Un team combinato di ricercatori del Babylon Health e dell'University College ha creato un algoritmo che secondo loro può trovare relazioni causali tra le informazioni in set di dati medici sovrapposti. Hanno scritto un documento che descrive il loro algoritmo e lo hanno caricato sul server di prestampa arXiv. Faranno anche una presentazione che descriverà la loro ricerca alla riunione di quest'anno dell'Associazione per l'avanzamento dell'intelligenza artificiale.

Trovare un modo sistematico per setacciare i dati per trovare la causa di una data condizione in una singola persona malata è una delle principali sfide nella ricerca sull'intelligenza artificiale. Se un paziente ha starnutito più del normale ultimamente, è perché un allergene è stato introdotto nel loro ambiente? O hanno preso un raffreddore? Peggio, forse hanno un tumore canceroso nei seni o nel cervello. L'attuale sistema per cercare la risposta giusta in tali scenari è basato sull'uomo. I medici fanno domande e cercano risposte nella loro memoria. Se non riescono a trovarne uno, possono consultarsi con altri medici o studiare libri di testo medici o banche dati online.

Questo sistema ha i suoi meriti, Certo, è il migliore disponibile. Ma ha anche degli svantaggi:è limitato dalla memoria umana e dall'intraprendenza. Molti specialisti di computer credono che ci sia un modo migliore:lasciare che sia un computer a farlo. Questo non è attualmente possibile, ma gli scienziati ci stanno lavorando. In questo nuovo sforzo, i ricercatori hanno introdotto un sistema con un algoritmo che analizza i dati da disparati, sovrapposizione di set di dati e trova relazioni causali.

L'algoritmo si basa sul concetto di entropia, in cui ogni sistema diventa più disordinato nel tempo. I ricercatori propongono che l'entropia esista con le informazioni nei set di dati, anche, e che le forze causali sono più ordinate dei dati che descrivono l'esito dei loro effetti. Stando così le cose, dovrebbe essere possibile lavorare a ritroso per trovare la causa, ed è proprio quello che fa il loro algoritmo.

Il sistema è stato in grado di valutare correttamente le dimensioni e la consistenza dei tumori del cancro al seno confrontando set di dati in cui le relazioni causali erano già note:ha determinato che non avevano un nesso causale, ma entrambi erano un indicatore del fatto che un tumore fosse benigno o maligno.

© 2020 Scienza X Rete