跳转至

Causal Inference in Biomedical Imaging via Functional Linear Structural Equation Models

讲者: Hongtu Zhu (UNC Chapel Hill)
会场: Plenary Talk
报告题目: Causal Generalist Medical AI
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是：如何从高维、混合类型的标量协变量（如遗传变异、人口学变量）中，识别并估计一个功能型暴露（如脑影像数据）对某个标量结果（如认知评分）的因果效应，同时允许存在未观测的混杂因素。 这是一个将“功能数据分析”与“因果推断（工具变量法）”交叉的子方向，当前成熟度较低——大多数功能数据因果方法要么假设暴露是外生的，要么依赖单一或低维的工具变量，而本文试图处理高维、角色混杂（有效IV、无效IV、混杂、精度变量）的标量工具变量集。

发展脉络（history）

  1. 奠基工作：功能线性模型中的内生性问题
  2. Florens and Van Bellegem (2015)：首次在功能线性模型中建立工具变量估计框架，定义了“工具强度”并给出收敛速率。这是该子方向的起点，但他们的IV是功能型的（即另一个功能变量），且依赖Tikhonov正则化处理逆问题。

  3. Kang et al. (2016) 与 Guo et al. (2018)：在标量暴露的IV设定下，提出“多数规则”（majority rule）和“多元规则”（plurality rule）来应对部分IV无效的情况。这些工作为本文的识别策略提供了直接的理论基础——本文将其从标量暴露推广到功能暴露。

  4. 主要进展：功能数据中的IV方法与高维标量协变量

  5. Tekwe et al. (2019) 与 Jadhav et al. (2022)：提出基于样条的两步估计器，处理功能暴露的测量误差，并给出零假设检验。但他们的IV是标量且低维的。
  6. Babii (2022)：将Florens等人的框架扩展到混合频率的标量IV，但未处理高维选择问题。

  7. Chen et al. (2016) 与 Barber et al. (2017)：在“功能-标量回归”（function-on-scalar regression）中引入组LASSO/组MCP进行变量选择，但目标仅是预测，而非因果估计。本文指出这些方法“focus on predictive function-on-scalar models, our goal is causal”。

  8. 当前frontier：高维因果推断与功能数据的交叉

  9. Yu et al. (2022)：提出“遗传-影像-临床”路径的映射框架，将协变量分为四类（混杂、精度、IV、无关），但他们的暴露是标量（如脑区体积），而非功能型。
  10. Li et al. (2024)：提出部分功能线性回归框架，整合遗传、影像、临床数据，但假设功能暴露是外生的（即E(ϵ|Z)=0），未处理内生性。
  11. 本文的位置：作者声称这是第一个在功能暴露模型中处理混合标量工具变量集（含无效IV）的可识别性条件，并给出L0惩罚下的选择一致性。

子线索聚类

  • 线索A：功能数据中的IV估计（纯方法）：Florens and Van Bellegem (2015), Tekwe et al. (2019), Jadhav et al. (2022), Babii (2022), Chen et al. (2022), Seong and Seo (2022)。共同点：IV是功能型或低维标量，依赖Tikhonov正则化，不处理高维选择。
  • 线索B：高维功能-标量回归（预测导向）：Chen et al. (2016), Barber et al. (2017), Fan and Reimherr (2017), Parodi and Reimherr (2018), Mirshani and Reimherr (2021), Cai et al. (2022)。共同点：使用组LASSO/组MCP/弹性网进行变量选择，但假设暴露外生。
  • 线索C：标量暴露下的无效IV识别：Kang et al. (2016), Guo et al. (2018)。共同点：提出“多数/多元规则”处理部分IV无效，但暴露是标量。
  • 线索D：遗传-影像-临床路径的因果映射：Yu et al. (2022), Li et al. (2024), Taschler et al. (2022)。共同点：使用MR或结构方程模型，但暴露是标量或假设外生。

这个方向在追问的核心问题

  1. 可识别性：当功能暴露是内生的，且工具变量是标量、高维、部分无效时，功能系数B(t)能否被唯一识别？需要什么条件？
  2. 变量选择：如何从p≫n的标量协变量中同时选出有效IV、混杂、精度变量，且不引入收缩偏差（如LASSO的偏差）？
  3. 估计与推断：在两步估计（先估计暴露模型，再估计结果模型）中，如何控制估计误差的传播，并构造有效的检验统计量？
  4. 计算可扩展性：当n和m（网格点数）都很大时（如UK Biobank的n=10万，m=1.5万），如何设计可并行的算法？

⚠️ 作者的framing

  • 作者把缺口frame成：“现有功能数据IV方法要么IV是功能型/低维标量，要么不处理高维选择；现有高维功能-标量回归方法假设暴露外生；现有无效IV方法只处理标量暴露。因此，本文是‘显然的下一步’：将无效IV识别、高维变量选择、功能暴露三者结合。”
  • 被淡化/回避的竞争路线：
  • 纯贝叶斯方法（Zoh et al., 2022; Xu and Kang, 2023）被简单提及但未深入比较——作者可能认为贝叶斯方法在大规模数据上计算不可行。
  • 基于FPCA的IV方法（Seong and Seo, 2022）被提及但未讨论其在高维标量IV下的表现。
  • 什么明显该被引/该存在、却没出现在intro里？：没有引用任何关于“统计-计算权衡”或“低度多项式障碍”的文献——这在该子方向可能尚不成熟，但值得研究者去查：是否存在已知的“信息-计算缺口”问题（例如，当无效IV比例超过某个阈值时，多项式时间算法是否无法一致选择？）。

张力

未见明显对立引用。所有被引工作基本是互补的：有的处理功能IV，有的处理高维选择，有的处理无效IV，本文试图统一它们。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \( Y_i \in \mathbb{R} \)：第i个样本的标量结果（如流体智力评分）。 - \( Z_i(t) \in L^2(T) \)：第i个样本的功能型暴露（如fMRI脑功能连接图），定义在紧集\( T \)（如\( [0,1] \)或二维网格）上。 - \( X_i = (X_{i1}, \ldots, X_{ip})^\top \in \mathbb{R}^p \)：第i个样本的标量协变量向量（如SNP基因型、年龄、性别）。p可以远大于n。 - \( B(t) \in L^2(T) \)：功能系数函数，表示Z(t)对Y的因果效应（目标参数）。 - \( \beta = (\beta_1, \ldots, \beta_p)^\top \in \mathbb{R}^p \)：标量系数向量，表示X对Y的直接效应。 - \( C_\ell(t) \in L^2(T) \)：第ℓ个标量协变量对功能暴露Z(t)的系数函数（暴露模型参数）。 - \( \epsilon_i \in \mathbb{R} \)：结果模型的随机误差。 - \( E_i(t) \in L^2(T) \)：暴露模型的随机过程误差。 - \( \mathcal{A} = \{1, \ldots, p\} \)：所有标量协变量的索引集。 - \( \mathcal{C} = \{\ell: \beta_\ell \neq 0 \text{ and } f_\ell \neq 0\} \)：混杂变量集（同时影响Y和Z）。 - \( \mathcal{P} = \{\ell: \beta_\ell \neq 0 \text{ and } f_\ell = 0\} \)：精度变量集（只影响Y）。 - \( \mathcal{I} = \{\ell: \beta_\ell = 0 \text{ and } f_\ell \neq 0\} \)：有效工具变量集（只影响Z）。 - \( \mathcal{S} = \{\ell: \beta_\ell = 0 \text{ and } f_\ell = 0\} \)：无关变量集。

模型（FLSEM，方程(1)）：

\[Y_i = \sum_{\ell=1}^p X_{i\ell} \beta_\ell + \int_T Z_i(t) B(t) dt + \epsilon_i, \quad Z_i(t) = \sum_{\ell=1}^p f_\ell(X_{i\ell}, t) + E_i(t).\]
- 结果模型：Y由X的线性组合和Z(t)与B(t)的内积决定。 - 暴露模型：Z(t)由X的非线性函数（一般f）或线性函数（f线性时，\( f_\ell(X_{i\ell}, t) = X_{i\ell} C_\ell(t) \)）加上随机过程E(t)决定。 - 关键假设：\( E(\epsilon_i | X_i) = 0 \)，\( E(E_i(t) | X_i) = 0 \)，但 \( E(\epsilon_i | Z_i) \neq 0 \) 且 \( E(\epsilon_i E_i(t)) \neq 0 \)——即Z(t)是内生的，因为未观测混杂同时影响Z(t)和Y。

可观测数据：研究者观测到 \( \{Y_i, X_i, Z_i(t_j)\}_{i=1}^n \)，其中\( t_j \)是T上的m个网格点（如100个时间点或100×150的二维网格）。不可观测的是：潜在结果、误差项\( \epsilon_i \)和\( E_i(t) \)、以及每个Xℓ的角色（是IV、混杂、精度还是无关）。

第二步：最小内核——线性f、两个协变量、一个有效IV

考虑最简特例：p=2，线性f，且已知X1是有效IV（β1=0, f1≠0），X2是混杂（β2≠0, f2≠0）。模型退化为：

\[Y_i = X_{i2} \beta_2 + \int_T Z_i(t) B(t) dt + \epsilon_i, \quad Z_i(t) = X_{i1} C_1(t) + X_{i2} C_2(t) + E_i(t).\]
- 这里，X1是唯一有效IV，X2是混杂。 - 核心困难：由于Z(t)与ϵ相关（通过E(t)与ϵ的相关性），直接用Y对Z(t)和X2回归会得到有偏的B(t)估计。 - 核心思路：用IV X1来“净化”Z(t)。具体地，先估计暴露模型得到\( \hat{Z}_i(t) = X_{i1} \hat{C}_1(t) + X_{i2} \hat{C}_2(t) \)，然后用\( \hat{Z}_i(t) \)代替Z_i(t)进入结果模型。由于X1与ϵ独立（IV假设），\( \hat{Z}_i(t) \)与ϵ的相关性被消除（或减弱）。 - 识别条件：在这个特例下，B(t)可识别的关键是：算子\( K B(s) = \int_T E[\tilde{Z}(s) \tilde{Z}(t)] B(t) dt \)是单射的，其中\( \tilde{Z}(t) = X_1 C_1(t) + X_2 C_2(t) \)。由于只有一个IV（X1），C1(t)和C2(t)的线性组合可能使K退化——例如，如果C1(t)和C2(t)成比例，则K的秩为1，B(t)只能被识别到一维子空间。本文的Theorem 1和Corollary 1给出了更一般的条件：当无效IV数量U ≤ (L - R + 1)/2时（L是总IV数，R是B(t)的截断秩），B(t)的R个主成分可被识别。 在这个特例中，L=1（只有一个IV），U=0（无无效IV），R=1，条件满足，B(t)可被识别（但只能识别其在一维子空间上的投影）。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维、混合角色的标量协变量（含有效IV、无效IV、混杂、精度变量）存在下，如何识别、估计并检验一个内生功能型暴露对标量结果的因果效应。
  2. 核心工具/方法：提出FLSEM框架，包含一个L0惩罚的“功能-标量回归”暴露模型（由FGSDAR算法求解）和一个L0惩罚的部分功能线性结果模型；识别条件基于将Kang et al. (2016)的“多数规则”推广到功能暴露。
  3. 主要结论：建立了功能系数B(t)的可识别性条件（Theorem 1, Corollary 1）；证明了FGSDAR算法的选择一致性和估计误差的几何衰减（Theorem 2）；给出了结果模型中β和B(t)的非渐近误差界（Theorem 3）；构造了检验B(t)≡0的统计量并推导了其零分布（Theorem 4）。

关键设定与假设

  • 设定：数据\( \{Y_i, X_i, Z_i(t)\}_{i=1}^n \)，其中\( X_i \in \mathbb{R}^p \)，\( Z_i(t) \in L^2(T) \)。模型为FLSEM（方程(1)）。协变量分为四类（C, P, I, S）。主要关注线性f的情形（方程(3)），但一般f的识别条件也在Proposition 1中给出。
  • 关键假设（Section 4）：
  • Assumption 1：用户指定的稀疏度J ≥ max(J_y, J_z)，即大于真实稀疏度。
  • Assumption 2：X和\( \tilde{X} \)（残差化后的X）满足稀疏Riesz条件（SRC），这是L0惩罚理论的标准条件（Huang et al., 2018），控制多重共线性。
  • Assumption 3：功能协变量的四阶矩被二阶矩的平方控制（类似于亚高斯条件）。
  • Assumption 4-5：标量协变量投影到功能空间后的残差有界，且投影系数在RKHS中。
  • Assumption 6：误差ϵ_i是亚高斯的。
  • Assumption 7：RKHS核K(t,t)有界。
  • Assumption 8：暴露模型误差E_i(t)的协方差函数有界。
  • 相比已有文献：相比Florens and Van Bellegem (2015)，本文不要求IV是功能型的，也不要求Tikhonov正则化；相比Barber et al. (2017)，本文用L0代替组LASSO，避免了收缩偏差；相比Kang et al. (2016)，本文将“多数规则”从标量暴露推广到功能暴露。

主要结果

  • Theorem 1（可识别性）：在线性f下，若\( \int_T C(t)B(t)dt \)可被R项截断近似，且无效IV数U ≤ (L - R + 1)/2，则B(t)的R个主成分可被唯一识别。直觉：这要求有效IV的数量足够多，使得任何两个大小为L-U+1的IV子集在R个主成分上产生一致的估计。
  • Theorem 2（FGSDAR收敛性）：在Assumptions 1,2,7,8下，FGSDAR迭代的估计误差\( \|C^{k+1} - C^*\|_2 \)以几何速率γ^k衰减，加上一个残差项h(J, λ_K)。h(J, λ_K)的量级为\( O(\sqrt{J \log(p) / (nm)} + J \sqrt{\lambda_K}) \)（当m大时简化为\( O(\sqrt{J \log(p)/n}) \)）。技术难点：证明需要处理功能型系数的无穷维性和L0惩罚的非凸性，作者通过将问题转化为有限维RKHS表示（利用Reproducer定理）并借用Huang et al. (2018)的“支持检测与根查找”框架来绕过。
  • Theorem 3（结果模型估计误差）：在Assumptions 1-8下，β的估计误差为\( O(\sqrt{J \log(p)/n}) \)（达到minimax最优），B(t)的预测误差（在RKHS范数下）为\( O(\lambda + J \epsilon_1^2 + \text{tr}(T(T+\lambda I)^{-2})/n) \)，其中T是\( \tilde{Z} \)的协方差算子。关键：预测误差比函数估计误差更容易控制，这是功能线性模型的经典现象（Yuan and Cai, 2010）。
  • Theorem 4（检验零分布）：在H0: B(t)≡0下，检验统计量S_n收敛到加权χ²分布\( \sum_{j=1}^\infty \tilde{s}_j \chi^2_{1j} \)，其中\( \tilde{s}_j \)是算子R的特征值。实际使用：用Welch-Satterthwaite方法近似为缩放χ²。

证明路线与技术技巧

  • 整体路线（以Theorem 2为例）：
  • 有限维表示：利用Reproducer定理，将每个功能系数C_ℓ(t)表示为\( C_\ell(t) = \mathbf{C}_\ell^\top \mathbf{K}(t) \)，其中\( \mathbf{C}_\ell \in \mathbb{R}^m \)，\( \mathbf{K}(t) = (K(t,t_1), \ldots, K(t,t_m))^\top \)。将问题转化为有限维优化。
  • FGSDAR迭代：算法交替更新“活跃集”（非零系数索引）和“非活跃集”。在活跃集上，问题退化为带RKHS惩罚的岭回归，有闭式解。
  • 误差分解：将估计误差\( \|C^{k+1} - C^*\|_2 \)分解为活跃集上的偏差\( \|\Delta^k\|_2 \)和非活跃集上的遗漏误差\( D_2(A^k_R) \)。
  • 收缩引理：证明\( D_2(A^{k+1}_R) \leq \gamma D_2(A^k_R) + \gamma h(J, \lambda_K) \)，其中γ<1是收缩常数。这依赖于SRC条件（控制特征值）和算法中硬阈值操作的性质。
  • 残差项控制：h(J, λ_K)由两部分组成：随机误差（来自E_i(t)）和惩罚偏差（来自λ_K C^*_A）。随机部分通过亚高斯集中不等式控制，惩罚偏差通过RKHS范数有界性控制。
  • 关键跳跃点：
  • Lemma S4（补充材料）：证明活跃集上的偏差\( \|\Delta^k\|_2 \)被非活跃集上的遗漏误差\( D_2(A^k_R) \)控制。这是整个收缩论证的核心，需要用到SRC条件和算子范数不等式。
  • Lemma S5：证明\( D_2(A^{k+1}_R) \)的收缩不等式。这里需要处理活跃集和非活跃集之间的“交换”效应（哪些变量被加入/移出），技术细节复杂，涉及多个子集（A^k_1, A^k_2, I^k_3, I^k_4）的划分。
  • 技术技巧点名：
  • Reproducer定理：将无穷维优化转化为有限维（m维）优化。
  • L0惩罚 + 硬阈值：通过FGSDAR算法实现，避免了组LASSO的收缩偏差。
  • SRC条件：控制设计矩阵的稀疏特征值，是L0惩罚理论的标准工具。
  • 亚高斯集中不等式：用于控制随机误差项h(J, λ_K)。
  • Welch-Satterthwaite近似：用于将加权χ²分布近似为缩放χ²，便于实际检验。

真实例子与应用

  • 数据：UK Biobank，n=11,400名参与者。结果Y是流体智力评分（13道问题）。功能暴露Z(t)是静息态fMRI功能连接，在78个网格点上测量（代表脑网络对之间的连接）。标量协变量X包括：人口学变量（年龄、性别、教育等）、生活方式变量、病史、影像技术变量、以及超过9600万个SNP（经SIS筛选后保留前2000个）。
  • 方法应用：
  • SIS筛选：分别对Y和Z(t)进行边际筛选，各保留前2000个SNP，取并集。
  • 暴露模型：用FGSDAR算法拟合Z(t)对X（含SNP和协变量）的回归，得到\( \hat{Z}(t) \)。
  • 结果模型：用L0惩罚的部分功能线性模型拟合Y对\( \hat{Z}(t) \)和X的回归，选择出直接关联Y的SNP（精度变量和混杂）和估计B(t)。
  • 检验：用Theorem 4的统计量检验B(t)≡0。
  • 结果：
  • FLSEM选择158个SNP，PFLM（忽略内生性）选择163个，重叠126个。重叠SNP主要位于染色体2、6、14。
  • 两种方法都发现语言网络和腹侧多模态网络的功能连接与流体智力正相关，但视觉网络的结果在两种方法间不一致。
  • 检验B(t)≡0的p值为0.08（边际显著）。对其他认知表型（反应时间、连线测试等）的检验发现显著关联。
  • 这个例子想说明什么：①FLSEM在大规模真实数据中可行（n>1万，p>2000，m=78）；②忽略内生性（PFLM）会得到不同的因果估计，尤其是在某些脑区；③FLSEM能识别出与认知相关的遗传位点和脑网络。

🔎 结论是否比证明窄

  • Theorem 1的识别条件依赖于“B(t)的R个主成分可被近似”，但实际中R未知，且近似误差\( o(R^{-2r}) \)的假设难以验证。作者在真实数据分析中并未明确选择R或验证该条件。
  • Theorem 2的收敛速率依赖于SRC条件（Assumption 2），该条件在p≫n时可能不成立（需要设计矩阵的稀疏特征值远离0）。作者在模拟中设p=20或500（n=200），但真实数据中p=2000（经SIS筛选后），SRC条件是否满足未经验证。
  • Theorem 4的零分布是加权χ²，但实际检验中使用了Welch-Satterthwaite近似，该近似的精度在有限样本下未给出理论保证（仅通过模拟验证了size控制）。
  • 总体：论文的证明在数学上是严谨的，但结论的适用范围被假设严格限制（如SRC、亚高斯误差、已知稀疏度J≥真实稀疏度）。在真实数据中，这些假设的满足程度是未知的，作者未进行敏感性分析。

四、开放问题（点到为止，扎根具体语句）

  1. 非线性f的可识别性：Proposition 1给出了非线性f下B(t)可识别的充分条件（算子K单射），但未给出类似Theorem 1的“无效IV比例”条件。扎根：Section 2.1仅给出“if the operator K is injective”，未讨论当部分f_ℓ=0（即部分X是无效IV）时如何识别。这是一个明显的gap。

  2. R的选择与截断误差：Theorem 1要求B(t)的R个主成分近似，但R未知且截断误差\( o(R^{-2r}) \)的假设在实际中无法验证。扎根：Theorem 1的陈述“Suppose that ∫ C(t)B(t)dt can be approximated by ∑_{k=1}^R b_k c_k + o(R^{-2r})”。如何自适应选择R，或如何将截断误差纳入推断，是开放问题。

  3. SRC条件在高维下的验证：Assumption 2（SRC条件）在p≫n时是否成立？如果SNP之间存在强LD（连锁不平衡），设计矩阵可能病态，SRC条件可能被违反。扎根：Assumption 2直接引用Huang et al. (2018)，但该条件在遗传数据中是否合理未讨论。可以尝试用随机矩阵理论（用户熟悉）分析SNP设计矩阵的稀疏特征值。

  4. 计算可扩展性的理论保证：论文提出了分治+滑动窗口的算法，但未给出该算法的理论误差界（仅通过模拟展示）。扎根：Section 3末尾描述算法，但Theorem 2-4的证明假设使用全样本。分治策略的统计效率损失（如Zhang et al., 2015的minimax最优性）未被分析。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论