[发明专利]基于深度表征学习的反事实推理设备

说明书

本发明公开了一种基于深度表征学习的反事实推理设备，包含：基于深度表征学习的反事实推理模型单元和数据输入单元；反事实推理模型单元包括深度表征学习模块、正交损失模块、治疗策略预测模块、治疗策略预测对抗性模块和治疗效果预测模块；数据输入单元向模型单元输入训练数据集对其进行训练；数据输入单元向训练好的模型单元输入待预测的个体状态以得到预测结果。本发明的基于深度表征学习的反事实推理设备，通过治疗策略预测模块、治疗策略预测对抗性模块和正交损失模块的结合，使得表征学习模块中输出的表征h_t，h_y分别只与治疗策略和治疗效果相关，去掉了其中的混淆性因素，使基于表征h_y的治疗效果预测模块能更加准确和科学地预测治疗效果。

技术领域

本发明涉及一种基于深度表征学习的反事实推理设备。

背景技术

预测行为对个体的影响是许多领域的核心问题。例如医生确定哪种药物对病人的疗效更好；政府判断谁将从就业培训补贴中受益最多；或者老师决定哪个学习项目对某个特定的学生最有利。

在医学领域，个体化治疗效果(individualized treatment effects，ITE)是一种基于患者健康状况来确定特定治疗策略对该患者的治疗效果的方法。ITE被定义为处理结果和控制结果之间的预期差异，也经常在其他领域被用来作为判断处理方法有效性的指标。ITE的常用方法主要可分为前瞻性研究和回顾性研究，前瞻性研究一般是设置临床随机对照试验(randomized controlled trials，RCTs)，回顾性研究一般根据真实世界数据来估计治疗效果。

RCT是将患者随机分配到不同的治疗组中，观察不同治疗组中患者的治疗效果差异。然而RCT存在几个严重的局限性：(1)要求严格的纳入和排除标准；(2)RCT研究的结论不能自动应用于其他地区；(3)由于道德原因，RCT可能无法实行。

回顾性研究则直接根据真实世界数据估计治疗效果。由于真实世界数据的易获取，回顾性研究被广泛应用于各个领域。然而从真实世界数据估计个体治疗效果也面临两个主要挑战：反事实结果缺失和治疗选择偏差。由于在同一时间一位患者只能接受一种治疗方案，所以我们无从得知其他治疗(即反事实)的结果。此外，真实世界数据中可能存在某些变量会同时影响治疗策略和治疗结果，从而导致混淆。例如，在不同情况下，人们对于治疗的偏好不同，因此治疗策略在不同人群中可能存在相当大的分布差异，分布差异进一步导致对反事实的不准确估计。

为了克服上述挑战，一些传统的ITE估计方法将治疗作为特征，并训练回归模型来估计反事实结果，比如普通最小二乘法(Ordinary least squares，OLS)回归；还有研究采用基于最近邻匹配的方法来找到相似的训练样本，从而估计反事实结果，比如倾向性评分匹配(Propensity score matching，PSM)。

然而这些传统的方法很少从患者输入特征中提取特定于治疗的表征，使得预测结果仍旧受到治疗选择偏差的影响。

发明内容

本发明提供了一种基于深度表征学习的反事实推理设备，采用如下的技术方案：

一种基于深度表征学习的反事实推理设备，包含：基于深度表征学习的反事实推理模型单元和数据输入单元；

反事实推理模型单元包括：

深度表征学习模块，用于从输入特征中提取仅与治疗策略相关的策略表征h_t和仅与治疗效果相关的效果表征h_y；

正交损失模块，用于对深度表征学习模块输出的策略表征h_t和效果表征h_y进行正交化处理，消除同时影响治疗策略和治疗结果的混淆性因素；