Une équipe combinée de chercheurs de Babylon Health et du University College a créé un algorithme qui, selon eux, peut trouver des relations causales entre les informations dans des ensembles de données médicales qui se chevauchent. Ils ont rédigé un article décrivant leur algorithme et l'ont téléchargé sur le serveur de préimpression arXiv. Ils feront également une présentation décrivant leurs recherches lors de la réunion de l'Association pour l'avancement de l'intelligence artificielle de cette année.

Trouver un moyen systématique de passer au crible les données pour trouver la cause d'une maladie donnée chez une seule personne malade est un défi majeur dans la recherche sur l'IA. Si un patient a éternué plus que d'habitude ces derniers temps, est-ce parce qu'un allergène a été introduit dans leur environnement ? Ou ont-ils attrapé froid ? Pire, peut-être qu'ils ont une tumeur cancéreuse dans les sinus ou le cerveau. Le système actuel pour rechercher la bonne réponse dans de tels scénarios est basé sur l'homme. Les médecins posent des questions et recherchent des réponses dans leur mémoire. S'ils n'en trouvent pas, ils peuvent consulter d'autres médecins ou étudier des manuels médicaux ou des bases de données en ligne.

Ce système a ses mérites, bien sûr, c'est le meilleur disponible. Mais il a aussi des inconvénients - il est limité par la mémoire humaine et l'ingéniosité. De nombreux informaticiens pensent qu'il existe un meilleur moyen :laissez un ordinateur le faire. Ce n'est pas possible actuellement, mais les scientifiques y travaillent. Dans ce nouvel effort, les chercheurs ont introduit un système avec un algorithme qui analyse les données de disparates, des ensembles de données qui se chevauchent et trouve des relations causales.

L'algorithme est basé sur le concept d'entropie, dans lequel tout système devient plus désordonné avec le temps. Les chercheurs proposent que l'entropie existe avec des informations dans les ensembles de données, également, et que les forces causales sont plus ordonnées que les données qui décrivent le résultat de leurs effets. Cela étant, il devrait être possible de travailler en arrière pour trouver la cause - et c'est exactement ce que fait leur algorithme.

Le système a pu évaluer correctement la taille et la texture des tumeurs du cancer du sein en comparant des ensembles de données dans lesquels les relations causales étaient déjà connues - il a déterminé qu'elles n'avaient pas de lien de causalité, mais les deux étaient un indicateur de si une tumeur était bénigne ou maligne.

© 2020 Réseau Science X