Обучение моделей ИИ, чтобы ответить: «Что если?»Вопросы могут улучшить медицинское лечение

Рабочий процесс для причинного ML в медицине.Кредит: Медицина природы (2024).Doi: 10.1038/s41591-024-02902-1

Машины могут научиться не только делать прогнозы, но и справляться с причинными отношениями.Международная исследовательская группа показывает, как это может сделать медицинское лечение более безопасным, эффективным и более персонализированным.

Методы искусственного интеллекта могут быть полезны для нескольких медицинских применений, таких как радиология или онкология, где жизненно важна способность распознавать закономерности в больших объемах данных.Для этих типов приложений ИИ сравнивает информацию с учебными примерами, делает выводы и делает экстраполяции.

Теперь международная команда во главе с исследователями из Ludwig-Maximilians-Universität München (LMU), включая исследователей из Кембриджского университета, исследует потенциал сравнительно новой ветви ИИ для диагностики и терапии.

Исследователи обнаружили, что причинно -следственное машинное обучение (ML) может оценивать результаты лечения - и делать это лучше, чем методы машинного обучения, обычно используемые на сегодняшний день.Причинное машинное обучение облегчает для клиницистов персонализировать стратегии лечения, что индивидуально улучшает здоровье пациентов.

Результаты, сообщаемые в журнале Nature Medicine, предполагают, как причинное машинное обучение может повысить эффективность и безопасность различных медицинских методов лечения.

Классическое машинное обучение распознает шаблоны и обнаруживает корреляции.Однако принцип причины и следствия остается закрытым для машин, как правило;Они не могут решить вопрос о том, почему.При принятии решений о терапии для пациента «почему» жизненно важно для достижения наилучших результатов.

«Разработка инструментов машинного обучения для решения« Почему? »и «что если?»Вопросы расширяют возможности для клиницистов, потому что это может укрепить их процессы принятия решений »,-сказал старший автор профессор Михаэла ван дер Шаар, директор Кембриджского центра ИИ в медицине.«Но такое машинное обучение гораздо сложнее, чем оценка персонализированного риска».

Например, при попытке определить решения терапии для человека, подвергающегося риску развития диабета, классический ML будет стремиться предсказать, насколько вероятна для данного пациента с различным диапазоном факторов риска для развития заболевания.

При причинном ML можно было бы ответить на то, как изменяется риск, если пациент получает антидиабетическое препарат;то есть оценить следствие причины.Также можно было бы оценить, будет ли метформин, обычно предписанным лекарством, будет лучшим лечением, или будет ли другой план лечения лучше.

Чтобы иметь возможность оценить эффект гипотетического лечения, модели ИИ должны научиться отвечать: «Что если?»вопросы.«Мы даем машинные правила для распознавания причинно -следственной связи и правильно формализации этой проблемы», - сказал профессор Стефан Феерриегель из LMU, который руководил исследованием.«Тогда машина должна научиться распознавать влияние вмешательств и, так сказать, понимать, как реальные последствия отражаются в данных, которые были поданы в компьютеры».

Даже в ситуациях, по которым надежные стандарты лечения еще не существуют или где рандомизированные исследования невозможны по этическим причинам, поскольку они всегда содержат группу плацебо, машины все еще могут оценить потенциальные результаты лечения от доступных данных пациента и формировать гипотезы для возможных планов лечения,Так что исследователи надеются.

При таких реальных данных, как правило, должно быть возможно описать когорты пациентов с все более высокой точностью в оценках, что приведет к гораздо ближе индивидуальных решений о терапии.Естественно, все еще будет проблема обеспечения надежности и надежности методов.

«Программное обеспечение, которое нам необходимо для причинных методов ML в медицине, не существует из коробки», - говорит профессор Feuerriegel.«Скорее, необходимо сложное моделирование соответствующей проблемы, включая тесное сотрудничество между экспертами ИИ и врачами».

В других областях, таких как маркетинг, объясняет профессор Feuerriegel, работа с причинным ML уже несколько лет находится на этапе тестирования.«Наша цель - приблизить методы на шаг ближе к практике», - сказал он.В статье описывается направление, в котором все может двигаться в ближайшие годы ».

«Я работал в этой области почти 10 лет, неустанно работая в нашей лаборатории с поколениями студентов, чтобы разбить эту проблему», - сказал профессор Ван дер Шаар, связанный с департаментами инженерии, прикладной математики и теоретической физики и медициныПолем

«Это чрезвычайно сложная область машинного обучения, и видеть, как она приближается к клиническому использованию, где он будет расширять возможности как клиницистов, так и пациентов, очень приятно».

Профессор Ван дер Шаар продолжает тесно сотрудничать с клиницистами для проверки этих инструментов в различных клинических условиях, включая трансплантацию, рак и сердечно -сосудистые заболевания.

More information: Stefan Feuerriegel et al, Causal machine learning for predicting treatment outcomes, Nature Medicine (2024). DOI: 10.1038/s41591-024-02902-1