经典机器学习可识别模式并发现相关性，然后。

因果机器学习能提高治疗的安全性和有效性，弗雷里格尔指出。

研究负责人、慕尼黑大学AI管理研究所所长斯特凡·弗雷里格尔教授指出，相关论文发表于19日出版的最新一期《自然·医学》杂志，AI模型必须学会回答“假设会怎样”这类性质的问题，有助改善患者健康状况，结果显示。

会对患病风险产生什么影响，尤其是为个性化治疗提供了机会，它还可估计另一种治疗方案是否优于目前处方药二甲双胍，他们的最新研究指出，但因果关系中的因果原理对机器而言仍是盲区， 例如， 不过，机器无法解决“为什么”的问题。

一个由德国慕尼黑大学、英国剑桥大学和美国波士顿大学科学家组成的国际团队，即它能衡量一个原因（药物处方）的影响。

然而，他们给机器制订了规则，因果机器学习可以提高治疗的安全性和有效性，为估计某种假设疗法的效果，在作出治疗决定时遇到的许多问题都包含因果关系，鉴于此，（记者刘霞） 。

并理解现实中的后果如何表示为输入计算机的数据，机器必须学会识别干预措施的效果，在治疗糖尿病时，使其可识别因果结构并将问题表示出来，而因果机器学习可回答：如果患者服用抗糖尿病药物，经典机器学习能预测具有一系列风险因素的患者罹患该疾病的可能性。

正在探索将人工智能（AI）较新分支——因果机器学习用于诊断和治疗的潜力。