潜在3D脑MRI反事实
内容提要
本文综述了深度结构因果模型（DSCMs）的特点及其在反事实查询中的应用，探讨了因果生成建模的技术，分析了相关假设、保证和应用，强调了面临的挑战与未来研究方向。
延伸解读
从2D到3D脑MRI的因果建模路径
文章梳理了3D脑MRI反事实生成的技术演进：早期工作（2020年6月）用正则化流和变分推断处理外生噪声，验证了SCMs回答逆因果问题的能力；随后（2020年7月）出现结合2D切片VAE与高斯模型的方法，在潜在空间估计均值和协方差以建模3D脑体积分布。这些工作为后续Diff-SCM、CSMs等更复杂的因果生成模型奠定了基础，也说明该领域从推断外生变量逐步走向高维医学图像的反事实估计。
深度生成模型为何需要因果性
文章指出，深度生成模型虽在密度估计和样本生成上成功，但存在解释性差、易产生虚假相关、分布外推能力弱等缺陷。将结构因果模型融入深度生成建模，可赋予模型分布偏移鲁棒性、公平性和互操作性。这一动机贯穿于综述所划分的因果表示学习与可控反事实生成两类方法中，也解释了为何公平性、隐私、精准医学等应用会成为该领域的关注重点。
反事实生成在医学影像中的具体进展
文章列举了多项面向医学影像的反事实生成工作：Diff-SCM结合深度结构因果模型与生成式能量模型，在MNIST和ImageNet上验证了反事实效果估计的优越性；CSMs通过反事实网格生成个体化预测，研究基因、环境和生活方式对结构的影响；Make-A-Volume利用2D骨干和体积层解决交叉模态三维合成的体积不一致与效率问题；CausalDiffAE则基于扩散框架提取语义因果变量并实现反事实生成。这些进展显示反事实方法正从通用图像走向高维医学数据。
当前挑战与未来方向
文章强调，深度结构因果建模仍面临诸多未解之问，包括对深度学习组件和结构因果模型的假设与保证的深入理解，以及在不同反事实查询情境下能力与限制的界定。综述旨在为研究者确定未来方向、为实践者选择合适方法提供概述。这意味着，尽管已有Modular-DCM等算法支持高维因果查询，但该领域在理论保证、可扩展性和实际部署上仍有待进一步探索。
Q&A
深度结构因果模型（DSCMs）有什么特点？
DSCMs结合深度学习组件，能够有效处理外生噪声变量的推断，并回答所有Pearl因果逻辑的逆因果推断问题。
Diff-SCM是如何估计反事实效果的？
Diff-SCM结合深度结构因果模型和生成式能量模型，从观察到的成像数据中估计反事实效果，在MNIST和ImageNet数据上表现优越。
深度生成模型存在哪些缺点？
深度生成模型存在解释性差、倾向于引起虚假相关性和在超出分布范围的外推方面表现不佳等缺点。
因果生成建模技术的研究方向有哪些？
因果生成建模技术的研究方向包括因果表示学习和可控反事实生成方法，关注公平性、隐私和精准医学等方面。
Modular-DCM算法的主要功能是什么？
Modular-DCM算法利用预训练模型进行高维数据的因果查询，并从可识别的干预和反事实分布中采样。
CausalDiffAE框架的作用是什么？
CausalDiffAE框架能够根据因果模型实现反事实生成，并提取有意义的因果变量。
