Deep learning has shown remarkable results for image analysis and is expected to aid individual treatment decisions in health care. Treatment recommendations are predictions with an inherently causal interpretation. To use deep learning for these applications in the setting of observational data, deep learning methods must be made compatible with the required causal assumptions. We present a scenario with real-world medical images (CT-scans of lung cancer) and simulated outcome data. Through the data simulation scheme, the images contain two distinct factors of variation that are associated with survival, but represent a collider (tumor size) and a prognostic factor (tumor heterogeneity), respectively. When a deep network would use all the information available in the image to predict survival, it would condition on the collider and thereby introduce bias in the estimation of the treatment effect. We show that when this collider can be quantified, unbiased individual prognosis predictions are attainable with deep learning. This is achieved by (1) setting a dual task for the network to predict both the outcome and the collider and (2) enforcing a form of linear independence of the activation distributions of the last layer. Our method provides an example of combining deep learning and structural causal models to achieve unbiased individual prognosis predictions. Extensions of machine learning methods for applications to causal questions are required to attain the long-standing goal of personalized medicine supported by artificial intelligence.

中文翻译：

---

通过深度学习消除肺癌图像中的偏向信号，以进行预后预测。

深度学习在图像分析方面显示出了非凡的结果，并有望有助于医疗保健中的个体治疗决策。治疗建议是带有内在因果解释的预测。为了在观察数据的设置中将深度学习用于这些应用程序，必须使深度学习方法与所需的因果假设兼容。我们用现实世界的医学图像（肺癌的CT扫描）和模拟的结局数据展示了一个场景。通过数据模拟方案，图像包含与生存相关的两个不同的变异因素，但分别代表对撞机（肿瘤大小）和预后因素（肿瘤异质性）。当深层网络使用图像中的所有可用信息来预测生存时，它会以对撞机为条件，从而在估计治疗效果时引入偏差。我们表明，当可以对撞机可以量化时，通过深度学习可以获得无偏见的个体预后预测。这是通过（1）为网络设置双重任务来预测结果和对撞机，以及（2）强制执行最后一层的激活分布的线性独立性的形式来实现的。我们的方法提供了将深度学习与结构因果模型相结合以实现无偏见的个人预后预测的示例。为了实现由人工智能支持的个性化医学的长期目标，需要扩展适用于因果问题的机器学习方法。我们表明，当对撞机可以量化时，可以通过深度学习获得无偏见的个体预后预测。这是通过（1）为网络设置双重任务来预测结果和对撞机，以及（2）强制执行最后一层的激活分布的线性独立性的形式来实现的。我们的方法提供了将深度学习与结构因果模型相结合以实现无偏见的个人预后预测的示例。为了实现由人工智能支持的个性化医学的长期目标，需要扩展适用于因果问题的机器学习方法。我们表明，当可以对撞机可以量化时，通过深度学习可以获得无偏见的个体预后预测。这是通过（1）为网络设置双重任务来预测结果和对撞机，以及（2）强制执行最后一层的激活分布的线性独立性的形式来实现的。我们的方法提供了将深度学习与结构因果模型相结合以实现无偏见的个人预后预测的示例。为了实现由人工智能支持的个性化医学的长期目标，需要扩展适用于因果问题的机器学习方法。这是通过（1）为网络设置双重任务来预测结果和对撞机，以及（2）强制执行最后一层的激活分布的线性独立性的形式来实现的。我们的方法提供了将深度学习与结构因果模型相结合以实现无偏见的个人预后预测的示例。为了实现由人工智能支持的个性化医学的长期目标，需要扩展适用于因果问题的机器学习方法。这是通过（1）为网络设置双重任务来预测结果和对撞机，以及（2）强制执行最后一层的激活分布的线性独立性的形式来实现的。我们的方法提供了将深度学习与结构因果模型相结合以实现无偏见的个人预后预测的示例。为了实现由人工智能支持的个性化医学的长期目标，需要扩展适用于因果问题的机器学习方法。