在医学诊断中，对不可逆型疾病（如视盘萎缩症）进行时间序列的疾病预测非常重要，对未来疾病发展的预测可以帮助患者进行提前干预，对于疾病的有效控制有很大的意义。

但是这类预测目前存在两个大问题。首先，目前的很多时间序列疾病预测的方法都是提取所有的时序图像特征来进行未来疾病的预测。然而图像中通常存在很多与该类疾病无关的信息或特征，当加入这些疾病无关的信息进行训练时，会引入伪相关关系，即它们本身与疾病无关，但训练时使用它们参与了疾病的预测，引入了统计上的相关关系。当模型使用这些伪相关的信息对新的分布下测试集的样本进行疾病预测时，很容易导致失败。其次，很多时间序列的预测方法建立在时序标签完整的情况下。然而由于医学标签标注成本高昂，实际情况下很多时候过去时间步的疾病标签是缺乏的，标签的缺乏也给未来阶段的疾病预测带来了很大的挑战。

针对时间序列疾病预测的问题，提出了因果隐马尔可夫模型描述疾病的动态发展过程，并使用基于 VAE 的变分框架进行学习。通过对图像隐空间进行解耦，去除疾病无关因子与疾病预测的伪相关关系，从而提高预测的准确率和鲁棒性。