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(xiàn)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(tǒng)的新方法在診斷疾病方面，比以前的工作表現(xiàn)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(tǒng)研究成果，刊登在《自然》子刊 Nature Communications 上。
傳統(tǒng)的人工智能系統(tǒng)根據(jù)患者出現(xiàn)的癥狀來識別最可能出現(xiàn)的疾病，而與傳統(tǒng)的人工智能系統(tǒng)不同，因果人工智能（causive machine learning）系統(tǒng)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(xiàn)的疾病范圍。
這種人工智能系統(tǒng)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(xiàn)有的人工智能系統(tǒng)更加精確，甚至在一個較小規(guī)模的對照試驗中的表現(xiàn)也優(yōu)于現(xiàn)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(xiàn)有的癥狀檢查僅根據(jù)相關性提供建議，而不是根據(jù)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(lián)系在一起，進一步把超重與患有 2 型糖尿病聯(lián)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(tǒng)可能會把重點放在呼吸急促和哮喘之間的聯(lián)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(wǎng)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(lián)想，從而做出正確的診斷。
在 Nature Communications 上發(fā)表的經(jīng)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(tǒng)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(jù)此為他們提供幫助?！?/p> 123下一頁>
（免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
