能夠理解因果關系的AI醫生來了，實現比醫生更精準的診斷
在全球范圍內，醫院人手短缺、醫生工作過度，都是普遍存在的情況，但是很快這一現象就會因機器學習的大規模應用而得到改善。
實踐證明，一種訓練醫學人工智能（AI）系統的新方法在診斷疾病方面，比以前的工作表現得更加精確。
近日，由倫敦大學學院（University College London）和英國醫療服務提供商巴比倫健康公司（Babylon Health）的研究人員開發的人工智能系統研究成果，刊登在《自然》子刊 Nature Communications 上。
傳統的人工智能系統根據患者出現的癥狀來識別最可能出現的疾病，而與傳統的人工智能系統不同，因果人工智能（causive machine learning）系統的判斷方式更加接近醫生診斷病癥的方式：通過使用反事實問題（counterfactual questions）的方法來縮小可能出現的疾病范圍。
這種人工智能系統可以幫助醫生進行診斷，尤其是對于復雜病例來講。并比現有的人工智能系統更加精確，甚至在一個較小規模的對照試驗中的表現也優于現實生活中的醫生。
理解因果關系的人工智能
在醫學上，相關性和因果關系之間的差異很重要。與醫生診斷不同，現有的癥狀檢查僅根據相關性提供建議，而不是根據因果關系來的。
舉例來講，病人可能因為呼吸急促而到醫院就診。基于相關性的人工智能可能會將呼吸急促與超重（overweight）聯系在一起，進一步把超重與患有 2 型糖尿病聯系起來，并建議使用胰島素。
但基于因果關系的人工智能系統可能會把重點放在呼吸急促和哮喘之間的聯系上，從而探索其他治療方法。
這種被稱為因果機器學習的新人工智能方法在網絡中獲得越來越多的關注，它可以產生一種“想象”，當患者的疾病與原有模版中的疾病不同時，人工智能可能對此癥狀進行自動聯想，從而做出正確的診斷。
在 Nature Communications 上發表的經過同行評審的研究，是研究人員第一次使用因果推理的方式進行臨床試驗，并且研究表明，將相關性與因果關系分離開來，人工智能系統的準確性明顯提高。
論文作者、倫敦大學學院（University College London）Ciarán Gilligan－Lee 說：“我們著手將因果關系放到人工智能中，這樣我們才能找到患者真正的疾病，并據此為他們提供幫助。”
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
最新活動更多
- 1 AI狂歡遇上油價破百，全球股市還能漲多久？ | 產聯看全球
- 2 OpenAI深夜王炸！ChatGPT Images 2.0實測：中文穩、細節炸，設計師慌了
- 3 6000億美元估值錨定：字節跳動的“去單一化”突圍與估值重構
- 4 Tesla AI5芯片最新進展總結
- 5 連夜測了一波DeepSeek-V4，我發現它可能只剩“審美”這個短板了
- 6 熱點丨AI“瑜亮之爭”：既生OpenClaw，何生Hermes？
- 7 AI界的殺豬盤：9秒刪庫跑路，全員被封號，還繼續扣錢！
- 8 2026，人形機器人只贏了面子
- 9 DeepSeek降價90%：價格屠夫不是身份，是戰略
- 10 AI Infra產業鏈卡在哪里了？
