Nature Communications· 2020Q1
Nedensel makine öğrenimi ile tıbbi teşhis doğruluğunu iyileştirme
Improving the accuracy of medical diagnosis with causal machine learning
- 604atıf
- Q1SCImago
- 2020yıl
Kısa özet
Yeni bir karşı-olgusal makine öğrenimi algoritması, klinik vaka testinde doktorların en iyi %25'i arasına girerek uzman düzeyinde klinik doğruluk elde etti ve standart ilişkisel algoritmalardan (en iyi %48) önemli ölçüde daha iyi performans gösterdi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Mevcut makine öğrenimi tanı araçları yalnızca ilişkilidir, bu da korelasyon ile nedenselliği karıştırarak potansiyel hatalara yol açar.
- Çalışma, tıbbi teşhisi bir karşı-olgusal çıkarım görevi olarak yeniden formüle etmektedir.
- Yeni bir karşı-olgusal tanı algoritması geliştirilmiş ve test edilmiştir.
- Karşı-olgusal algoritma, klinik vaka testinde doktorların en iyi %25'i arasına girerek uzman düzeyinde klinik doğruluk elde etmiştir.
- Standart ilişkisel algoritmalar daha az etkili performans göstererek en iyi %48'lik dilime girmiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Machine learning promises to revolutionize clinical decision making and diagnosis. In medical diagnosis a doctor aims to explain a patient's symptoms by determining the diseases causing them. However, existing machine learning approaches to diagnosis are purely associative, identifying diseases that are strongly correlated with a patients symptoms. We show that this inability to disentangle correlation from causation can result in sub-optimal or dangerous diagnoses. To overcome this, we reformulate diagnosis as a counterfactual inference task and derive counterfactual diagnostic algorithms. We compare our counterfactual algorithms to the standard associative algorithm and 44 doctors using a test set of clinical vignettes. While the associative algorithm achieves an accuracy placing in the top 48% of doctors in our cohort, our counterfactual algorithm places in the top 25% of doctors, achieving expert clinical accuracy. Our results show that causal reasoning is a vital missing ingredient for applying machine learning to medical diagnosis.
Yazarların özeti; kaynağından alınmıştır. Nature Communications, 2020 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Aile Hekimliği
Family PracticeMedicine