【帝国理工学院】医疗影像中「因果性」至关重要，Glocker这52页ppt讲述医疗机器学习因果性

【导读】因果性是人工智能中重要的研究课题，尤其是在医疗等一些高风险领域。来自帝国理工学院的Ben Glocker讲述了医疗影像中「因果性」至关重要，涵盖52页ppt。作者指出，对于基于机器学习的图像分析的成功至关重要的是，研究人员要能意识到并解释他们的数据背后的因果关系。

Ben Glocker， 图像机器学习的读者，共同领导生物医学图像分析小组。我还是HeartFlow的医学图像分析顾问，并领导着伦敦的HeartFlow- imperial研究团队。我是微软研究院(Microsoft Research)的访问研究员，并担任凯龙医疗科技有限公司(Kheiron Medical Technologies)的科学顾问。

研究方向是医学图像分析与人工智能的交叉，目的是建立计算工具，提高基于图像的疾病检测与诊断。

https://www.imperial.ac.uk/people/b.glocker

我们使用因果推理来阐明医学成像的关键挑战:1) 数据稀缺，即高质量注释的有限可用性 2) 数据不匹配，即训练有素的算法可能无法在临床实践中推广。我们认为，图像、注释和数据收集过程之间的因果关系不仅会对预测模型的性能产生深远的影响，甚至可能决定首先应该考虑哪种学习策略。例如，半监督可能不适合于图像分割——这可能是我们在医学图像分析中因果关系考虑的一个令人惊讶的见解。我们的结论是，对于基于机器学习的图像分析的成功至关重要的是，研究人员要能意识到并解释他们的数据背后的因果关系。