2025_NIPS_LLM-Driven Treatment Effect Estimation Under Inference Time Text Confounding

文章总结与翻译

一、主要内容

该研究聚焦于医疗领域个性化决策中的治疗效果估计问题，核心解决“推理时文本混淆”这一关键挑战：模型训练阶段依赖包含详细患者信息（如实验室结果、生理指标）的结构化医疗数据集，而推理阶段（如远程医疗、医疗聊天机器人场景）仅能获取患者自我报告症状的文本描述，导致训练与推理阶段的数据差异，进而引发治疗效果估计偏差。

研究提出了名为TCA（Text Confounding Adjustment）的新型框架，通过三个核心步骤实现无偏的条件平均治疗效果（CATE）估计：

1. 基于训练阶段的真实混淆变量（结构化数据）估计干扰函数并构建双稳健伪结果；
2. 利用大型语言模型（LLMs）生成文本混淆变量的替代物，建立结构化数据与文本描述的关联；
3. 执行文本条件下的双稳健回归，输出可靠的治疗效果估计值。

实验基于IST（国际卒中试验）和MIMIC-III（重症监护医疗信息集市）两个真实医疗数据集展开，结果表明TCA框架在不同混淆强度、提示策略和LLM模型下均优于传统文本基治疗效果估计方法，误差率较最佳基线方法降低35%-40%，且在不同人口统计学亚组中表现稳定，无明显偏差。

二、创新点

1. 首次形式化“推理时文本混淆”问题：明确界定了训练阶段完全观测真实混淆变量、推理阶段仅能通过文本部分获取混淆信息的场景，填补了现有因果推断研究在该领域的空白。
2. 提出TCA双稳健框架：创新性地结合LLMs的文本生成能