統計相關性的陷阱

在醫療 AI 的開發過程中，一個常見的陷阱是過度依賴統計顯著性來選擇模型特徵。當一個變數在訓練資料中與疾病結果高度相關，不代表它在生物學層面具有因果意義——它可能只是另一個真正致病因子的代理變數（proxy variable）。

生物學合理性原則的應用

AI®Med 的建模原則要求每個納入模型的變數都必須能以生物學機制加以解釋，以確保模型在新族群中的可泛化性。這種「機制性 AI」方法雖然比純數據驅動更費力，但能產出更穩健、更可信、更具臨床實用性的預測工具。