反事实诊断
机器学习
2020-03-17 v3 人工智能
机器学习
摘要
机器学习有望彻底改变临床决策与诊断。在医学诊断中,医生旨在通过确定导致患者症状的疾病来解释其症状。然而,现有的诊断算法纯属关联式,识别的是与患者症状及病史强相关的疾病。我们表明,这种无法将相关与因果分离的能力会导致次优甚至危险的误诊。为克服此问题,我们将诊断重新表述为反事实推断任务,并推导出新的反事实诊断算法。我们表明,该方法更贴近临床医生的诊断推理,并显著提高了所得诊断的准确性与安全性。我们使用一组临床病例测试集,将我们的反事实算法与标准贝叶斯诊断算法以及44名医生组成的群体进行比较。贝叶斯算法达到与平均医生相当的准确率,在我们群体中排名前48%,而我们的反事实算法排名前25%,达到了专家级临床准确率。这一提升仅通过更改我们查询模型的方式即可实现,无需任何额外的模型改进。我们的结果表明,反事实推理是将机器学习应用于医学诊断时所缺失的关键要素。
引用
@article{arxiv.1910.06772,
title = {Counterfactual diagnosis},
author = {Jonathan G. Richens and Ciaran M. Lee and Saurabh Johri},
journal= {arXiv preprint arXiv:1910.06772},
year = {2020}
}
备注
Restructured and new subsections. Improved figures. Introduction rewritten