Algorytm, który może wykryć przyczynę i skutek, może wzmocnić medyczną sztuczną inteligencję

Obraz kolorowych pigułek Joshua Coleman | Unsplash

Zrozumienie, jak działa świat, oznacza zrozumienie przyczyny i skutku. Dlaczego takie rzeczy są? Co się stanie, jeśli to zrobię? Korelacje mówią, że pewne zjawiska idą w parze. Tylko powiązania przyczynowe mówią o tym, dlaczego system jest taki, jaki jest lub jak może ewoluować. Korelacja nie jest przyczyną, jak głosi hasło.

Jest to duży problem dla medycyny, gdzie ogromna liczba zmiennych może być ze sobą powiązana. Diagnozowanie chorób zależy od wiedzy, które stany powodują jakie objawy; leczenie chorób zależy od znajomości skutków różnych leków lub zmiany stylu życia. Rozplątywanie takich zawiłych pytań odbywa się zwykle za pomocą rygorystycznych badań obserwacyjnych lub randomizowanych badań kontrolowanych.

Tworzą one bogactwo danych medycznych, ale są one rozproszone w różnych zestawach danych, co pozostawia wiele pytań bez odpowiedzi. Jeśli jeden zestaw danych pokazuje korelację między otyłością a chorobami serca, a inny pokazuje korelację między niską zawartością witaminy D a otyłością, jaki jest związek między niską zawartością witaminy D a chorobami serca? Ustalenie tego wymaga zwykle kolejnego badania klinicznego.

Jak możemy lepiej wykorzystać te fragmentaryczne informacje? Komputery świetnie radzą sobie z dostrzeganiem wzorców — ale to tylko korelacja. W ciągu ostatnich kilku lat informatycy wymyślili garść algorytmów, które mogą identyfikować związki przyczynowe w obrębie pojedynczych zbiorów danych. Ale skupianie się na pojedynczych zestawach danych jest jak przeglądanie dziurek od klucza. Potrzebny jest sposób na ogarnięcie całego widoku.

Naukowcy Anish Dhir i Ciarán Lee z Babylon Health, brytyjskiego dostawcy cyfrowej opieki zdrowotnej, opracowali technikę wyszukiwania związki przyczynowe w różnych zestawach danych . Mogłoby to pozwolić na przeszukiwanie dużych baz danych niewykorzystanych danych medycznych pod kątem przyczyn i skutków — a być może także odkrycie nowych powiązań przyczynowych.

Babylon Health oferuje aplikację opartą na chatbocie, która prosi o podanie listy objawów przed udzieleniem odpowiedzi wstępnej diagnozy i porady dotyczącej leczenia . Celem jest odfiltrowanie osób, które w rzeczywistości nie potrzebują wizyty u lekarza. W zasadzie usługa ta oszczędza czas zarówno pacjentów, jak i lekarzy, umożliwiając przepracowanym pracownikom służby zdrowia pomoc najbardziej potrzebującym.

Ale aplikacja ma poddaj się kontroli . Lekarze ostrzegają, że czasami brakuje na przykład oznak poważnej choroby. Kilka innych firm – w tym Ada i Your.MD – również oferuje diagnozę za pomocą chatbota, ale Babylon Health wyróżniło się krytyką, częściowo z powodu przesadnych twierdzeń. Na przykład w 2018 roku firma ogłosiła, że ​​jej sztuczna inteligencja może diagnozować schorzenia lepiej niż ludzki lekarz. Badanie w The Lancet kilka miesięcy później wykazało nie tylko, że to nieprawda, ale że może działać znacznie gorzej.

Mimo to nowa praca Dhira i Lee dotycząca powiązań przyczynowych zasługuje na poważne potraktowanie. Został zrecenzowany i pojawi się na szanowanej konferencji Association for Advancement of Artificial Intelligence w Nowym Jorku w tym tygodniu. Zasadniczo technika ta mogłaby wzmocnić usługę oferowaną przez Babylon Health.

Możliwość identyfikacji związków przyczynowych w danych medycznych poprawiłaby diagnostyczną sztuczną inteligencję stojącą za chatbotem. Uzasadnianie odpowiedzi poprzez wskazywanie przyczyn i skutków – zamiast ukrytych korelacji – powinno również dać ludziom większe zaufanie do aplikacji, mówi Lee, który pracuje również nad uczeniem maszynowym i obliczeniami kwantowymi na University College London. Opieka zdrowotna to dziedzina wysokiego ryzyka. Nie chcemy wdrażać czarnej skrzynki, mówi.

Para szybko zdała sobie sprawę, że będzie musiała zacząć od zera. Kiedy spojrzeliśmy, okazało się, że nikt tak naprawdę nie rozwiązał tego problemu – mówi Lee. Wyzwaniem jest połączenie wielu zestawów danych, które mają wspólne zmienne, i wyodrębnienie jak największej ilości informacji o przyczynie i skutku z połączonych danych.

Metoda nie wykorzystuje uczenia maszynowego, ale jest inspirowana kryptografią kwantową, w której wzór matematyczny może być użyty do udowodnienia, że ​​nikt nie podsłuchuje Twojej rozmowy. Dhir i Lee traktują zestawy danych jako rozmowy, a zmienne, które w sposób przyczynowy wpływają na te zestawy danych jako podsłuchiwacze. Wykorzystując matematykę kryptografii kwantowej, ich algorytm może określić, czy te efekty istnieją.

Przetestowali system na zestawach danych, w których związki przyczynowe były już znane, takich jak dwa zestawy mierzące rozmiar i teksturę guzów piersi. AI prawidłowo stwierdziła, że ​​rozmiar i tekstura nie mają ze sobą związku przyczynowego, ale oba zostały określone na podstawie tego, czy guz był złośliwy, czy łagodny.

Jeśli dostępne są surowe dane, twierdzi para, ich algorytm może zidentyfikować związki przyczynowe między zmiennymi tak samo, jak badanie kliniczne. Zamiast szukać przyczyn, uruchamiając nową randomizowaną, kontrolowaną próbę, oprogramowanie może to zrobić przy użyciu istniejących danych. Lee przyznaje, że ludzie będą potrzebować przekonywania i ma nadzieję, że algorytm będzie przynajmniej początkowo używany jako uzupełnienie badań, być może poprzez wskazanie potencjalnych powiązań przyczynowych do badań. Zauważa jednak, że oficjalne organy, takie jak amerykańska Agencja ds. Żywności i Leków, już zatwierdzają nowe leki na podstawie badań, które wykazują jedynie korelację. Mówi, że sposób, w jaki leki przechodzą przez randomizowane, kontrolowane badania, jest mniej przekonujący niż stosowanie tych algorytmów.

ukryć