Een gecombineerd team van onderzoekers van Babylon Health en University College heeft een algoritme ontwikkeld waarvan zij beweren dat het causale verbanden kan vinden tussen informatie in overlappende medische datasets. Ze hebben een paper geschreven waarin ze hun algoritme beschrijven en hebben het geüpload naar de arXiv preprint-server. Op de Association for Advancement of Artificial Intelligence bijeenkomst van dit jaar zullen ze ook een presentatie geven waarin ze hun onderzoek beschrijven.

Het vinden van een systematische manier om gegevens te doorzoeken om de oorzaak van een bepaalde aandoening bij een enkele zieke te vinden, is een grote uitdaging in AI-onderzoek. Als een patiënt de laatste tijd meer dan normaal niest, is het omdat een allergeen in hun omgeving is geïntroduceerd? Of zijn ze verkouden? Slechter, misschien hebben ze een kankergezwel in hun sinussen of hersenen. Het huidige systeem voor het zoeken naar het juiste antwoord in dergelijke scenario's is gebaseerd op de mens. Artsen stellen vragen en zoeken in hun geheugen naar antwoorden. Als ze er geen kunnen vinden, ze kunnen andere artsen raadplegen of medische handboeken of online databases bestuderen.

Dit systeem heeft zijn voordelen, natuurlijk, het is de best beschikbare. Maar het heeft ook nadelen:het wordt beperkt door het menselijk geheugen en vindingrijkheid. Veel computerspecialisten geloven dat er een betere manier is:laat het een computer doen. Dit is momenteel niet mogelijk, maar wetenschappers werken eraan. In deze nieuwe poging hebben de onderzoekers een systeem geïntroduceerd met een algoritme dat gegevens analyseert van ongelijksoortige, overlappende datasets en vindt causale verbanden.

Het algoritme is gebaseerd op het concept van entropie, waarin elk systeem in de loop van de tijd meer wanordelijk wordt. De onderzoekers stellen voor dat entropie bestaat met informatie in datasets, ook, en dat causale krachten meer geordend zijn dan de gegevens die de uitkomst van hun effecten beschrijven. Als dat het geval is, het zou mogelijk moeten zijn om achteruit te werken om de oorzaak te vinden - en dat is precies wat hun algoritme doet.

Het systeem was in staat om de grootte en textuur van borstkankertumoren correct te beoordelen bij het vergelijken van datasets waarin de causale relaties al bekend waren - het stelde vast dat ze geen causaal verband hadden, maar beide waren een indicator of een tumor goedaardig of kwaadaardig was.

© 2020 Wetenschap X Netwerk