非要用大模型吗？因果推断/可解释+统计机器学习或许更容易落地

本文探讨了在生物医药领域，特别是在数据量有限的情况下，使用大模型的局限性，并提出了替代方案。背景方面，文章指出大模型在数据量少的生物领域（如临床病人数据）中准确率不高，难以落地应用。研究目的方面，作者建议采用小样本机器学习方法，如因果推断和可解释人工智能，结合统计机器学习，以提高模型的准确性和可解释性。结论方面，文章通过三篇论文展示了这些方法在实际应用中的有效性，包括从组学数据推断因果分子关系、增强生物标志物发现以及可靠的DNA甲基化生物标志物发现。这些方法不仅提高了模型的性能，还增强了结果的可解释性和生物学意义。