牛津大学Christopher Holmes以及David J. Hunter等研究职员近日在The New England Journal of Medicine揭橥综述，阐述了人工智能数据剖析工具与传统医学统计的特点与 “碰撞” ，认为人工智能工具在医学领域很有潜力，但是须要强化统计学思想(1)。

研究职员认为传统医学统计对研究工具、科学问题、基于先验知识的模型选择、对数据网络/选择偏差的认识有表面数据以外的深入理解与技巧，并且在模型too good to be true的时候有合理的疑惑和进一步考验。
这些特点以及预先设计并明确的实验方案与剖析方法让数据的可阐明性、可读性、重复性等都比较高(1)。

医学统计学与人工智能模型的特点(1)。

人工智能模型与传统统计模型的比较(1)。

而人工智能模型强在可以处理高度繁芜高维海量的数据，并从中自动化“任性”探求、选择、转换任务适应的特色；但这种强大的能力也常常带来透明度与可阐明性差、过拟合、不稳健、重复性差等一系列问题，并为从中凝练故意义的生物见地乃至药物靶点等带来了很大的寻衅。
因此在医学利用过程中须要“human-in-the-loop”，并持续因果推断之类工具的开拓(1)。

该项事情2023年9月28日揭橥在N Engl J Med(1)。

Comment(s):

统计学功底踏实且很有见地的综述；

人工智能模型如何引入专家思维乃至“谈论”也是蛮有趣的问题。

通讯作者简介：

https://scholar.google.com/citations?user=YNoe5GAAAAAJ&hl=en

参考文献：

1. D. J. Hunter, C. Holmes, Where Medical Statistics Meets Artificial Intelligence. N. Engl. J. Med.389, 1211–1219 (2023).

原文链接：

https://www.nejm.org/doi/full/10.1056/NEJMra2212850