211service.com
Algoritmus, který dokáže rozpoznat příčinu a následek, by mohl přebít lékařskou umělou inteligenci
Obrázek pestrobarevných pilulek Joshua Coleman | Unsplash
Pochopit, jak svět funguje, znamená pochopit příčinu a následek. Proč jsou věci takové? Co se stane, když to udělám? Korelace vám říkají, že určité jevy jdou dohromady. Pouze kauzální souvislosti vám řeknou, proč je systém takový, jaký je, nebo jak by se mohl vyvíjet. Korelace není kauzalita, jak říká slogan.
To je velký problém pro medicínu, kde lze propojit obrovské množství proměnných. Diagnostika nemocí závisí na znalosti, které stavy způsobují jaké příznaky; léčba nemocí závisí na znalosti účinků různých léků nebo změn životního stylu. Rozplétání takových spletitých otázek se obvykle provádí pomocí přísných pozorovacích studií nebo randomizovaných kontrolovaných studií.
Ty vytvářejí velké množství lékařských dat, která jsou však rozptýlena v různých souborech dat, což ponechává mnoho otázek nezodpovězených. Pokud jeden soubor dat ukazuje korelaci mezi obezitou a srdečním onemocněním a jiný ukazuje korelaci mezi nízkým obsahem vitamínu D a obezitou, jaká je souvislost mezi nízkým obsahem vitamínu D a srdečním onemocněním? Zjištění obvykle vyžaduje další klinickou studii.
Jak tyto kusé informace lépe využijeme? Počítače jsou skvělé v rozpoznávání vzorů – ale to je jen korelace. V posledních několika letech vynalezli počítačoví vědci několik algoritmů, které dokážou identifikovat kauzální vztahy v rámci jednotlivých souborů dat. Ale zaměřit se na jednotlivé soubory dat je jako dívat se skrz klíčové dírky. Co je potřeba, je způsob, jak pojmout celý pohled.
Výzkumníci Anish Dhir a Ciarán Lee z Babylon Health, britského poskytovatele digitální zdravotní péče, přišli s technikou, jak najít kauzální vztahy napříč různými datovými soubory . To by mohlo umožnit těžbu velkých databází nevyužitých lékařských dat na příčiny a následky – a možná i objevování nových příčinných souvislostí.
Babylon Health nabízí aplikaci založenou na chatbotu, která vás požádá, abyste uvedli své příznaky, než odpovíte předběžnou diagnózou a radou ohledně léčby. Cílem je odfiltrovat lidi, kteří ve skutečnosti nepotřebují navštívit lékaře. Služba v zásadě šetří čas pacientů i lékařů a umožňuje přetíženým zdravotníkům pomáhat těm nejpotřebnějším.
Ale aplikace má dostat pod drobnohled . Lékaři varovali, že někdy například postrádá známky vážného onemocnění. Několik dalších společností – včetně Ada a Your.MD – také nabízí diagnostiku pomocí chatbota, ale Babylon Health se kritizovala částečně kvůli svým přehnaným tvrzením. Například v roce 2018 společnost oznámila, že její umělá inteligence dokáže diagnostikovat zdravotní stavy lépe než lidský lékař. Studie v The Lancet o několik měsíců později dospěla k závěru, že nejen to není pravda, ale také to může fungovat výrazně hůř.
Přesto si nová práce Dhira a Leeho o kauzálních souvislostech zaslouží, aby byla brána vážně. Byl recenzován a objeví se tento týden na respektované konferenci Asociace pro rozvoj umělé inteligence v New Yorku. V zásadě by tato technika mohla přebít službu, kterou Babylon Health nabízí.
Schopnost identifikovat kauzální vztahy v lékařských datech by zlepšila diagnostickou AI za jeho chatbotem. Zdůvodnění odpovědí poukazem na základní příčinu a následek – spíše než na skryté korelace – by také mělo lidem poskytnout větší důvěru v aplikaci, říká Lee, který také pracuje na strojovém učení a kvantových počítačích na University College London. Zdravotní péče je vysoce riziková oblast. Nechceme nasadit černou skříňku, říká.
Pár si brzy uvědomil, že musí začít od nuly. Když jsme se podívali, ukázalo se, že tento problém nikdo skutečně nevyřešil, říká Lee. Úkolem je spojit více datových sad, které sdílejí společné proměnné, a získat z kombinovaných dat co nejvíce informací o příčině a následku.
Tato metoda nepoužívá strojové učení, ale je inspirována kvantovou kryptografií, ve které lze použít matematický vzorec k prokázání, že nikdo vaši konverzaci neodposlouchává. Dhir a Lee zacházejí se soubory dat jako s konverzacemi a proměnnými, které tyto soubory dat kauzálním způsobem ovlivňují, jako s odposlechy. Pomocí matematiky kvantové kryptografie může jejich algoritmus identifikovat, zda tyto efekty existují nebo ne.
Testovali systém na souborech dat, ve kterých již byly známy kauzální vztahy, jako jsou dva soubory měřící velikost a texturu nádorů prsu. AI správně zjistila, že velikost a textura spolu nemají kauzální souvislost, ale že obojí bylo určeno tím, zda byl nádor maligní nebo benigní.
Pokud jsou k dispozici nezpracovaná data, tvrdí dvojice, jejich algoritmus může identifikovat kauzální vztahy mezi proměnnými stejně jako klinická studie. Namísto hledání příčin spuštěním nové randomizované kontrolované studie to může software umět pomocí existujících dat. Lee připouští, že lidé budou potřebovat přesvědčování a doufá, že algoritmus bude alespoň zpočátku použit k doplnění pokusů, možná zvýrazněním potenciálních kauzálních souvislostí pro studium. Přesto poznamenává, že oficiální orgány, jako je americký Úřad pro kontrolu potravin a léčiv, již schvalují nové léky na základě zkoušek, které ukazují pouze korelaci. Způsob, jakým drogy procházejí randomizovanými kontrolovanými studiemi, je méně přesvědčivý než použití těchto algoritmů, říká.