机器之心报道
编辑：魔王
如果说科学的本质是寻找变量之间的因果关系，那么过去几年机器学习的研究和努力依然没有触及问题的本质。正如图灵奖获得者、贝叶斯网络之父JudeaPearl所言，机器学习不过是在拟合数据和概率分布曲线，而变量的内在因果关系并未得到足够的重视。如果要真正解决科学问题，甚至开发真正意义上的智能机器，因果关系是必然要迈过的一道坎。最近发表在NatureCommunications上的一项研究通过建立反事实因果诊断模型，提升了机器学习在医疗诊断领域的效果。
图灵奖获得者、贝叶斯网络之父JudeaPearl转发推荐这篇文章。
近年来，人工智能和机器学习成为解决不同领域复杂问题的强大工具。在医疗诊断方面，机器学习辅助诊断有望通过大量病人数据提供精确、个性化的诊断，从而革新临床决策和诊断。
然而，人类医生的诊断流程与现有的机器学习诊断方法从原理上来说大相径庭。
在医疗诊断中，医生需要确定病因，进而向病人解释症状。然而，现有的机器学习诊断方法是完全基于相关性的，它可以识别出与病人症状强相关的疾病。
最近，来自英国数字医疗公司BabylonHealth的研究人员在《NatureCommunications》上发表论文，表明无法将相关性与因果性解耦会导致次优甚至危险的诊断结果。为了克服这一点，该研究将诊断重新形式化为反事实推断（counterfactualinference）任务，并得到反事实诊断算法。
研究人员将其反事实算法与标准关联算法（associativealgorithm）和44名医生进行性能对比。结果表明，关联算法的准确率在医生团队中能排到top48%，而反事实算法可以排到top25%，实现了专家级别的临床准确率。
这一结果表明：因果推理是将机器学习应用到医疗诊断中的重要缺失元素。
论文