Искусственный интеллект делает успехи на медицинской арене. Когда дело доходит до методов визуализации и расчета рисков для здоровья, существует множество методов искусственного интеллекта, находящихся на этапах разработки и тестирования. Везде, где речь идет о распознавании закономерностей в больших объемах данных, ожидается, что машины принесут человечеству огромную пользу. Следуя классической модели, ИИ сравнивает информацию с изученными примерами, делает выводы и экстраполирует.

Сейчас международная команда под руководством профессора Стефана Фейрригеля, руководителя Института искусственного интеллекта (ИИ) в менеджменте LMU, изучает потенциал сравнительно новой отрасли ИИ для диагностики и терапии. Может ли причинное машинное обучение (МО) оценить результаты лечения и сделать это лучше, чем методы МО, обычно используемые до сих пор? Да, говорится в исследовании группы, опубликованном в журнале Nature Medicine и озаглавленном «Причинное ML может повысить эффективность и безопасность лечения».

В частности, новый вариант ML предлагает «множество возможностей для персонализации стратегий лечения и, таким образом, индивидуального улучшения здоровья пациентов», пишут исследователи из Мюнхена, Кембриджа (Великобритания) и Бостона (США). Стефан Бауэр и Ники Килбертус, профессора информатики Мюнхенского технического университета (TUM) и руководители групп Helmholtz AI.

Что касается машинной помощи в принятии терапевтических решений, авторы ожидают решающего скачка качества. Классическое машинное обучение распознает закономерности и обнаруживает корреляции, утверждают они. Однако причинный принцип причины и следствия, как правило, остается закрытым для машин; они не могут ответить на вопрос, почему. И все же многие вопросы, возникающие при принятии терапевтических решений, содержат в себе причинно-следственные проблемы.

Авторы иллюстрируют это на примере диабета: цель классического МО — предсказать, насколько вероятно заболевание для данного пациента с рядом факторов риска. С помощью причинного ML в идеале можно было бы ответить, как изменится риск, если пациент получит антидиабетический препарат; то есть оценить влияние причины (назначение лекарства). Также можно было бы оценить, будет ли другой план лечения лучше, например, чем обычно назначаемый препарат метформин.

Однако, чтобы иметь возможность оценить эффект гипотетического лечения, «модели ИИ должны научиться отвечать на вопросы типа «Что, если?» природа», — говорит Йонас Швайсталь, докторант из команды Фейрригеля.

«Мы даем машине правила для распознавания причинной структуры и правильной формализации проблемы», — говорит Фейрригель. Затем машина должна научиться распознавать последствия вмешательств и, так сказать, понимать, как последствия реальной жизни отражаются в данных, введенных в компьютеры.

«Программное обеспечение, необходимое нам для причинно-следственных методов МО в медицине, не существует в готовом виде», — говорит Фейрригель. Скорее, требуется «комплексное моделирование» соответствующей проблемы, предполагающее «тесное сотрудничество между экспертами по искусственному интеллекту и врачами».

Как и его коллеги из TUM Стефан Бауэр и Ники Килбертус, Фейерригель также исследует вопросы, связанные с искусственным интеллектом в медицине, принятии решений и другие темы в Мюнхенском центре машинного обучения (MCML) и Школе передового опыта Конрада Цузе в области надежного искусственного интеллекта.

В других областях применения, таких как маркетинг, поясняет Фейрригель, работа с причинным МО уже несколько лет находится на стадии тестирования. «Наша цель — приблизить эти методы к практике. В документе описывается направление, в котором все может развиваться в ближайшие годы».