211service.com
Algoritms, kas var noteikt cēloni un sekas, var palielināt medicīnisko AI
Spilgtas krāsas tablešu attēls Džošua Kolmans | Atbrīvojieties no šļakatām
Izprast, kā pasaule darbojas, nozīmē izprast cēloni un sekas. Kāpēc lietas ir šādas? Kas notiks, ja es to izdarīšu? Korelācijas liecina, ka noteiktas parādības iet kopā. Tikai cēloņsakarības norāda, kāpēc sistēma ir tāda, kāda tā ir, vai kā tā varētu attīstīties. Korelācija nav cēloņsakarība, kā saka sauklis.
Tā ir liela problēma medicīnā, kur var būt savstarpēji saistīti liels skaits mainīgo. Slimību diagnostika ir atkarīga no tā, vai ir jāzina, kuri apstākļi izraisa kādus simptomus; slimību ārstēšana ir atkarīga no dažādu zāļu vai dzīvesveida izmaiņu ietekmes pārzināšanas. Šādu sarežģītu jautājumu atrisināšana parasti tiek veikta, izmantojot stingrus novērošanas pētījumus vai randomizētus kontrolētus pētījumus.
Tie rada daudz medicīnisku datu, taču tie tiek izplatīti dažādās datu kopās, kas atstāj daudzus jautājumus neatbildētus. Ja viena datu kopa parāda korelāciju starp aptaukošanos un sirds slimībām, bet cita parāda korelāciju starp zemu D vitamīna līmeni un aptaukošanos, kāda ir saikne starp zemu D vitamīna līmeni un sirds slimībām? Lai to uzzinātu, parasti ir nepieciešams vēl viens klīniskais pētījums.
Kā labāk izmantot šo fragmentāro informāciju? Datori lieliski pamana modeļus, taču tā ir tikai korelācija. Dažu pēdējo gadu laikā datorzinātnieki ir izgudrojuši virkni algoritmu, kas var identificēt cēloņsakarības atsevišķās datu kopās. Taču koncentrēšanās uz atsevišķām datu kopām ir kā skatīšanās caur atslēgas caurumiem. Ir nepieciešams veids, kā uztvert visu skatu.
Pētnieki Anish Dhir un Ciaran Lee no Babylon Health, Apvienotās Karalistes digitālās veselības aprūpes sniedzēja, ir izstrādājuši paņēmienu, kā atrast cēloņsakarības dažādās datu kopās . Tas varētu ļaut lielas datubāzes ar neizmantotiem medicīniskiem datiem iegūt cēloņus un sekas, un, iespējams, atklāt jaunas cēloņsakarības.
Babylon Health piedāvā uz tērzēšanas robotu balstītu lietotni, kurā tiek lūgts uzskaitīt simptomus, pirms sniedzat provizorisku diagnozi un ieteikumus par ārstēšanu. Mērķis ir izfiltrēt cilvēkus, kuriem faktiski nav jāredz ārsts. Principā pakalpojums ietaupa gan pacientu, gan ārstu laiku, ļaujot pārslogotajiem veselības aprūpes speciālistiem palīdzēt tiem, kam tas visvairāk nepieciešams.
Bet lietotnei ir nonākt pārbaudē . Ārsti brīdinājuši, ka dažkārt, piemēram, nepamana nopietnas slimības pazīmes. Vairāki citi uzņēmumi, tostarp Ada un Your.MD, piedāvā arī tērzēšanas robota diagnostiku, taču Babylon Health ir izcēlies ar kritiku daļēji savu pārspīlēto apgalvojumu dēļ. Piemēram, 2018. gadā uzņēmums paziņoja, ka tā mākslīgais intelekts var labāk diagnosticēt medicīniskos apstākļus nekā cilvēka ārsts. Dažus mēnešus vēlāk veiktajā pētījumā The Lancet tika secināts, ka ne tikai tas ir nepatiess, bet arī tas tas var darboties ievērojami sliktāk.
Tomēr Dhir un Lee jaunais darbs par cēloņsakarībām ir pelnījis uztvert nopietni. Tas ir pārskatīts un parādīsies cienījamajā Mākslīgā intelekta attīstības asociācijas konferencē Ņujorkā šonedēļ. Principā šī tehnika varētu papildināt Babylon Health piedāvātos pakalpojumus.
Iespēja noteikt cēloņsakarības medicīniskajos datos uzlabotu tērzēšanas robota diagnostisko AI. Atbilžu attaisnošanai, norādot uz pamatcēloņu un sekām, nevis uz slēptām korelācijām, vajadzētu arī dot cilvēkiem lielāku pārliecību par lietotni, saka Lī, kurš arī Londonas Universitātes koledžā strādā pie mašīnmācības un kvantu skaitļošanas. Veselības aprūpe ir augsta riska joma. Mēs nevēlamies izvietot melno kasti, viņš saka.
Pāris drīz saprata, ka viņiem būs jāsāk no nulles. Kad mēs paskatījāmies, izrādījās, ka neviens īsti nebija atrisinājis šo problēmu, saka Lī. Izaicinājums ir apvienot vairākas datu kopas, kurām ir kopīgi mainīgie, un no apvienotajiem datiem iegūt pēc iespējas vairāk informācijas par cēloņiem un sekām.
Metode neizmanto mašīnmācīšanos, bet tā vietā ir iedvesmota no kvantu kriptogrāfijas, kurā var izmantot matemātisko formulu, lai pierādītu, ka neviens nenoklausās jūsu sarunu. Dhir un Lee datu kopas apstrādā kā sarunas un mainīgos, kas šīs datu kopas cēloņsakarībā ietekmē kā noklausītājus. Izmantojot kvantu kriptogrāfijas matemātiku, to algoritms var noteikt, vai šie efekti pastāv.
Viņi pārbaudīja sistēmu ar datu kopām, kurās jau bija zināmas cēloņsakarības, piemēram, divās kopās, kas mēra krūts audzēju lielumu un tekstūru. AI pareizi konstatēja, ka izmēram un tekstūrai nebija cēloņsakarības viena ar otru, bet abus noteica tas, vai audzējs bija ļaundabīgs vai labdabīgs.
Ja ir pieejami neapstrādāti dati, pāris apgalvo, ka viņu algoritms var identificēt cēloņsakarības starp mainīgajiem, kā to varētu klīniskais pētījums. Tā vietā, lai meklētu cēloņus, veicot jaunu randomizētu kontrolētu izmēģinājumu, programmatūra var to izdarīt, izmantojot esošos datus. Lī atzīst, ka cilvēki būs jāpārliecina, un cer, ka algoritms vismaz sākotnēji tiks izmantots, lai papildinātu izmēģinājumus, iespējams, izceļot iespējamās cēloņsakarības pētījumam. Tomēr viņš atzīmē, ka oficiālas iestādes, piemēram, ASV Pārtikas un zāļu pārvalde, jau apstiprina jaunas zāles, pamatojoties uz izmēģinājumiem, kas parāda tikai korelāciju. Viņš saka, ka veids, kādā narkotikas iziet randomizētos kontrolētos pētījumos, ir mazāk pārliecinošs nekā šo algoritmu izmantošana.