摘要：人工智能在临床医学中的潜力远未兑现——症结不在于模型精度不足，而在于其缺乏可信性。真实世界的医疗数据中，三大根本性挑战侵蚀着模型的可靠性：标签非随机缺失，标签天然带噪，和反馈显著延迟。忽视这些机制问题的传统模型，其预测结果脆弱、不可验证，甚至存在临床安全隐患。本报告介绍一套因果驱动的临床决策框架来解决上述挑战。从而构建因果可溯、推理透明、可验证可信的AI系统。

 

个人简介: 国际著名生物统计学家，北京大学讲席教授，中组部国家海外高层次人才计划入选者，美国科学促进会(AAAS)Fellow，美国统计学会(ASA)Fellow，数理统计研究院(IMS)Fellow。现任北京大学公共卫生学院生物统计系主任、北京大学北京国际数学研究中心生物统计及生物信息实验室主任、北京大学统计科学中心副主任、大数据分析与应用技术国家工程实验室数据处理及统计分析中心主任，以及北京大学重庆大数据研究院副院长。发表SCI论文300余篇，出版《Statistical Methods in Diagnostic Medicine》等学术专著，H指数109，连续6年入选爱思唯尔中国高被引学者榜单，连续6年入选全球前2%科学家顶尖科学家榜单。主要研究方向：(1)诊断医学中的新统计方法; (2)因果推断方法在疗效评价中的应用; (3)生物统计学在中医药监测与统计工作的应用。