经过 剑桥大学
机器不仅可以学习做出预测，还可以学习处理因果关系。一个国际研究小组展示了这如何使医疗治疗更安全、更高效、更个性化。
人工智能技术有助于多种医疗应用，例如放射学或肿瘤学，其中识别大量数据模式的能力至关重要。对于这些类型的应用程序，人工智能会将信息与学习到的示例进行比较，得出结论并进行推断。
现在，由慕尼黑路德维希马克西米利安大学 (LMU) 的研究人员领导、包括剑桥大学研究人员在内的一个国际团队正在探索人工智能在诊断和治疗方面相对较新的分支的潜力。
研究人员发现，因果机器学习 (ML) 可以估计治疗结果，而且比迄今为止普遍使用的机器学习方法更好。因果机器学习使临床医生更容易制定个性化治疗策略，从而单独改善患者的健康状况。
结果发表在期刊上 自然医学 ，提出因果机器学习如何提高各种医学治疗的有效性和安全性。
经典机器学习识别模式并发现相关性。然而，因果原理通常对机器来说仍然是封闭的。他们无法解决为什么的问题。在为患者做出治疗决策时，“为什么”对于实现最佳结果至关重要。
“开发机器学习工具来解决‘为什么？’和“如果呢？”剑桥医学人工智能中心主任、资深作者 Mihaela van der Schaar 教授说：“问题赋予了临床医生权力，因为它可以加强他们的决策过程。” “但这种机器学习比评估个性化风险要复杂得多。”
例如，当试图为有患糖尿病风险的人确定治疗决策时，经典机器学习的目标是预测具有一系列风险因素的特定患者患该疾病的可能性有多大。
通过因果 ML，可以回答如果患者接受抗糖尿病药物，风险如何变化；也就是说，衡量一个原因的影响。还可以估计常用药物二甲双胍是否是最佳治疗方法，或者其他治疗计划是否会更好。
为了能够估计假设治疗的效果，人工智能模型必须学会回答“如果？”问题。领导这项研究的慕尼黑大学教授 Stefan Feuerriegel 表示：“我们为机器提供了识别因果结构并正确形式化问题的规则。” “然后机器必须学会识别干预措施的效果，并理解现实生活中的后果如何反映在输入计算机的数据中。”
更多信息： Stefan Feuerriegel 等人，用于预测治疗结果的因果机器学习， 自然医学 （2024）。 DOI：10.1038/s41591-024-02902-1
期刊信息： 自然医学
由...提供 剑桥大学
