GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Imaging Studies
GLACIAL：面向纵向影像研究的格兰杰与学习式因果分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究多受试者重复观测的纵向数据，并以格兰杰框架探查动态因果连接。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
GLACIAL：面向纵向影像研究的格兰杰与学习式因果分析
- 研究问题
- 在多名受试者被稀疏追踪、变量关系非线性且存在广泛缺失的纵向影像数据中，如何利用预测信息探查变量之间的动态连接？
- 方法与思路
- 作者结合格兰杰框架与多任务神经预测模型，将受试者视为独立样本，用留出受试者的平均预测准确率探查连接，并使用输入丢弃及模型插值。
- 材料陈述的贡献
- 摘要称，该方法针对传统格兰杰方法难处理的纵向数据问题，在模拟和真实医学影像数据中优于所比较的基准方法，但未报告具体数值。
- 阅读关注点
- 应核对预测准确率如何转化为连接判据、直接与间接关系如何区分，以及受试者独立性、个体异质性和缺失值处理所需的条件。
- 阅读边界
- 所用摘要来自 arXiv 预印本，同行评审及期刊接收未核实；预测性的格兰杰连接不能仅凭摘要视为干预因果效应，比较细节未说明。
原文摘要
The Granger framework is useful for discovering causal relations in time-varying signals. However, most Granger causality (GC) methods are developed for densely sampled timeseries data. A substantially different setting, particularly common in medical imaging, is the longitudinal study design, where multiple subjects are followed and sparsely observed over time. Longitudinal studies commonly track several biomarkers, which are likely governed by nonlinear dynamics that might have subject-specific idiosyncrasies and exhibit both direct and indirect causes. Furthermore, real-world longitudinal data often suffer from widespread missingness. GC methods are not well-suited to handle these issues. In this paper, we propose an approach named GLACIAL (Granger and LeArning-based CausalIty Analysis for Longitudinal studies) to fill this methodological gap by marrying GC with a multi-task neural forecasting model. GLACIAL treats subjects as independent samples and uses the model's average prediction accuracy on hold-out subjects to probe causal links. Input dropout and model interpolation are used to efficiently learn nonlinear dynamic relationships between a large number of variables and to handle missing values respectively. Extensive simulations and experiments on a real longitudinal medical imaging dataset show GLACIAL beating competitive baselines and confirm its utility. Our code is available at https://github.com/mnhng/GLACIAL.