DeepImagine：通过逐步局部反事实想象来预测临床试验结果

预测前瞻性临床试验的结果仍然是一个重大挑战。临床试验结果是药物干预、参与者人口统计和方案等实验因素之间复杂相互作用的结果。在这里，我们介绍 DeepImagine，这是一个框架，通过基于历史试验和观察到的结果的逐步反事实想象来预测目标试验结果。从相关的历史试验开始，DeepImagine 一次依次修改一个不同的实验因素。每一步 大语言模型 (LLM) 都被提出一个局部反事实：当前想象的结果将如何随着这个单一扰动而改变？更新后的结果将作为下一步的输入，直到历史配置与目标完全匹配，产生最终的预测。根据经验，DeepImagine 在多个现成的 LLM 上的表现始终优于直接一步预测，当从不同历史锚点发起的多个想象路径聚合时，还会获得进一步的收益。我们还构建了通过合成推理轨迹增强的自然反事实，并训练了一系列专门的语言模型，每个模型都致力于学习一个因素的局部反事实转变。将这些学习的本地运算符集成到 DeepImagine 中，比通用 LLM 基线产生了显着的改进。我们的研究结果将逐步反事实想象定位为临床试验结果预测的一个有希望的方向，它不同于相关预测和显式结构因果模型。所有代码、训练脚本和评估脚本均可在 \href{https://github.com/deepimagine-counterfactual/DeepImagine}{https://github.com/deepimagine-counterfactual/DeepImagine} 获取。