能夠理解因果關系的AI醫(yī)生來了，實現比醫(yī)生更精準的診斷
在全球范圍內，醫(yī)院人手短缺、醫(yī)生工作過度，都是普遍存在的情況，但是很快這一現象就會因機器學習的大規(guī)模應用而得到改善。
實踐證明，一種訓練醫(yī)學人工智能（AI）系統的新方法在診斷疾病方面，比以前的工作表現得更加精確。
近日，由倫敦大學學院（University College London）和英國醫(yī)療服務提供商巴比倫健康公司（Babylon Health）的研究人員開發(fā)的人工智能系統研究成果，刊登在《自然》子刊 Nature Communications 上。
傳統的人工智能系統根據患者出現的癥狀來識別最可能出現的疾病，而與傳統的人工智能系統不同，因果人工智能（causive machine learning）系統的判斷方式更加接近醫(yī)生診斷病癥的方式：通過使用反事實問題（counterfactual questions）的方法來縮小可能出現的疾病范圍。
這種人工智能系統可以幫助醫(yī)生進行診斷，尤其是對于復雜病例來講。并比現有的人工智能系統更加精確，甚至在一個較小規(guī)模的對照試驗中的表現也優(yōu)于現實生活中的醫(yī)生。
理解因果關系的人工智能
在醫(yī)學上，相關性和因果關系之間的差異很重要。與醫(yī)生診斷不同，現有的癥狀檢查僅根據相關性提供建議，而不是根據因果關系來的。
舉例來講，病人可能因為呼吸急促而到醫(yī)院就診�；谙嚓P性的人工智能可能會將呼吸急促與超重（overweight）聯系在一起，進一步把超重與患有 2 型糖尿病聯系起來，并建議使用胰島素。
但基于因果關系的人工智能系統可能會把重點放在呼吸急促和哮喘之間的聯系上，從而探索其他治療方法。
這種被稱為因果機器學習的新人工智能方法在網絡中獲得越來越多的關注，它可以產生一種“想象”，當患者的疾病與原有模版中的疾病不同時，人工智能可能對此癥狀進行自動聯想，從而做出正確的診斷。
在 Nature Communications 上發(fā)表的經過同行評審的研究，是研究人員第一次使用因果推理的方式進行臨床試驗，并且研究表明，將相關性與因果關系分離開來，人工智能系統的準確性明顯提高。
論文作者、倫敦大學學院（University College London）Ciarán Gilligan－Lee 說：“我們著手將因果關系放到人工智能中，這樣我們才能找到患者真正的疾病，并據此為他們提供幫助�！�
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
最新活動更多
推薦專題
-
10 月之暗面，絕地反擊
- 1 UALink規(guī)范發(fā)布：挑戰(zhàn)英偉達AI統治的開始
- 2 北電數智主辦酒仙橋論壇，探索AI產業(yè)發(fā)展新路徑
- 3 “AI寒武紀”爆發(fā)至今，五類新物種登上歷史舞臺
- 4 降薪、加班、裁員三重暴擊，“AI四小龍”已折戟兩家
- 5 國產智駕迎戰(zhàn)特斯拉FSD，AI含量差幾何？
- 6 光計算迎來商業(yè)化突破，但落地仍需時間
- 7 東陽光：2024年扭虧、一季度凈利大增，液冷疊加具身智能打開成長空間
- 8 地平線自動駕駛方案解讀
- 9 封殺AI“照騙”，“淘寶們”終于不忍了？
- 10 優(yōu)必選：營收大增主靠小件，虧損繼續(xù)又逢關稅，能否乘機器人東風翻身？
