Nature Medicine介绍医学人工智能中一个相对较新的分支：因果关系前沿

　　机器不仅可以学习预测，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、更有效和更个性化。

　　

机器不仅可以学习预测，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、更有效和更个性化。 

人工智能在医疗领域取得了进展。当涉及到成像技术和健康风险的计算时，有大量的人工智能方法处于开发和测试阶段。只要是在大数据量中识别模式的问题，都可以期待机器给人类带来巨大的好处。根据经典模型，人工智能将信息与学习过的例子进行比较，得出结论，并进行推断。 

现在，由LMU管理人工智能研究所所长Stefan Feuerriegel教授领导的一个国际团队正在探索人工智能在诊断和治疗方面的一个相对较新的分支的潜力。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方法做得更好?是的，该小组发表在著名杂志《自然医学》(Nature Medicine)上的一项具有里程碑意义的研究表明:因果ML可以提高治疗的有效性和安全性。 

特别是，新的机器学习变体提供了“个性化治疗策略的大量机会，从而单独改善患者的健康，”来自慕尼黑、剑桥(英国)和波士顿(美国)的研究人员写道，其中包括慕尼黑工业大学(TUM)的计算机科学教授Stefan Bauer和Niki Kilbertus，以及亥姆霍兹人工智能的小组负责人。 

至于机器辅助治疗决策，作者预计在质量上有决定性的飞跃。他们认为，经典ML识别模式并发现相关性。然而，因果原则的因果关系仍然是封闭的机器作为一个规则;他们无法回答为什么。然而，在做出治疗决定时出现的许多问题都包含因果问题。作者以糖尿病为例说明了这一点:经典ML旨在预测具有一系列风险因素的特定患者患某种疾病的可能性。对于因果性ML，理想情况下可以回答患者服用抗糖尿病药物后风险如何变化;也就是说，衡量一个原因(药物处方)的影响。它还可以估计另一种治疗方案是否会更好，例如，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‘如果怎么办?“自然，”Feuerriegel团队的博士候选人Jonas Schweisthal说。Feuerriegel说:“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。”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衡量潜在的治疗结果，从而形成可能的治疗计划的假设。有了这些真实世界的数据，通常应该可以在估计中更精确地描述患者队列，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说:“我们需要的用于医学因果ML方法的软件并不存在。”相反，需要对各自的问题进行“复杂建模”，包括“人工智能专家和医生之间的密切合作”。和他在慕尼黑工业大学的同事斯特凡·鲍尔(Stefan Bauer)和尼基·基尔伯特斯(Niki Kilbertus)一样，Feuerriegel也在慕尼黑机器学习中心(MCML)和Konrad Zuse卓越可靠人工智能学院研究与医学、决策和其他主题相关的人工智能问题。Feuerriegel解释说，在市场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好几年了。“我们的目标是让这些方法更接近实践。这份报告描述了未来几年的发展方向。”