文丨学术头条
在环球范围内，医院人手短缺、年夜夫事情过度，都是普遍存在的情形，但是很快这一征象就会因机器学习的大规模运用而得到改进。
实践证明，一种演习医学人工智能（AI）系统的新方法在诊断疾病方面，比以前的事情表现得更加精确。
近日，由伦敦大学学院（University College London）和英国医疗做事供应商巴比伦康健公司（Babylon Health）的研究职员开拓的人工智能系统研究成果，刊登在《自然》子刊 Nature Communications 上。
传统的人工智能系统根据患者涌现的症状来识别最可能涌现的疾病，而与传统的人工智能系统不同，因果人工智能（causive machine learning）系统的判断办法更加靠近年夜夫诊断病症的办法：通过利用反事实问题（counterfactual questions）的方法来缩小可能涌现的疾病范围。
这种人工智能系统可以帮助年夜夫进行诊断，尤其是对付繁芜病例来讲。并比现有的人工智能系统更加精确，乃至在一个较小规模的对照试验中的表现也优于现实生活中的年夜夫。
理解因果关系的人工智能
在医学上，干系性和因果关系之间的差异很主要。与年夜夫诊断不同，现有的症状检讨仅根据干系性供应建议，而不是根据因果关系来的。
举例来讲，病人可能由于呼吸急匆匆而到医院就诊。基于干系性的人工智能可能会将呼吸急匆匆与超重（overweight）联系在一起，进一步把超重与患有 2 型糖尿病联系起来，并建议利用胰岛素。
但基于因果关系的人工智能系统可能会把重点放在呼吸急匆匆和哮喘之间的联系上，从而探索其他治疗方法。
这种被称为因果机器学习的新人工智能方法在网络中得到越来越多的关注，它可以产生一种“想象”，当患者的疾病与原有模版中的疾病不同时，人工智能可能对此症状进行自动遐想，从而做出精确的诊断。
在 Nature Communications 上揭橥的经由同行评审的研究，是研究职员第一次利用因果推理的办法进行临床试验，并且研究表明，将干系性与因果关系分离开来，人工智能系统的准确性明显提高。
论文作者、伦敦大学学院（University College London）Ciarán Gilligan-Lee 说：“我们动手将因果关系放到人工智能中，这样我们才能找到患者真正的疾病，并据此为他们供应帮助。”
比拟试验结果使人振奋
在这项试验中，一个超过 20 个人的巴比伦环球年夜夫团队共创建了 1671 个真实的医疗救助病例，这些病例包括 350 多种疾病的范例和非范例症状。每个病例都是由一位年夜夫撰写，然后由其他多位年夜夫进行验证，以确保它可以代表一个真实的诊断病例。
另一组 44 名巴比伦全科年夜夫分别被分配了至少 50 个书面病例进行评估。年夜夫列出了他们认为最有可能的疾病（每次诊断均匀返回 2.58 种潜在疾病）。治疗的准确性是由他们在诊断中根据真实疾病的比例来衡量的。
然后，人工智能系统也进行了相同的测试，并利用了一种基于干系性的旧算法（专门为此研究创建，而不是从最新的产品中得到）和较新的因果算法。对付每项测试，人工智能只能报告与年夜夫相同数量的答案。
测试结果显示，年夜夫的均匀分数为 71.40％（±3.01％）；较旧的干系算法实行的效果与普通年夜夫相同，达到 72.52％（±2.97％）；而新的因果算法得分为 77.26％（±2.79％），得分高于 32 位年夜夫、与 1 位年夜夫分数相同、仅比 11 位年夜夫的得分低。
而且，当涉及非霍奇金淋巴瘤等罕见疾病的时候，新的人工智能系统准确率仍赛过年夜夫。对付这些情形，它比旧的人工智能系统大约准确率高 30％。
对付这种情形，巴比伦公司科学家、研究论文紧张作者 Jonathan Richens 博士先容说：“我们采取了一种具有强大算法的人工智能系统，授予它想象不同现实的能力，并考虑如果是另一种疾病会不会涌现这种症状。在这些书面病例测试中，人工智能系统可以准确检测患者产生疾病的潜在缘故原由，并得到比 70％ 年夜夫都高的评分。”
巴比伦首席实行官兼创始人 Ali Parsa 博士表示：“目前，天下上一半的人险些都无法得到医疗保健做事，因此，我们须要做得更好。而人工智能系统在测试案例中得到的结果令人振奋。”
他连续补充道：“这不应被当作机器取代年夜夫而危言耸听，由于真正鼓舞民气的是，我们终于得到了能够提高现有医疗系统的覆盖范围和生产力的工具。人工智能系统将是一个主要的工具，帮助我们结束医疗保健资源分配不均的不公道征象，并使地球上的每个人都能更随意马虎包袱得起。”
人工智能诊断广受好评
巴比伦医学部副主任兼全科年夜夫 Tejal Patel 博士说：“我很高兴有一天，这种 AI 可以帮助我和其他年夜夫减少误诊，并腾出韶光帮助我们专注于最须要照顾护士的患者身上。我期待这类工具成为标准工具，提高我们现有的事情水平。”
巴比伦首席科学家 Saurabh Johri 博士补充道：“有趣的是，我们创造人工智能和年夜夫相辅相成，在较困难的情形下，人工智能的得分比年夜夫更高，反之亦然。此外，该算法对更随意马虎误诊、更严重的罕见疾病尤其有效。”
前巴比伦公司成员，UCL 名誉讲师 Ciaran Lee 博士说：“因果机器学习方法使我们能够提出更丰富、更自然的医学问题。这种方法具有巨大的潜力来改进当前的所有其他症状检讨程序，但是它也可以适用于医疗保健和其他领域的许多其他问题，这便是为什么因果人工智能如此引人瞩目，由于它具有普遍性。”
然而，Gilligan Lee 也认为，年夜夫可能更善于于创造更常见的问题。他操持为该系统寻求监管部门的批准和临床验证，目的是将其放入一个运用程序中，患者可以从中获取有关症状的信息和治疗的建议。
英国伯明翰国民康健保险基金会相信基金会（University Hospitals Birmingham NHS Foundation Trust）的 Xiaoxuan Liu 表示：“他们在很大程度上描述了一种新的办理问题的技能路子。论文中的方法论非常好，而且这项技能确实显示出一些希望。”
Liu 认为，该系统在罕见病诊断方面的表现优于年夜夫这一事实令人振奋，只管她警告说，该系统仍处于早期阶段，病例数量相对较少。“我们须要看看它现实天下的病例中是如何起浸染的，在这些病例中，病史并不是十分清楚的，有时可能是多种疾病相互浸染的结果，这些病例对付该系统来讲将是一项寻衅。”
总的来说，这项技能为年夜夫与人工智能之间的未来互助铺平了道路，这将加快年夜夫的诊断速率，并进一步提高诊断的准确性，为临床年夜夫腾出韶光来改进患者的状况，并提升患者的体验。此外，它有可能扩大临床年夜夫的事情，并连续推动为患者供应更好的医疗保健系统。
参考资料：
https://www.newscientist.com/article/2251492-ai-mimics-the-way-doctors-think-to-make-better-medical-diagnoses/#ixzz6VBRI2suu
https://www.eurekalert.org/pub_releases/2020-08/b-aw081020.php
