(CRN),这是一种新型的序列到序列模型,它利用日益可用的患者观察数据来估计随着时间的推移的治疗效果并回答此类医学问题。为了处理时变混杂因素(影响观察数据中治疗分配策略的协变量)的偏倚,CRN使用领域对抗训练来构建患者病史的平衡表示。在每个时间步,CRN构建一个治疗不变表示,该表示消除了患者病史和治疗分配之间的关联,因此可以可靠地用于进行反事实预测。在肿瘤生长的模拟模型上,随着时间的变化,我们展示了我们的模型如何在估计反事实和选择正确的治疗和治疗时机方面比目前最先进的方法实现更低的误差。
2020-02-10 cs.LG stat.ML
Causal-BALD: Deep Bayesian Active Learning of Outcomes to Infer Treatment-Effects from Observational Data
OATML(牛津大学机器学习与应用实验室);University of Oxford(牛津大学);Machine Learning and Causal Inference in Healthcare Lab(医疗保健机器学习与因果推理实验室);Technion(以色列理工学院)
在实验设计不可行、不道德或昂贵的情况下,从高维观察数据估计个性化治疗效果至关重要。现有的方法依赖于对治疗人群和对照人群观察到的结果拟合深度模型。然而,当测量个体结果是昂贵的时,如肿瘤活检的情况,需要用于获取每个结果的样本效率策略。深度贝叶斯主动学习通过选择具有高不确定性的点来提供高效数据采集的框架。然而,现有方法使训练数据采集偏向于处理群体和对照群体之间的非重叠支持区域。这些都不是样本效率,因为在这些地区的治疗效果是无法识别的。我们引入因果,贝叶斯采集功能接地信息论,偏置数据采集区域重叠的支持,以最大限度地提高样本效率学习个性化的治疗效果。我们展示了所提出的采集策略在合成和半合成数据集IHDP和CMNIST及其扩展上的性能,这些扩展旨在模拟常见的数据集偏差和病理。
2022-02-01 cs.LG stat.ML
Estimating Potential Outcome Distributions with Collaborating Causal Networks
Duke University(杜克大学)
传统的因果推断方法利用观察性研究数据来估计潜在治疗的观察结果和未观察结果的差异,称为条件性平均处理效应(CATE)。然而,CATE仅对应于第一时刻的比较,因此可能不足以反映处理效应的全貌。作为替代方案,估计全部潜在结果分布可以提供更深入的见解。然而,用于估计处理效应潜在结果分布的现有方法通常对这些分布强加限制性或简单化的假设。在这里,我们提出了协作因果网络(CCN),这是一种新的方法,通过学习完整的潜在结果分布,超越了单独估计CATE。通过CCN框架估计结果分布不需要对基础数据生成过程进行限制性假设。此外,CCN有助于估计每种可能治疗的效用,并允许通过效用函数进行个体特异性变化。CCN不仅将结果估计扩展到传统的风险差异之外,而且还通过定义灵活的比较来实现更全面的决策过程。在因果文献中常见的假设下,我们证明了CCN学习渐近捕获真实潜在结果分布的分布。此外,我们提出了一种调整方法,在经验上有效地缓解观察数据中治疗组之间的样本不平衡。最后,我们在多个合成和半合成实验中评估了CCN的性能。我们证明,与现有的贝叶斯和深度生成方法相比,CCN学习到了改进的分布估计,以及改进了各种效用函数的决策。
2022-09-21 cs.LG stat.ML
GraphITE: Estimating Individual Effects of Graph-structured Treatments
Kyoto University(京都大学)
目标个体的治疗结果估计是基于因果关系进行决策的重要基础。大多数现有的结果估计方法处理二元或多项选择治疗;然而,在某些应用中,治疗的数量可能非常大,而治疗本身具有丰富的信息。在这项研究中,我们考虑了这种情况下的一个重要实例:图结构的治疗,如药物的结果估计问题。由于大量的可能的治疗方法,在传统的治疗效果估计中出现的观察数据的反事实性质变得更加关注这个问题。我们提出的方法GraphITE(发音为“graphite”)使用图神经网络学习图结构治疗的表示,同时使用希尔伯特-施密特独立准则正则化来减轻观察偏差,这增加了目标和治疗表示的独立性。在两个真实世界数据集上的实验表明,GraphITE的性能优于基线,特别是在大量处理的情况下。
2021-09-12 cs.LG stat.ML
Artificial intelligence surrogates for treatment effect estimation with before-and-after data
University of California, Berkeley(加州大学伯克利分校);University of California, San Francisco(加州大学旧金山分校);Williams College(威廉姆斯学院)
针对临床结局测量昂贵或随访长的问题,提出利用AI预测作为替代指标,基于前后配对测量估计治疗效应,并通过预测增强推断校正偏差,实验验证有效。
2026-09-24 cs.LG stat.ML
Causal machine learning for heterogeneous treatment effects in the presence of missing outcome data
London School of Hygiene & Tropical Medicine(伦敦卫生与热带医学院);University College London(伦敦大学学院);Ghent University(根特大学)
针对异质性处理效应估计中缺失结局数据导致亚组代表性不足的问题,提出整合删失权重逆概率的mDR-learner和mEP-learner两种去偏估计器,证明其oracle效率,模拟及GBSG2试验应用显示优于现有方法,为实践者提供实施指导。
2025-04-13 cs.LG stat.ML
Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies
本文提出了一种降维的基于结果加权学习的方法,用于在观察性研究中更准确地估计个体化治疗方案,通过降低协变量维度以提高模型性能和可解释性。
2026-01-11 cs.LG stat.ME stat.ML
On the role of surrogates in the efficient estimation of treatment effects with limited outcome data
Cornell Tech, Cornell University(康奈尔科技,康奈尔大学);School of Economics and Management, Tsinghua University(清华大学经济管理学院)
研究在有限目标结果数据下,如何利用代理结果数据提高平均处理效应估计精度,推导效率界限差异并开发稳健估计推断方法,实证验证了职业培训长期收入效应的估计提升。
2024-10-10 cs.LG stat.ME stat.ML
Targeted Active Learning for Preference-Based Treatment Effects on Multivariate Outcomes
Theremia;Paris Brain Institute (ICM)(巴黎脑科学研究所(ICM));Sorbonne Université(索邦大学);Inserm(法国国家健康与医学研究院);CNRS(法国国家科学研究中心);AP-HP(巴黎公共援助医院);Inria(法国国家信息与自动化研究所);Université de Montpellier(蒙彼利埃大学);Université Paris Cité(巴黎西岱大学);Centre for Research in Epidemiology and Statistics (CRESS)(流行病学与统计学研究中心(CRESS))
针对多结果偏好治疗效果,提出目标主动学习框架,通过减少治疗效果与最优策略不确定性选择查询,在帕金森病数据上降低误差与遗憾。
2026-10-14 cs.LG stat.ME stat.ML
Recovering Sparse and Interpretable Subgroups with Heterogeneous Treatment Effects with Censored Time-to-Event Outcomes
Carnegie Mellon(卡内基梅隆大学)
涉及随机化实验以及观察性数据的研究通常涉及至事件结局的时间,例如至失败、死亡或不良状况发生的时间。由于失访,这些结局通常会被删失,并且既定的统计实践涉及比较治疗组和对照组之间的风险比方面的治疗疗效。在本文中,我们提出了一种统计方法来恢复稀疏表型(或亚型),表现出差异处理效应相比,研究人群。我们的方法包括将数据建模为混合物,同时通过结构化稀疏正则化来执行参数收缩。我们提出了一种新的推理程序所提出的模型,并证明其在恢复稀疏表型在心血管健康的大型标志性现实世界的临床研究的有效性。
2023-02-24 cs.LG stat.ME stat.ML
PIPCFR: Pseudo-outcome Imputation with Post-treatment Variables for Individual Treatment Effect Estimation
Tencent AI Lab(腾讯AI实验室)
PIPCFR通过整合后处理变量改进伪结局填补,降低个体治疗效应估计误差。
2025-12-21 cs.AI cs.LG
PairNet: Training with Observed Pairs to Estimate Individual Treatment Effect
IIT Bombay(印度理工学院孟买分校)
PairNet提出基于观测样本对进行训练的新策略来估计个体处理效应,理论证明其一致性和更小泛化误差,在八个基准上显著优于十三种现有方法。
2024-06-06 cs.LG
Identifying Heterogeneous Treatment Effects in Multiple Outcomes using Joint Confidence Intervals
Harvard John A. Paulson School of Engineering and Applied Sciences(哈佛大学约翰·A·保尔森工程与应用科学学院);Massachusetts Institute of Technology(麻省理工学院);Harvard Medical School(哈佛医学院)
随机对照试验(RCTs)中通常会发现异质性治疗效果(HTE)。识别具有相似治疗效果的患者亚组在推进精准医学的临床研究中具有很高的兴趣。通常,在RCT期间测量多个临床结局,每个结局具有潜在的异质性效应。最近有很高的兴趣,确定亚组从高技术性经济体,但是,有较少的重点放在开发工具的设置,有多种结果。在这项工作中,我们提出了一个框架,用于划分协变量空间,以确定基于联合CI的多个结果的子组。我们测试我们的算法在合成和半合成数据,有两个结果,并证明我们的算法是能够捕获的HTE在两个结果同时。
2022-12-02 cs.LG
A Statistical Model for Stroke Outcome Prediction and Treatment Planning
Xerox Research Centre India (XRCI)(施乐印度研究中心(XRCI));St. John’s Medical College Hospital(圣约翰医学院附属医院)
脑卒中是世界范围内死亡和长期残疾的主要原因。中风的预测结果模型对于个性化治疗、康复计划和对照临床试验是有价值的。在本文中,我们设计了一个新模型来预测短期结果,即几种治疗方法的假定治疗窗口。我们基于回归的模型具有参数形式,旨在解决医学数据集中常见的许多挑战,如高度相关的变量和类别不平衡。从经验上讲,我们的模型在预测短期结果和推断改善结果的最有效治疗方法方面优于最知名的先前模型。
2016-02-22 cs.LG stat.AP
Causal Modeling of Policy Interventions From Sequences of Treatments and Outcomes
Aalto University(阿尔托大学);Helsinki University Hospital(赫尔辛基大学医院);University of Helsinki(赫尔辛基大学)
本研究提出结合高斯过程与点过程的连续时间联合建模方法,从观测序列估计治疗政策并预测干预及反事实结果,在血糖数据上优于现有方法。
2023-06-20 cs.LG stat.ME
Individualised Treatment Effects Estimation with Composite Treatments and Composite Outcomes
Institute of Biomedical Engineering at the University of Oxford UK(牛津大学生物医学工程研究所);Nuffield Department of Primary Care Health Sciences at the University of Oxford UK(牛津大学初级卫生保健科学系);Nuffield Department of Medicine at the University of Oxford(牛津大学医学系);Oxford-Suzhou Institute of Advanced Research (OSCAR)(牛津-苏州先进研究所)
本文提出H-Learner方法,通过动态共享信息解决复合治疗和复合结局下的个体化治疗效应估计问题。
2025-11-17 cs.AI cs.LG
G-Transformer: Counterfactual Outcome Prediction under Dynamic and Time-varying Treatment Regimes
Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院);City University of New York(纽约城市大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
本文提出G-Transformer,一种基于Transformer架构并结合g-computation因果推断方法的模型,用于在动态和时变治疗方案下进行反事实结果预测,在模拟与真实ICU数据集上均优于现有模型。
2024-09-26 cs.LG
HiSTOR: Structured Treatment-outcome Representation Learning for High-Dimensional Longitudinal Data
The University of Texas at Arlington(德克萨斯大学阿灵顿分校);Yale University(耶鲁大学)
针对高维协变量和时变混杂下个性化决策的潜在结果估计难题,提出HiSTOR端到端框架,结合非线性降维与纵向反事实预测,在CVSim和CancerSim上优于现有最优方法,实现高维协变量调整与纵向潜在结果预测的统一。
2026-10-14 cs.AI cs.LG
Cross-platform Prediction of Depression Treatment Outcome Using Location Sensory Data on Smartphones
University of Connecticut(康涅狄格大学);University of Connecticut Health(康涅狄格大学健康学院);University of Richmond(里士满大学)
本文研究利用智能手机被动位置数据预测抑郁症治疗结果,通过域适应统一 Android 与 iOS 数据特征空间并联合训练模型,实验表明该方法显著提升预测性能,F1 最高达 0.67,验证了位置数据的可行性。
2025-03-10 cs.LG
A Diffusion-Based Method for Learning the Multi-Outcome Distribution of Medical Treatments
Munich Center for Machine Learning & LMU Munich(慕尼黑机器学习中心及慕尼黑大学);University of Illinois, Chicago(伊利诺伊大学香槟分校)
本文提出基于扩散的 DIME 方法,通过因果掩码和自回归生成学习医疗处理多结局的联合干预分布,支持混合类型结局与不确定性量化,是首个面向该任务的神经方法。
2025-06-02 cs.AI cs.LG
Estimating Treatment Effects in Networks under Unknown Exposure Mappings
KU Leuven(鲁汶大学)
该研究针对网络场景中处理效应估计的干扰问题,提出无需预先指定暴露映射的HINet方法,经实验验证其在不同暴露映射下表现稳定,优于依赖预定义映射的相关方法。
2026-08-04 cs.LG
Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time
University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦·图灵研究所);University of Oxford(牛津大学);University of California, Los Angeles (UCLA)(加州大学洛杉矶分校)
为每个患者选择最佳治疗计划需要准确预测其随时间变化的治疗结果轨迹。虽然大型观测数据集构成了丰富的信息来源,但它们也包含偏见,因为在实践中很少随机分配治疗方法。为了提供准确和无偏的预测,我们引入了解纠缠反事实循环网络(DCRN),这是一种新的序列到序列架构,通过学习患者历史的表示来估计治疗结果,这些患者历史被分解为三个独立的潜在因素:治疗因素,仅影响治疗选择;结果因素,仅影响结果;以及混杂因素,影响两者。随着时间的推移,我们完全受到治疗影响的因果结构的启发,我们提高了预测准确性和疾病理解,因为我们的架构允许从业者推断哪些患者特征影响患者轨迹的哪一部分,与该领域的其他方法形成对比。我们证明了DCRN在预测治疗反应方面优于当前最先进的方法,无论是真实数据还是模拟数据。
2021-12-07 cs.LG
Efficient Heterogeneous Treatment Effect Estimation With Multiple Experiments and Multiple Outcomes
Massachusetts Institute of Technology(麻省理工学院);Facebook(脸书)
异质性治疗效应(HTEs)的学习是一个跨学科的重要问题。大多数现有的方法考虑了单个治疗组和单个结局指标的设置。然而,在许多现实世界的领域,实验是一致运行的-例如,在互联网公司,A/B测试每天都在运行,以衡量潜在变化对许多不同指标的影响。我们表明,即使一个分析师只关心一个指标在一个实验中的热膨胀系数,精度可以大大提高通过分析所有的数据在一起,以利用跨实验和跨结果指标的相关性。我们在一个张量分解框架中将这个想法形式化,并提出了一个简单且可扩展的模型,我们称之为低秩或LR学习器。在合成数据和真实数据中的实验表明,LR学习器可以比独立的HTE估计精确得多。
2022-06-10 cs.LG stat.ME
Deep Aesthetic Assessment and Retrieval of Breast Cancer Treatment Outcomes
Faculty of Engineering, University of Porto(波尔图大学工程学院);INESC TEC(葡萄牙国家工程与系统创新研究所);Champalimaud Foundation(尚帕利莫基金会);Nova Medical School(诺瓦医学院)
近年来,乳腺癌的治疗方法不断发展和改进,导致生存率大幅提高,约80%的患者生存期为10年。鉴于乳腺癌治疗可能对患者的身体形象产生严重影响,从而影响她的自信心以及性和亲密关系,因此确保妇女接受优化生存和美学结果的治疗至关重要。目前,没有金标准来评估乳腺癌治疗的美学效果。此外,没有标准的方法向患者展示手术的潜在结果。介绍过去的类似案例对于管理妇女对可能结果的期望极为重要。在这项工作中,我们提出了一个深神经网络进行美学评价。作为概念验证,我们专注于二元美学评估。除了用于分类之外,这种深度神经网络还可以用于在分类之前通过在高度语义空间中搜索最近邻来找到最相似的过去案例。我们在一个由143张乳腺癌保守治疗后女性照片组成的数据集上进行了实验。准确度和平衡准确度的结果显示,与乳腺癌治疗的美学评价的最新技术相比,我们提出的模型具有优越的性能。此外,该模型显示出良好的检索类似的先前病例的能力,检索到的病例具有相同或相邻的类别(在4类设置中),并且具有相似类型的不对称性。最后,还进行了定性的可解释性评估,以分析模型的鲁棒性和可信度。
2022-05-25 cs.CV cs.LG
Non parametric estimation of causal populations in a counterfactual scenario
Dauphine-PSL University(巴黎第九大学-巴黎文理大学)
在因果关系中,估计治疗的效果而不混淆推断仍然是一个主要问题,因为需要评估治疗和不治疗两种情况下的结果。由于不能同时观察这两种情况,估计潜在结果仍然是一项具有挑战性的任务。我们提出了一种创新的方法,将问题重新表述为缺失的数据模型。目的是估计\emph{causal populations}的隐藏分布,定义为治疗和结局的函数。因果自动编码器(CAE),增强了依赖于治疗和结果信息的先验,同化潜在空间的目标人群的概率分布。特征在被减少到潜在空间并受到网络中间层中引入的包含治疗和结果信息的掩模的约束后被重建。
2021-12-08 cs.LG stat.ME
Transformer-Based Classification Outcome Prediction for Multimodal Stroke Treatment
Stevens Institute of Technology(史蒂文斯理工学院);University of Sofia(索非亚大学);University of Electronic Science and Technology of China(电子科技大学)
本研究提出基于Transformer和自注意力机制的多模态融合框架Multitrans,结合NCCT图像与出院诊断报告预测中风治疗结果,发现多模态组合优于单一模态。
2024-11-16 cs.AI cs.CV cs.LG
Censoring-Aware Tree-Based Reinforcement Learning for Estimating Dynamic Treatment Regimes with Censored Outcomes
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所)
本文提出CA-TRL框架,通过增广逆概率加权和删失感知修正增强树型强化学习,用于从删失观测数据中估计最优动态治疗方案,并在模拟和SANAD癫痫数据集上验证其优于ASCL方法。
2025-03-09 cs.AI cs.LG stat.ME
Learning Personalized Treatment Decisions in Precision Medicine: Disentangling Treatment Assignment Bias in Counterfactual Outcome Prediction and Biomarker Identification
ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学);University Hospital Zurich(苏黎世大学医院);Harvard University(哈佛大学);DFCI(达纳-法伯癌症研究所)
本文利用互信息建模临床观察数据中的治疗分配偏倚,并在TCGA及药物、CRISPR筛选数据上验证不同偏倚对反事实预测和生物标志物识别的影响,为精准医疗个性化治疗决策提供更现实的基准。
2024-11-24 cs.IT cs.LG math.IT