211service.com
Een algoritme dat oorzaak en gevolg kan herkennen, kan medische AI een boost geven
Een afbeelding van felgekleurde pillen Joshua Coleman | Unsplash
Begrijpen hoe de wereld werkt, betekent oorzaak en gevolg begrijpen. Waarom zijn dit soort dingen? Wat gebeurt er als ik dat doe? Correlaties vertellen je dat bepaalde verschijnselen samengaan. Alleen causale verbanden vertellen je waarom een systeem is zoals het is of hoe het zou kunnen evolueren. Correlatie is geen oorzakelijk verband, zoals de slogan luidt.
Dit is een groot probleem voor de geneeskunde, waar een groot aantal variabelen met elkaar in verband kunnen worden gebracht. Het diagnosticeren van ziekten hangt af van het weten welke aandoeningen welke symptomen veroorzaken; de behandeling van ziekten hangt af van het kennen van de effecten van verschillende medicijnen of veranderingen in levensstijl. Het ontwarren van dergelijke lastige vragen wordt meestal gedaan via rigoureuze observatiestudies of gerandomiseerde gecontroleerde onderzoeken.
Deze creëren een schat aan medische data, maar deze is verspreid over verschillende datasets, waardoor veel vragen onbeantwoord blijven. Als de ene dataset een correlatie laat zien tussen obesitas en hartziekten en een andere een correlatie tussen lage vitamine D en obesitas, wat is dan het verband tussen lage vitamine D en hartaandoeningen? Om erachter te komen, is meestal een andere klinische proef vereist.
Hoe maken we beter gebruik van deze versnipperde informatie? Computers zijn geweldig in het herkennen van patronen, maar dat is slechts correlatie. In de afgelopen jaren hebben computerwetenschappers een handvol algoritmen uitgevonden die causale verbanden binnen afzonderlijke datasets kunnen identificeren. Maar focussen op afzonderlijke datasets is als kijken door sleutelgaten. Wat nodig is, is een manier om het hele beeld in je op te nemen.
Onderzoekers Anish Dhir en Ciarán Lee van Babylon Health, een in het VK gevestigde digitale zorgverlener, hebben een techniek bedacht om causale relaties tussen verschillende datasets . Dit zou het mogelijk kunnen maken om grote databases met onaangeboorde medische gegevens te ontginnen voor oorzaken en gevolgen - en mogelijk de ontdekking van nieuwe causale verbanden.
Babylon Health biedt een op chatbots gebaseerde app die u vraagt om uw symptomen op te sommen voordat u reageert met een voorlopige diagnose en advies over behandeling. Het doel is om mensen eruit te filteren die eigenlijk geen dokter hoeven te zien. In principe bespaart de dienst zowel patiënten als artsen tijd, waardoor overwerkte gezondheidswerkers de meest behoeftigen kunnen helpen.
Maar de app heeft onder de loep komen . Artsen hebben gewaarschuwd dat het soms bijvoorbeeld tekenen van een ernstige ziekte mist. Verschillende andere bedrijven, waaronder Ada en Your.MD, bieden ook diagnose-per-chatbot, maar Babylon Health heeft zichzelf uitgekozen voor kritiek, deels vanwege zijn overdreven beweringen. Zo kondigde het bedrijf in 2018 aan dat zijn AI medische aandoeningen beter kan diagnosticeren dan een menselijke arts. Een studie in The Lancet een paar maanden later concludeerde niet alleen dat dit niet waar was, maar ook dat het kan aanzienlijk slechter presteren.
Toch verdient het nieuwe werk van Dhir en Lee over causale verbanden serieus te worden genomen. Het is door vakgenoten beoordeeld en zal deze week verschijnen op de gerespecteerde Association for Advancement of Artificial Intelligence-conferentie in New York. In principe zou de techniek de service die Babylon Health biedt een boost kunnen geven.
De mogelijkheid om causale verbanden in medische gegevens te identificeren, zou de diagnostische AI achter zijn chatbot verbeteren. Het rechtvaardigen van reacties door te wijzen op onderliggende oorzaak en gevolg - in plaats van verborgen correlaties - zou mensen ook meer vertrouwen in de app moeten geven, zegt Lee, die ook werkt aan machine learning en kwantumcomputing aan University College London. Gezondheidszorg is een domein met een hoog risico. We willen geen black box inzetten, zegt hij.
Het paar realiseerde zich al snel dat ze helemaal opnieuw moesten beginnen. Toen we gingen kijken bleek dat niemand dit probleem echt had opgelost, zegt Lee. De uitdaging is om meerdere datasets met gemeenschappelijke variabelen samen te smelten en zoveel mogelijk informatie over oorzaak en gevolg uit de gecombineerde data te halen.
De methode maakt geen gebruik van machine learning, maar is geïnspireerd op kwantumcryptografie, waarbij een wiskundige formule kan worden gebruikt om te bewijzen dat niemand je gesprek afluistert. Dhir en Lee behandelen datasets als conversaties en variabelen die die datasets causaal beïnvloeden als afluisteraars. Met behulp van de wiskunde van kwantumcryptografie kan hun algoritme identificeren of deze effecten al dan niet bestaan.
Ze testten het systeem op datasets waarin de causale relaties al bekend waren, zoals twee sets die de grootte en textuur van borsttumoren meten. De AI vond terecht dat grootte en textuur geen oorzakelijk verband met elkaar hadden, maar dat beide werden bepaald door of de tumor kwaadaardig of goedaardig was.
Als de onbewerkte gegevens beschikbaar zijn, beweert het paar, kan hun algoritme causale verbanden tussen variabelen identificeren, evenals een klinische studie. In plaats van naar oorzaken te zoeken door een nieuwe gerandomiseerde gecontroleerde studie uit te voeren, kan de software dit mogelijk doen met behulp van bestaande gegevens. Lee geeft toe dat mensen moeten worden overtuigd en hoopt dat het algoritme op zijn minst in eerste instantie zal worden gebruikt om proeven aan te vullen, misschien door potentiële causale verbanden voor onderzoek te benadrukken. Toch merkt hij op dat officiële instanties zoals de Amerikaanse Food and Drug Administration nieuwe medicijnen al goedkeuren op basis van proeven die alleen correlatie aantonen. De manier waarop medicijnen gerandomiseerde gecontroleerde onderzoeken doorlopen is minder overtuigend dan het gebruik van deze algoritmen, zegt hij.