机器不仅能学会预测，还能学会处理因果关系。一个国际研究小组展示了这将如何使医疗更安全、更有效、更个性化。
人工智能技术可以帮助多种医疗应用，例如放射学或肿瘤学，在这些应用中，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，人工智能将信息与学习过的示例进行比较，得出结论，并进行推断。
现在，由Ludwig-Maximilians-Universit?t m
国立大学(LMU)的研究人员领导的一个国际团队，包括剑桥大学的研究人员，正在探索人工智能在诊断和治疗方面一个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做得更好。因果机器学习使临床医生更容易制定个性化的治疗策略，从而单独改善患者的健康状况。
发表在《自然医学》杂志上的研究结果表明，因果机器学习可以提高各种医学治疗的有效性和安全性。
经典的机器学习可以识别模式并发现相关性。然而，因果原理通常对机器来说是封闭的;他们无法回答为什么。在为患者做出治疗决定时，“为什么”对于取得最佳结果至关重要。
“开发机器学习工具来解决‘为什么?和“如果……怎么办?”剑桥医学人工智能中心主任、资深作者Mihaela van der Schaar教授说:“这些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。”“但这种机器学习远比评估个性化风险复杂得多。”
例如，当试图确定有患糖尿病风险的人的治疗决定时，经典的ML旨在预测具有一系列风险因素的特定患者患糖尿病的可能性。
有了因果性ML，就有可能回答如果患者接受抗糖尿病药物，风险是如何变化的;也就是说，衡量一个原因的结果。也可以估计二甲双胍这种常用的处方药是否是最好的治疗方法，或者其他治疗方案是否会更好。
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”的问题。“我们给机器提供了识别因果结构和正确形式化问题的规则，”领导这项研究的LMU教授Stefan Feuerriegel说。“然后，机器必须学会识别干预措施的影响，并理解，可以这么说，现实生活的后果是如何反映在输入计算机的数据中。”
研究人员希望，即使在可靠的治疗标准尚不存在的情况下，或者由于伦理原因，随机研究不可能进行，因为它们总是包含安慰剂组，机器仍然可以从现有的患者数据中评估潜在的治疗结果，并为可能的治疗计划形成假设。
有了这些真实世界的数据，通常应该有可能在估计中以更高的精度描述患者队列，从而使个性化治疗决策更加接近。当然，确保这些方法的可靠性和健壮性仍然是一个挑战。
Feuerriegel教授说:“我们需要的用于医学因果机器学习方法的软件并不存在。”“相反，需要对各自的问题进行复杂的建模，涉及人工智能专家和医生之间的密切合作。”
Feuerriegel教授解释说，在市场营销等其他领域，因果机器学习的工作已经处于测试阶段好几年了。“我们的目标是让这些方法更接近实践，”他说。这份报告描述了未来几年的发展方向。”
“我在这个领域已经工作了将近10年，在我们的实验室里，我和几代学生一起不懈地努力，以解决这个问题，”隶属于工程系、应用数学和理论物理系以及医学系的范德夏尔教授说。
“这是一个极具挑战性的机器学习领域，看到它越来越接近临床应用，它将赋予临床医生和患者同样的权力，这是非常令人满意的。”
Van der Schaar教授正在继续与临床医生密切合作，在不同的临床环境中验证这些工具，包括移植、癌症和心血管疾病。
更多信息:Stefan Feuerriegel等人，因果机器学习预测治疗结果，Nature Medicine(2024)。DOI: 10.1038/s41591-024-02902-1期刊信息:自然医学由剑桥大学提供引文:训练AI模型来回答“如果?”'的问题可以改善医疗(2024,June 14)检索自https://techxplore.com/news/2024-06-ai-medical-treatments.html。本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
