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治疗更安全、更有效、更个性化。
人工智能正在医疗领域取得进展。 在成像技术和健康风险计算方面，有大量的人工智能方法处于开发和测试阶段。 无论何时识别大量数据中的模式，机器都有望为人类带来巨大的利益。 人工智能遵循经典模型，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，由慕尼黑大学管理学人工智能 (AI) 研究所所长 Stefan Feuerriegel 教授领导的国际团队正在探索人工智能相对较新的诊断和治疗分支的潜力。 因果机器学习 (ML) 能否估计治疗结果，并且比迄今为止普遍使用的 ML 方法更好？ 是的，该小组发表在《自然医学》杂志上的一项具有里程碑意义的研究表明：因果机器学习可以提高治疗的有效性和安全性。
来自慕尼黑、剑桥（英国）和波士顿（美国）的研究人员写道，特别是，新的机器学习变体为个性化治疗策略提供了大量机会，从而改善患者的健康状况。其中包括慕尼黑工业大学 (TUM) 计算机科学教授 Stefan Bauer 和 Niki Kilbertus 以及 Helmholtz AI 团队负责人。
至于治疗决策中的机器辅助，作者预计质量将出现决定性的飞跃。 他们认为，经典机器学习可以识别模式并发现相关性。 然而，因果关系原则通常仍然不适合机器。 他们无法解决为什么的问题。 然而，在做出治疗决策时出现的许多问题都包含着因果问题。 作者以糖尿病为例说明了这一点：经典机器学习旨在预测具有一系列危险因素的特定患者患病的可能性有多大。 通过因果 ML，理想情况下可以回答如果患者服用抗糖尿病药物，风险如何变化； 也就是说，衡量原因（药物处方）的影响。 还可以估计另一种治疗计划是否会比常用的处方药二甲双胍更好。
然而，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‘假设会怎样？’的问题。” 大自然，”Feuerriegel 团队的博士生 Jonas Schweisthal 说道。 “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，”Feuerriegel 说。 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。
即使在尚不存在可靠的治疗标准的情况下，或者由于伦理原因无法进行随机研究（因为它们总是包含安慰剂组），机器仍然可以从可用的患者数据中评估潜在的治疗结果，从而形成可能的治疗计划的假设，研究人员希望如此。 有了这些真实世界的数据，通常应该可以更精确地描述患者群体的估计，从而使个体化治疗决策更加接近。 当然，确保方法的可靠性和稳健性仍然存在挑战。
“我们在医学中使用因果机器学习方法所需的软件并不是现成的，”Feuerriegel 说。 相反，需要对各个问题进行“复杂建模”，涉及“人工智能专家和医生之间的密切合作”。 与他在慕尼黑工业大学的同事 Stefan Bauer 和 Niki Kilbertus 一样，Feuerriegel 还在慕尼黑机器学习中心 (MCML) 和 Konrad Zuse 可靠人工智能卓越学院研究与医学、决策和其他主题中的人工智能相关的问题。 Feuerriegel 解释说，在营销等其他应用领域，因果机器学习的工作已经处于测试阶段多年。 “我们的目标是让这些方法更接近实践。这篇论文描述了未来几年事情可能发展的方向。”
资讯来源：由a0资讯编译自THECOINREPUBLIC。版权归作者A0资讯所有，未经许可，不得转载
