因果机器学习作为AI+领域的前沿方向，融合了传统因果推断与机器学习的优势，能够将因果逻辑嵌入数据驱动模型，有效弥补传统方法的局限性，被视为突破当前AI瓶颈的关键路径。该领域不仅具备深厚的理论潜力，也展现出广泛的应用前景，持续受到学术界高度关注。

2025年的研究热点可聚焦于动态建模、高维数据处理、无监督学习及跨领域迁移等方向，例如结合深度学习与稀疏因果图，探索轻量化混杂因子控制方法等，既具创新性又贴近实际需求。建议研究者密切关注顶会顶刊最新成果，并结合医疗、金融等具体场景深化研究，提升论文的影响力与落地价值。

我已整理十几篇篇最新因果机器学习相关论文，欢迎有需要的同学领取参考。

点击【AI十八式】的主页，获取更多优质资源！

一、Causal machine learning for predicting treatment outcomes

 

1.方法

1. 因果机器学习框架

   • 基于潜在结果框架，通过估计反事实结果来量化治疗效果。

   • 使用元学习器如 S-learner、T-learner、DR-learner 和 R-learner，结合任意机器学习模型进行条件平均处理效应估计。

   • 针对连续治疗变量，提出非参数方法和剂量响应曲线建模。

2. 数据源与假设处理

   • 结合随机对照试验和真实世界数据进行因果推断。

   • 依赖三大核心假设：无干扰性、重叠性、无混杂性，并通过倾向评分匹配、工具变量法缓解未观测混杂问题。

3. 模型验证与不确定性量化

   • 引入因果敏感性分析评估未观测混杂对结果的影响。

   • 使用随机森林因果模型和贝叶斯方法提供不确定性估计。

   • 提出“反事实模拟”和伪结果进行模型性能基准测试。

 

2.创新点

1. 个体化治疗效应估计

   • 提出基于条件平均处理效应的个性化预测，能够识别亚组患者的异质性治疗效果，支持精准医疗决策。

2. 多模态数据融合与复杂建模

   • 支持从高维、多模态数据中提取因果特征，扩展了传统统计方法的应用范围。

   • 开发针对连续治疗变量的非参数模型，解决传统方法在无限治疗值场景下的局限性。

3. 鲁棒性验证新方法

   • 提出因果敏感性分析框架，量化未观测混杂对结果的潜在偏差，提供更可靠的因果效应边界估计。

   • 引入“反驳检验”，通过随机变量替换和半合成数据模拟验证模型稳定性。

4. 临床转化与应用扩展

   • 提出结合 RCTs 和 RWD 的混合学习框架，解决临床试验成本高、伦理限制等问题。

   • 开发标准化工作流程和临床决策支持系统，推动因果机器学习在真实医疗场景中的落地。

论文链接：https://www.nature.com/articles/s41591-024-02902-1

Improving the accuracy of medical diagnosis with causal machine learning

 

1.方法

1. 反事实推理框架
   将医学诊断任务重新定义为反事实推理问题，提出两种因果诊断指标：

   • 预期禁用：量化治愈疾病后症状消失的可能性，反映疾病作为症状必要原因的程度。

   • 预期充分性：量化排除其他病因后症状仍由目标疾病引发的可能性，反映疾病作为充分原因的程度。

2. 结构因果模型（SCM）与贝叶斯网络

   • 使用三层贝叶斯网络建模因果关系，结合噪声OR模型描述症状激活机制。

   • 通过双网络方法高效计算反事实概率，避免传统反事实推理中的计算复杂性。

3. 实验验证

   • 使用1671个临床案例和44名医生组成的对照组进行测试。

   • 对比关联性算法与反事实算法的诊断准确率，分析罕见疾病场景下的性能差异。

 

2.创新点

1. 因果推理引入诊断算法
   首次将反事实推理（Pearl因果层次中的最高层级）应用于医学诊断，解决传统关联性方法中混淆相关性与因果关系的局限性。

2. 无需修改现有疾病模型
   提出的反事实指标可直接应用于现有贝叶斯诊断模型，实现即插即用的升级，显著提升诊断准确性,算法准确率从72.5%提升至77.3%，达到医生前25%水平。

3. 罕见疾病诊断性能突破
   在罕见和极罕见疾病场景中，反事实算法相比关联性算法将真实疾病排名提升29.2%-32.9%，弥补了传统方法在低发病率疾病中的短板。

4. 临床验证与医生对标
   通过大规模临床情景模拟和医生对照实验，首次证明算法在复杂真实任务中超越平均医生水平，并接近专家级诊断能力。

 

论文链接：https://www.nature.com/articles/s41467-020-17419-7

点击【AI十八式】的主页，获取更多优质资源！