在全球范圍內(nèi)，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(huì)因機(jī)器學(xué)習(xí)的大規(guī)模應(yīng)用而得到改善。

實(shí)踐證明，一種訓(xùn)練醫(yī)學(xué)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(xué)學(xué)院（University College London）和英國(guó)醫(yī)療服務(wù)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(shí)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(shí)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(jìn)行診斷，尤其是對(duì)于復(fù)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(gè)較小規(guī)模的對(duì)照試驗(yàn)中的表現(xiàn)也優(yōu)于現(xiàn)實(shí)生活中的醫(yī)生。

理解因果關(guān)系的人工智能

在醫(yī)學(xué)上，相關(guān)性和因果關(guān)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(guān)性提供建議，而不是根據(jù)因果關(guān)系來的。
舉例來講，病人可能因?yàn)楹粑�急促而到醫(yī)院就診�；�于相關(guān)性的人工智能可能會(huì)將呼吸急促與超重（overweight）聯(lián)系在一起，進(jìn)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(guān)系的人工智能系統(tǒng)可能會(huì)把重點(diǎn)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(jī)器學(xué)習(xí)的新人工智能方法在網(wǎng)絡(luò)中獲得越來越多的關(guān)注，它可以產(chǎn)生一種“想象”，當(dāng)患者的疾病與原有模版中的疾病不同時(shí)，人工智能可能對(duì)此癥狀進(jìn)行自動(dòng)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(píng)審的研究，是研究人員第一次使用因果推理的方式進(jìn)行臨床試驗(yàn)，并且研究表明，將相關(guān)性與因果關(guān)系分離開來，人工智能系統(tǒng)的準(zhǔn)確性明顯提高。

論文作者、倫敦大學(xué)學(xué)院（University College London）Ciarán Gilligan－Lee 說：“我們著手將因果關(guān)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�！�