在全球范围内，医院人手短缺、医生工作过度，都是普遍存在的情况，但是很快这一现象就会因机器学习的大规模应用而得到改善。
实践证明，一种训练医学人工智能（AI）系统的新方法在诊断疾病方面，比以前的工作表现得更加精确。
近日，由伦敦大学学院（University College London）和英国医疗服务提供商巴比伦健康公司（Babylon Health）的研究人员开发的人工智能系统研究成果，刊登在《自然》子刊 Nature Communications 上。
传统的人工智能系统根据患者出现的症状来识别最可能出现的疾病，而与传统的人工智能系统不同，因果人工智能（causive machine learning）系统的判断方式更加接近医生诊断病症的方式：通过使用反事实问题（counterfactual questions）的方法来缩小可能出现的疾病范围。
这种人工智能系统可以帮助医生进行诊断，尤其是对于复杂病例来讲。并比现有的人工智能系统更加精确，甚至在一个较小规模的对照试验中的表现也优于现实生活中的医生。
理解因果关系的人工智能
在医学上，相关性和因果关系之间的差异很重要。与医生诊断不同，现有的症状检查仅根据相关性提供建议，而不是根据因果关系来的。举例来讲，病人可能因为呼吸急促而到医院就诊。基于相关性的人工智能可能会将呼吸急促与超重（overweight）联系在一起，进一步把超重与患有 2 型糖尿病联系起来，并建议使用胰岛素。
但基于因果关系的人工智能系统可能会把重点放在呼吸急促和哮喘之间的联系上，从而探索其他治疗方法。
这种被称为因果机器学习的新人工智能方法在网络中获得越来越多的关注，它可以产生一种“想象”，当患者的疾病与原有模版中的疾病不同时，人工智能可能对此症状进行自动联想，从而做出正确的诊断。
在 Nature Communications 上发表的经过同行评审的研究，是研究人员第一次使用因果推理的方式进行临床试验，并且研究表明，将相关性与因果关系分离开来，人工智能系统的准确性明显提高。
论文作者、伦敦大学学院（University College London）Ciarán Gilligan－Lee 说：“我们着手将因果关系放到人工智能中，这样我们才能找到患者真正的疾病，并据此为他们提供帮助。”
123下一页>（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
