机器不仅可以学习做出预测，还可以学习处理因果关系。一个国际研究小组展示了这如何使医疗治疗更安全、更高效、更个性化。

人工智能技术有助于多种医疗应用，例如放射学或肿瘤学，其中识别大量数据模式的能力至关重要。对于这些类型的应用程序，人工智能会将信息与学习到的示例进行比较，得出结论并进行推断。

现在，由慕尼黑路德维希马克西米利安大学 (LMU) 的研究人员领导、包括剑桥大学研究人员在内的一个国际团队正在探索人工智能在诊断和治疗方面相对较新的分支的潜力。

研究人员发现，因果机器学习 (ML) 可以估计治疗结果，而且比迄今为止普遍使用的机器学习方法更好。因果机器学习使临床医生更容易制定个性化治疗策略，从而单独改善患者的健康状况。

《自然医学》杂志报道的结果表明因果机器学习如何提高各种医学治疗的有效性和安全性。

经典机器学习识别模式并发现相关性。然而，因果原理通常对机器来说仍然是封闭的。他们无法解决为什么的问题。在为患者做出治疗决策时，“为什么”对于实现最佳结果至关重要。

剑桥医学人工智能中心主任、资深作者Michaela van der Schaar 教授表示：“开发机器学习工具来解决“为什么”和“如果”问题可以为临床医生提供帮助，因为它可以加强他们的决策过程。“但这种机器学习比评估个性化风险要复杂得多。”

例如，当试图为有患糖尿病风险的人确定治疗决策时，经典机器学习的目标是预测具有一系列风险因素的特定患者患该疾病的可能性有多大。通过因果 ML，可以回答如果患者接受抗糖尿病药物，风险如何变化；也就是说，衡量一个原因的影响。还可以估计常用药物二甲双胍是否是最佳治疗方法，或者其他治疗计划是否会更好。

为了能够估计假设治疗的效果，人工智能模型必须学会回答“假设会怎样？”问题。领导这项研究的慕尼黑大学教授Stefan Feuerriegel 表示：“我们为机器提供了识别因果结构并正确形式化问题的规则。” “然后机器必须学会识别干预措施的效果，并理解现实生活中的后果如何反映在输入计算机的数据中。”

即使在尚不存在可靠的治疗标准的情况下，或者由于伦理原因无法进行随机研究（因为它们总是包含安慰剂组），机器仍然可以从现有的患者数据中评估潜在的治疗结果，并形成可能的治疗计划的假设，研究人员希望如此。

有了这些真实世界的数据，通常应该可以更精确地描述患者群体的估计，从而使个体化治疗决策更加接近。当然，确保方法的可靠性和稳健性仍然存在挑战。

“我们在医学中使用因果机器学习方法所需的软件并不是现成的，”Feuerriegel 说。 “相反，需要对各个问题进行复杂的建模，需要人工智能专家和医生之间的密切合作。”

Feuerriegel 解释说，在其他领域，例如营销领域，因果机器学习的工作已经处于测试阶段好几年了。 “我们的目标是让这些方法更接近实践，”他说。该论文描述了未来几年事情可能发展的方向。”

“我在这个领域工作了近 10 年，在我们的实验室里与一代又一代的学生一起不懈地努力解决这个问题，”应用数学和理论物理、工程和医学系的范德沙尔说。 “这是机器学习中一个极具挑战性的领域，看到它越来越接近临床应用，它将为临床医生和患者提供帮助，这是非常令人满意的。”

Van der Schaar 继续与临床医生密切合作，在不同的临床环境中验证这些工具，包括移植、癌症和心血管疾病。

参考文献：

Stefan Feuerriegel 等人。 “用于预测治疗的因果机器学习。”自然医学（2024）。 DOI：10.1038/s41591-024-02902-1

原文链接：

https://www.cam.ac.uk/research/news/training-ai-models-to-answer-what-if-questions-could-improve-medical-treatments