arXiv cs.AI· Alexander Romanus, Mehul Shetty, Connor Jordan·· 12 小时前AI 评分24
利用 CausaLM 量化临床决策中的症状因果性
Quantifying Symptom Causality in Clinical Decision Making: An Exploration Using CausaLM
AI 导读
研究基于 CausaLM 框架生成反事实文本表示，使目标概念被“遗忘”，从而估计“胸痛”等症状对模型诊断预测的因果影响。团队用 TReATE 量化症状存在与否如何改变模型输出的疾病分布，并与 CONEXP 等基于相关性的基线对比。结果揭示临床 NLP 模型的决策行为，为更可信、可解释的因果决策支持工具提供依据。
正文 · AI 翻译
摘要：当前用于医学诊断的机器学习方法往往依赖症状与疾病之间的相关性模式，当症状模糊或为多种疾病所共有的时候，存在误诊风险。在本研究中，我们超越相关性，考察关键症状——具体而言是“胸痛”——对诊断预测的因果影响。借助 CausaLM 框架，我们生成反事实文本表示，其中目标概念被有效“遗忘”，从而能够对该概念在模型预测的疾病分布上的因果效应进行有原则的估计。通过采用基于文本表示的平均处理效应（TReATE），我们量化症状的存在或缺失如何塑造模型的诊断结果，并将这些发现与基于相关性的基线（如 CONEXP）进行对比。我们的结果使人们对临床 NLP 模型的决策行为有了更深入的理解，并有望为医学实践中更可信、更可解释且以因果为基础的决策支持工具提供依据。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2503.19394 [cs.LG] |
| （或 arXiv:2503.19394v2 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2503.19394 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Mehul Shetty [查看邮箱]
[v1]
2025年3月25日 星期二 06:59:21 UTC（238 KB）
[v2]
2026年10月21日 星期三 03:40:42 UTC（236 KB）
来源：arXiv cs.AI · arxiv.org