Identifying Patient-Specific Root Causes with the Heteroscedastic Noise Model
利用异方差噪声模型识别患者特定的疾病根因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：摘要以结构方程模型中的外生误差和个体根因识别为核心，直接对应因果推断。
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
利用异方差噪声模型识别患者特定的疾病根因
- 研究问题
- 同一诊断类别的患者可能具有不同疾病根因，如何从结构方程模型的外生误差中提取具有个体预测意义的根因？
- 方法与思路
- 作者将线性设定推广至非线性异方差噪声模型，以条件均值和条件平均绝对偏差描述机制，并设计 GRCI 算法提取误差项。
- 材料陈述的贡献
- 摘要称这一推广保留可识别性，定制算法解决误差提取中的困难，并比现有替代方法更准确地恢复患者特定根因。
- 阅读关注点
- 应核对根因与外生误差预测性的定义、异方差模型的识别条件、误差标准化方法，以及患者层面准确性的评价依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明完整识别假设、比较数据和误差幅度，也不足以建立临床干预有效性。
原文摘要
Complex diseases are caused by a multitude of factors that may differ between patients even within the same diagnostic category. A few underlying root causes may nevertheless initiate the development of disease within each patient. We therefore focus on identifying patient-specific root causes of disease, which we equate to the sample-specific predictivity of the exogenous error terms in a structural equation model. We generalize from the linear setting to the heteroscedastic noise model where $Y = m(X) + \varepsilonσ(X)$ with non-linear functions $m(X)$ and $σ(X)$ representing the conditional mean and mean absolute deviation, respectively. This model preserves identifiability but introduces non-trivial challenges that require a customized algorithm called Generalized Root Causal Inference (GRCI) to extract the error terms correctly. GRCI recovers patient-specific root causes more accurately than existing alternatives.