近年来，因果推断 (Causal Inference) 和机器学习 (Machine Learning) 被愈发广泛地应用于医学图像、药品研发等领域。正如人们对Causal与ML结合的问题产生愈发浓厚的兴趣，在各自发展壮大的同时，二者之间在医、药学领域的联系也同样引起了越来越多的讨论。在某种程度上，这种联系体现在对对方现有的模型和框架进行改进和补充，使得原有的方法能有更好的表现。这种改进和补充是相互的。例如，因果推断能够比较全面清晰地理解数据产生机制和相互影响关系，从而为医疗图像中的机器学习方法提供指导和参考；而机器学习也能应用于基于因果框架的药品开发中，提升模型表现。本次分享我们将分别介绍关于以上两个例子的具体研究进展，以期体现医药领域Causal与ML的深刻联系，以及将二者综合考虑以解决医疗图像、药品研发等医药领域实际问题的良好前景。
本次分享将介绍如何利用因果图（Causal Diagram）为在医疗图像领域应用机器学习方法处理图像分类，分割（Segmentation）等具体问题提供参考。这次分享的论文主要关心如何利用因果帮助解决在上述任务中可能遇到的数据缺乏（Data Scarcity）及数据集迁移（Data Mismatch）问题。我们将首先介绍如何通过判断任务的因果方向，初步评估半监督学习及数据增广（Data Augmentation）两种常见方法的适用性，以选择合适方法处理带标签数据量不足的问题。其次，我们将基于因果图框架考虑数据集迁移的不同原因和分类，并讨论其背后因果层面的本质区别及处理方法上的不同。最后，我们将介绍一套适合业界使用的操作流程，帮助认清数据收集方式，从而制定对数据集进行修正的合适方法。
解读文献：Castro, D.C., Walker, I. & Glocker, B. Causality matters in medical imaging. Nat Commun 11, 3673 (2020). https://www.nature.com/articles/s41467-020-17478-w
本次分享将介绍一篇用观察性研究数据辅助已上市药物再利用研究的论文。作者使用医保索赔数据库，提出了一个基于LSTM的框架来模拟随机对照试验，估算倾向性得分以评估55种已上市药品成分对冠状动脉疾病的潜在有效性。
解读文献：Liu, R., Wei, L., & Zhang, P. A deep learning framework for drug repurposing via emulating clinical trials on real-world patient data. Nature Machine Intelligence 3,68-75 (2021). https://www.nature.com/articles/s42256-020-00276-w
由智源社区、集智俱乐部联合举办的
因果科学与Causal AI读书会第三季
，将主要面向两类人群：如果你从事计算机相关方向研究，希望为不同领域引入新的计算方法，通过大数据、新算法得到新成果，可以通过读书会各个领域的核心因果问题介绍和论文推荐快速入手；如果你从事其他理工科或人文社科领域研究，也可以通过所属领域的因果研究综述介绍和研讨已有工作的示例代码，在自己的研究中快速开始尝试部署结合因果的算法。读书自2021年10月24日开始，每周日上午 9:00-11:00举办，持续时间预计 2-3 个月。
读书会大纲一览：
Donald Rubin：Essential Concepts of causal inference
因果推断在观察性研究中的应用（续）：ANALYSIS
因果与公平性和可解释性
「深入理论学习」
