ترجمه فارسی مقاله گیج‌زدایی صحیح، یادگیری ماشینی علی را برای پزشکی دقیق و فراتر از آن ممکن می‌سازد

چکیده

Artificial intelligence holds promise for individualized medicine. Yet, predictive models in the neurobiomedical domain suffer from a lack of generalizability and replicability so that transitioning models from prototyping to clinical applications still poses challenges. Key contributors to these challenges are confounding effects; in particular the oftentimes purely statistical perspective on confounding. However, complementing these statistical considerations with causal reasoning from domain knowledge can make predictive models a tool for causal biomedical inference beyond associative insights. Such causal insights give answers to biomedical questions of how and why, arguably what most biomedical investigations ultimately seek for. Here, we suggest a 5-step approach for targeted, context-informed deconfounding. We exemplify the 5-step approach with a real-world neurobiomedical predictive task using data from the UK Biobank. The core of this approach constitutes a bottom-up causal analysis to identify a correct set of deconfounders and the appropriate deconfounding method for a given causal predictive endeavour. Using the 5-step approach to combine causal with statistical confounder considerations can make predictive models based on observational (big) data a technique comparable to Randomized Control Trials (RCTs). Through causally motivated deconfounding we aim at facilitating the development of reliable and trustworthy AI as a medical tool. In addition, we aim to foster the relevance of low performing or even null result models if they originate from a “skilful interrogation of nature”, i.e. a deconfounding strategy derived from an adequate causal and statistical analysis. Ultimately, causal predictive modelling through appropriate deconfounding can contribute to mutual recursive feedback loops of causal insights across disciplines, scales and species that enable the field to disentangle the cause-effect structure of neurobiomedical mechanisms.

چکیده به فارسی (ترجمه ماشینی)

هوش مصنوعی نوید داروی فردی را در اختیار دارد.با این حال ، مدلهای پیش بینی کننده در حوزه عصبی از عدم تعمیم پذیری و تکرارپذیری رنج می برند به طوری که انتقال مدل ها از نمونه سازی به برنامه های بالینی هنوز هم چالش هایی را ایجاد می کند.مشارکت کنندگان اصلی در این چالش ها اثرات مخدوش کننده ای هستند.به ویژه اغلب اوقات دیدگاه صرفاً آماری در مورد مخدوش.با این حال ، تکمیل این ملاحظات آماری با استدلال علی از دانش دامنه می تواند مدلهای پیش بینی کننده ابزاری برای استنباط زیست پزشکی علّی فراتر از بینش های انجمنی باشد.چنین بینش های علّی به سؤالات زیست پزشکی پاسخ می دهد که چگونه و چرا ، مسلماً آنچه بیشتر تحقیقات زیست پزشکی در نهایت به دنبال آن است.در اینجا ، ما یک رویکرد 5 مرحله ای را برای دکوراسیون هدفمند و آگاه از متن پیشنهاد می کنیم.ما رویکرد 5 مرحله ای را با یک کار پیش بینی کننده عصبی در دنیای واقعی با استفاده از داده های Biobank انگلستان مثال زدیم.هسته اصلی این رویکرد یک تجزیه و تحلیل علیت از پایین به بالا برای شناسایی مجموعه صحیح از تجزیه کننده ها و روش تجزیه مناسب برای یک تلاش پیش بینی کننده علیت خاص است.استفاده از رویکرد 5 مرحله ای برای ترکیب علی با ملاحظات آماری می تواند مدل های پیش بینی کننده را بر اساس داده های مشاهده ای (BIG) یک تکنیک قابل مقایسه با آزمایشات کنترل تصادفی (RCT) ایجاد کند.ما از طریق دکوراسیون با انگیزه علیت ، هدف ما تسهیل توسعه هوش مصنوعی قابل اعتماد و قابل اعتماد به عنوان یک ابزار پزشکی هستیم.علاوه بر این ، ما هدف ما تقویت ارتباط مدل های نتیجه پایین یا حتی تهی در صورتی است که آنها از “بازجویی ماهرانه از طبیعت” سرچشمه بگیرند ، یعنی یک استراتژی تخلیه کننده ناشی از یک تجزیه و تحلیل علیت و آماری کافی.در نهایت ، مدل سازی پیش بینی کننده علی از طریق دکوراسیون مناسب می تواند به حلقه های بازخورد بازگشتی متقابل از بینش های علی در رشته ها ، مقیاس ها و گونه هایی که این میدان را قادر می سازد ساختار علت و معلول مکانیسم های عصبی را جدا کند ، کمک کند.