简介：确定什么时候给病人治疗和如何在多种治疗中选择是重要的医疗问题，有一些现有的解决方案。在本文中，我们介绍了反事实复发网络(CRN)，这是一种新颖的序列到序列模型，利用日益可用的患者观察数据来估计治疗效果随时间推移，并回答此类医学问题。为了处理观察数据中来自时变混杂因素、影响治疗分配策略的协变量偏差，CRN使用领域对抗训练来构建患者历史的平衡表示。在每个时间步，CRN构建一个治疗不变表示，它消除了患者历史和治疗分配之间的关联，因此可以可靠地用于做出反事实预测。在一个肿瘤生长的模拟模型上，在不同程度的时间依赖性混杂中，我们展示了我们的模型在估计反事实和选择正确的治疗和治疗时间方面比当前最先进的方法实现了更低的预测误差。

链接：http://arxiv.org/abs/2002.04083.pdf
推荐理由：本文研究了时序中的反事实预测问题，问题设置实用且新颖，具有参考价值。

内容中包含的图片若涉及版权问题，请及时与我们联系删除