Brug af kunstig intelligens til at spotte årsagssammenhænge i overlappende medicinske datasæt

Et kombineret team af forskere fra Babylon Health and University College har skabt en algoritme, som de hævder kan finde årsagssammenhænge mellem information i overlappende medicinske datasæt. De har skrevet et papir, der beskriver deres algoritme og har uploadet det til arXiv -forudskrivningsserveren. De vil også holde et oplæg, der beskriver deres forskning på dette års møde i Association for Advancement of Artificial Intelligence.

At finde en systematisk måde at gennemsøge data for at finde årsagen til en given tilstand hos en enkelt syg person er en stor udfordring i AI-forskning. Hvis en patient har nyset mere end normalt på det seneste, er det fordi et allergen er blevet introduceret i deres miljø? Eller er de blevet forkølede? Værre, måske har de en kræftsvulst i deres bihuler eller hjerne. Det nuværende system til at søge det rigtige svar i sådanne scenarier er menneskebaseret. Læger stiller spørgsmål og søger i deres hukommelse efter svar. Hvis de ikke kan finde en, de kan rådføre sig med andre læger eller studere medicinske lærebøger eller onlinedatabaser.

Dette system har sine fordele, selvfølgelig, det er det bedste der findes. Men det har også ulemper - det er begrænset af menneskelig hukommelse og opfindsomhed. Mange computerspecialister mener, at der er en bedre måde - lad en computer gøre det. Dette er ikke muligt pt. men videnskabsmænd arbejder på det. I denne nye indsats, forskerne har indført et system med en algoritme, der analyserer data fra forskellige, overlappende datasæt og finder årsagssammenhænge.

Algoritmen er baseret på begrebet entropi, hvor ethvert system bliver mere uordnet over tid. Forskerne foreslår, at entropi eksisterer med information i datasæt, såvel, og at kausale kræfter er mere ordnede end de data, der beskriver resultatet af deres virkninger. Når det er tilfældet, det burde være muligt at arbejde baglæns for at finde årsagen - og det er netop, hvad deres algoritme gør.

Systemet var i stand til korrekt at vurdere størrelsen og teksturen af ​​brystkræfttumorer, når man sammenlignede datasæt, hvor årsagssammenhængene allerede var kendt - det fastslog, at de ikke havde en årsagssammenhæng, men begge var en indikator for, om en tumor var godartet eller ondartet.

© 2020 Science X Network