（通讯员：孙悦）2025年7月27日（星期日）上午9：00，香港中文大学宋心远教授应邀在我校北湖校区东区数学与统计学院新楼216室作与深度学习相关的学术报告。本次报告由数学与统计学院研究生院主办，数学与统计学院副院长杨凯教授主持，数学与统计学院研究生和部分老师参加了此次报告。
报告人简介：宋心远，博士生导师，香港中文大学教授，统计系系主任。获“长白山学者讲座教授”和教育部人才称号。主要研究方向为生存分析、潜变量模型、贝叶斯方法及其在医学、金融和社会学等领域内的应用。在具有国际影响力的顶级学术期刊发表SCI论文143 余篇，在Wiley出版重要英文学术专著1部，在6部英文专著中负责部分章节的编写工作。获批香港政府ECG(External Competitive Grant)-GRF(General Reach Fund)基金18项，国家自然科学基金面上项目3项。受邀参加国际会议(ICSA，COMPSTAT，IMS等)30余次，特别是2017年受德国心理测量学会年会(AMGPS)邀请，作为特邀报告人汇报潜变量在复杂数据上的应用。担任多家统计学领域顶级学术期刊如Structural Equation Modeling: A Multidisciplinary Journal(IF:4.426)、Psychometrika(IF:2.743)、Biometrics(IF:1.755)等副主编。截止2021年1月份，Google学术引用近3000次，h-index=30。
报告题目：Deep Learning Approaches for Individualized Causal Mediation Analysis with Survival Outcome
摘要：Causal mediation analysis aims to investigate the underlying mechanism of how an exposure exerts its effects on the outcome mediated by intermediate variables. However, existing methods for causal mediation analysis in the context of survival models are primarily focused on estimating average causal effects and are difficult to apply to precision medicine. Recently, machine learning has emerged as a promising tool for precisely estimating individualized causal effects without assuming specific model forms. This study proposes a novel method, conditional generative adversarial network (CGAN)-based individualized causal mediation analysis with survival outcomes (CGAN-ICMA-SO), to infer individualized causal effects with survival outcomes based on the CGAN framework. We show that the estimated distribution of the proposed inferential conditional generator converges to the true conditional distribution under mild conditions. Our numerical experiments indicate that CGAN-ICMA-SO surpasses existing state-of-the-art methods. Applying the proposed method to an Alzheimer's disease (AD) Neuroimaging Initiative dataset reveals the individualized direct and indirect effects of the APOE4 allele on time to AD onset.
报告中，宋心远教授以自身研究为例，阐述了深度学习与路径分析领域的新进展。她提出的“基于条件生成对抗网络的个体化因果中介分析（CGAN-ICMA-SO）”方法，创新性融合深度学习路径分析与因果中介分析，凭借条件生成对抗网络（CGAN）的强大拟合能力，无需预设变量关系模型，可自动学习暴露因素、中介变量与生存结局（如疾病发病时间）间的复杂路径。研究证实，其推断条件生成器在温和条件下可收敛至真实条件分布，为精准捕捉个体化“暴露-中介-结局”路径奠定基础，实现了生存结局数据的个体化因果效应精准推断，为解析复杂疾病发病机制、推动精准医疗提供了新视角。将该方法应用于阿尔茨海默病神经影像倡议（ADNI）数据集，成功揭示APOE4等位基因对AD发病时间的个体化直接与间接效应：部分携带者因脑脊液tau蛋白水平升高（中介路径）加速发病，另一些则受遗传因素直接影响，为精准干预指明靶点。
传统统计学方法依赖预设变量关系模型，难以应对复杂数据结构与繁多变量。而深度学习凭借强大的非线性拟合与自主学习能力打破这一局限，如CGAN-ICMA-SO方法借助条件生成对抗网络，无需预设模型即可挖掘数据潜藏的复杂关系，提升了统计学处理高维度、非线性数据的灵活性与准确性。深度学习与路径分析的结合，正不断拓展统计学边界，使其在应对复杂数据、解析深层机制及实现个体化分析等方面焕发新活力，为多学科研究与实践提供更强方法论支撑。
报告结束后，宋心远教授耐心解答同学问题并深入交流，结合自身经验叮嘱学生：学习路上当以坚韧为舟，以专注为帆。要沉下心来锚定一件事深耕细作，切忌多头出击、分散精力。通过此次报告不仅加深了同学们对深度学习的了解和学习，同时还认识到在学习中唯有咬定目标久久为功，方能在钻研中突破壁垒，在坚守中收获真学问。
初审：关迪
复审：杨凯
终审：王丹、王纯杰
数学与统计学院
2025年7月28日
