Ett kombinerat team av forskare från Babylon Health and University College har skapat en algoritm som de hävdar kan hitta orsakssamband mellan information i överlappande medicinska datamängder. De har skrivit ett papper som beskriver deras algoritm och har laddat upp det till arXiv -förtrycksservern. De kommer också att hålla en presentation som beskriver sin forskning vid årets Association for Advancement of Artificial Intelligence -möte.

Att hitta ett systematiskt sätt att söka igenom data för att hitta orsaken till ett givet tillstånd hos en enda sjuk person är en stor utmaning inom AI -forskning. Om en patient har nysat mer än normalt den senaste tiden, beror det på att ett allergen har införts i deras miljö? Eller har de blivit förkylda? Värre, kanske de har en cancertumör i bihålorna eller hjärnan. Det nuvarande systemet för att söka rätt svar i sådana scenarier är människobaserat. Läkare ställer frågor och söker i deras minne efter svar. Om de inte kan hitta en, de kan rådgöra med andra läkare eller studera medicinska läroböcker eller onlinedatabaser.

Detta system har sina fördelar, självklart, det är det bästa som finns. Men det har också nackdelar - det begränsas av mänskligt minne och uppfinningsrikedom. Många dataspecialister tror att det finns ett bättre sätt - låt en dator göra det. Detta är för närvarande inte möjligt, men forskare arbetar med det. I denna nya insats, forskarna har introducerat ett system med en algoritm som analyserar data från olika, överlappande datamängder och hittar orsakssamband.

Algoritmen är baserad på begreppet entropi, där något system blir mer stört med tiden. Forskarna föreslår att entropi finns med information i datamängder, också, och att kausala krafter är mer ordnade än de data som beskriver resultatet av deras effekter. Så är fallet, det borde vara möjligt att arbeta bakåt för att hitta orsaken - och det är precis vad deras algoritm gör.

Systemet kunde korrekt bedöma storleken och strukturen på bröstcancertumörer vid jämförelse av datamängder där orsakssambandet redan var känt - det fastställde att de inte hade ett orsakssamband, men båda var en indikator på om en tumör var godartad eller malign.

© 2020 Science X Network