[论文解读] G-Net: A Deep Learning Approach to G-computation for Counterfactual Outcome Prediction Under Dynamic Treatment Regimes

Rui Li, Zach Shahn+6 more|arXiv (Cornell University)|Mar 23, 2020

Advanced Causal Inference Techniques参考文献 22被引用 5

一句话总结

G-Net 提出了一种深度学习框架，通过利用循环神经网络（如LSTM）对纵向数据中的复杂时间依赖关系进行建模，从而提升在动态治疗方案下的G-计算法在反事实结果预测中的表现。与基于经典回归的G-计算法相比，该方法在模拟心血管数据（CVSim）中对个体和人群水平的反事实结果及治疗效应估计方面表现出更优性能。

ABSTRACT

Counterfactual prediction is a fundamental task in decision-making. G-computation is a method for estimating expected counterfactual outcomes under dynamic time-varying treatment strategies. Existing G-computation implementations have mostly employed classical regression models with limited capacity to capture complex temporal and nonlinear dependence structures. This paper introduces G-Net, a novel sequential deep learning framework for G-computation that can handle complex time series data while imposing minimal modeling assumptions and provide estimates of individual or population-level time varying treatment effects. We evaluate alternative G-Net implementations using realistically complex temporal simulated data obtained from CVSim, a mechanistic model of the cardiovascular system.

研究动机与目标

• 为解决经典回归模型在G-计算中难以处理纵向数据中复杂的时间依赖和非线性依赖关系的问题。
• 开发一种灵活的深度学习框架，以实现对动态、随时间变化的治疗策略下准确的反事实预测。
• 利用具有已知真实值的现实模拟数据，评估RNN模型在估计个体和人群水平反事实结果方面的性能。
• 探索表示学习策略（共享与独立表示）对反事实预测中模型性能的影响。

提出的方法

• G-Net 将循环神经网络（如LSTM）整合到G-计算框架中，以建模在每个时间点上基于患者历史的协变量和结果的条件分布。
• 采用模块化架构，其中患者历史通过表示函数 $ r_t $ 编码，预测模型 $ f_i $ 基于此历史估计未来的协变量和结果。
• 该框架支持在不同预测任务间共享或独立表示，从而在建模假设和架构设计上提供灵活性。
• 通过蒙特卡洛模拟生成反事实预测，条件于观察到的治疗和协变量历史，并从学习到的条件分布中采样。
• 模型训练通过预测与实际反事实轨迹之间的均方误差（MSE）损失进行优化，校准性能通过分位数覆盖率进行评估。

实验结果

研究问题

• RQ1 与经典回归模型相比，基于RNN的模型是否能提升在动态治疗策略下反事实结果预测的准确性？
• RQ2 在序列深度学习框架中，不同的表示学习策略（共享与独立表示）如何影响G-计算的性能？
• RQ3 在具有真实值的模拟环境中，G-Net在多大程度上能准确估计人群水平的治疗效应？
• RQ4 G-Net模型在预测不确定性方面的校准程度如何，哪些因素会影响其校准性能？

主要发现

• 采用恒等表示函数和基于LSTM的预测头（M3）的G-Net模型在所有时间步上均达到最低的均方误差（MSE），优于线性模型及其他RNN配置。
• 基于RNN的G-Nets在校准方面优于线性模型，但覆盖率低于名义水平，表明在不确定性量化方面仍有改进空间。
• 在使用线性分类器时，跨任务采用共享表示的模型表现更优；但在使用LSTM时，性能反而下降，表明表示学习存在与架构相关的权衡。
• G-Net成功估计了不同液体输注策略下的群体平均反事实轨迹和治疗效应，在CVSim模拟数据中与真实值高度吻合。
• 该框架实现了对时变治疗效应的准确估计，展示了其在动态临床环境中进行政策相关因果推断的实用性。
• 结果表明，通过正则化方法（如Dropout）在模型参数中引入不确定性，可能进一步提升校准性能，提示未来可进一步优化的方向。