[发明专利]一种级联医疗观测数据的因果推断方法及系统

说明书

本发明公开了一种级联医疗观测数据的因果推断方法及系统，以因果关系中的原因、级联结构中每个深度对应的中间变量以及因果关系中的结果为参数，建立改进后的级联非线性加性噪声模型，可以更好地匹配具有级联结构的医疗观测数据，提高识别级联医疗数据因果方向的精确度，同时，通过预置的对抗训练模型求解最大化的边缘对数似然函数对应的变分下界，利用对抗策略而非近似公式来绕开KL散度，能够允许加性噪声有更广泛的分布，从而提升模型的推断能力，与现有技术相比，能够很好地识别具有级联结构的医疗观测数据的因果方向，显著提高因果方向识别的精确度。

技术领域

本发明涉及医疗数据分析技术领域，特别涉及一种级联医疗观测数据的因果推断方法及系统。

背景技术

随着大数据时代的到来，各领域产生了大量的数据，研究这些数据之间的因果关系则显得至关重要。因果推断在生物医疗方面应用广泛，生物学家通过观测到的疾病基因数据来研究某种疾病与基因之间的因果联系；从药物的医药和生物方面综合信息上入手，推断引起药物不良反应的分子因素；利用基因数据中发现因果分子相互作用。此外，因果推断在其他各领域也有广泛的应用，如利用因果网络进行经济模型预测；通过因果图模型研究TCP网络协议性能等。

目前而言，因果推断逐步成为了各个研究领域的热点，也已经取得了大量成果。然而，现有的因果推断方法没有考虑到在真实数据中，原因变量与结果变量之间可能不是直接的因果影响，原因结果之间会有中间变量，初始原因和最终结果之间是间接的非线性的因果影响，所以现有的因果推断方法在具有级联结构的数据上表现不尽人意。此外，虽然因果推断在医疗方面取得了大量成果，但目前还没有一种方法是从观测数据入手，来研究这种间接的、具有级联结构的医疗数据。

鉴于此，如何提供一种从观测数据入手，推断间接的、具有级联结构的医疗观测数据的因果方向，提高因果方向识别精确度，解决现有方法中没有考虑到具有级联结构的医疗数据的级联医疗观测数据的因果推断方法，是所属技术领域人员需要解决的技术问题。

发明内容

为解决上述技术问题，本发明提供一种级联医疗观测数据的因果推断方法及系统，能够很好地识别具有级联结构的医疗观测数据的因果方向，显著提高因果方向识别的精确度。

本发明一方面提供一种级联医疗观测数据的因果推断方法，包括：

获取级联医疗观测数据，并从所述级联医疗观测数据中抽取第一变量和第二变量；

以因果关系中的原因、级联结构中每个深度对应的中间变量以及因果关系中的结果为参数，建立改进后的级联非线性加性噪声模型；

针对所述改进后的级联非线性加性噪声模型，构造边缘对数似然函数；

对所述边缘对数似然函数进行对抗变分解，并利用近似后验分布方法优化得到所述边缘对数似然函数对应的变分下界；

以所述第一变量作为因果关系中的原因，以所述第二变量作为因果关系中的结果，利用预置的对抗训练模型求解最大化的所述变分下界，得到第一变分下界值；以所述第二变量作为因果关系中的原因，以所述第一变量为作为因果关系中的结果，利用所述对抗训练模型求解最大化的所述变分下界，得到第二变分下界值；

将所述第一变分下界值与所述第二变分下界值进行比较，得到比较结果，并根据所述比较结果，确定所述级联医疗观测数据的因果方向。

优选地，所述改进后的级联非线性加性噪声模型的表达式为：

Z₁＝f₁(X；θ)+ε₁

Z_T＝f_T(Z_pa(T)；θ)+ε_T

Y＝f_T+1(Z_pa(y)；θ)+ε_y