概念
混杂因素
在因果推断中，指同时影响干预和结果的变量，可能导致观察到的关联并非真实的因果关系
时间轴 (近 90 天)
11月4日
研究在训练数据中埋入三类缺陷：隐藏每条规则的混杂因素、把脊髓阈值平移3 Gy、以及植入隐藏触发器。
待验证50%
11月4日
16个被正确指出的网络包含了全部15个存在混杂因素或阈值平移的网络。
待验证50%
11月4日
每一个被找到的混杂因素和阈值平移在单个神经元上就能看出来，针对每种缺陷类型选一个简单统计量也能找到同样的缺陷。
待验证50%
10月12日
简单的'实施前 vs 实施后'对比无法可靠地分离出AI本身的贡献，因为结果变化可能来自医护人员数量变化、工作流程重新设计或患者就诊量变化等多种混杂因素。
待验证50%
10月12日
医疗AI因果评估需要警惕的陷阱包括：混杂因素、选择效应、实施保真度、非预期后果、患者群体间的差异。
待验证50%
9月1日
混杂因素是同时影响自变量和因变量的第三方变量，会导致错误判断两个变量间存在因果关系
待验证50%
全部知识事实 (6)
待验证
研究在训练数据中埋入三类缺陷：隐藏每条规则的混杂因素、把脊髓阈值平移3 Gy、以及植入隐藏触发器。
50%待验证16个被正确指出的网络包含了全部15个存在混杂因素或阈值平移的网络。
50%待验证每一个被找到的混杂因素和阈值平移在单个神经元上就能看出来，针对每种缺陷类型选一个简单统计量也能找到同样的缺陷。
50%待验证简单的'实施前 vs 实施后'对比无法可靠地分离出AI本身的贡献，因为结果变化可能来自医护人员数量变化、工作流程重新设计或患者就诊量变化等多种混杂因素。
50%待验证医疗AI因果评估需要警惕的陷阱包括：混杂因素、选择效应、实施保真度、非预期后果、患者群体间的差异。
50%待验证混杂因素是同时影响自变量和因变量的第三方变量，会导致错误判断两个变量间存在因果关系
50%