هل يمكننا خلق عالم خالٍ من المرض؟

هل من الممكن أن يكون لديك عالم خال من الأمراض؟ المرض كلمة يشعر معظم الناس (إن لم يكن كلهم) بعدم الارتياح عند سماعها عندما يكون لديهم أو لدى أي شخص يعرفونه. لحسن الحظ، ماكس ويلينجقام أستاذ التعلم الآلي في جامعة أمستردام وعضو المعهد الكندي للأبحاث المتقدمة وفريقه من رواد الأعمال بإنشاء نظام لتحليل البيانات لتشخيص الأمراض للمرضى. حقيقة ممتعة: يدير AMLAB (Amsterdam Machine Learning LAB) ويشارك في إدارة مختبر QUVA (مختبر Qualcomm-UvA). هنا سنرى كيف حقق هذا الرجل الرائع وفريقه من رواد الأعمال (سينثيا دورك وجيفري هينتون وجوديا بيرل) بعض الاختراقات المذهلة لتخليص العالم من المرض.

مخاوف ماكس ويلينج

بعض الحقائق التي أشار إليها ويلينج خلال حديثه في TEDx تلفت الانتباه إلى حقيقة أن هناك أوقاتًا قد يفوت فيها الطبيب شيئًا ما أثناء تشخيص المريض. على سبيل المثال ، يقول إن "نصف الإجراءات الطبية ليس لها دليل علمي مطلوب". يتم هذا التشخيص في المقام الأول من خلال ممارستهم الخاصة والمعرفة المكتسبة في المدرسة ، بينما يقول ماكس إنه يجب أن يكون هناك شكل من أشكال التشخيص التحليلي للأمراض المحتملة الأخرى. ويشرح أن بعض المرضى يمكن أن يتم تشخيصهم بشكل خاطئ وينتهي بهم الأمر مرة أخرى في المستشفى ، حيث يحدد أنهم أكثر عرضة 8 مرات للموت. الشيء الأكثر إثارة للاهتمام هو أن هذه مشكلة كانت موجودة دائمًا. السبب بسيط مثل الأخطاء التي لا بد من ارتكابها والتي للأسف قد تكلف شخصًا أو عدة أشخاص حياتهم. ليس هذا فقط ، كما يقول ويلينج ، هناك 230 مليون إجراء طبي كل عام بتكلفة نصف تريليون دولار. مثل أي صناعة تحاول تقديم خدمة لمساعدة الآخرين ، فإنها تكلف مالًا ؛ علاوة على ذلك ، هذا يعني أن المستشفيات والمسؤولين عن تمويل المراكز الطبية بحاجة إلى الاستماع إلى المبتكرين الذين يحاولون تعزيز الصناعة في اتجاه أفضل. ومع ذلك ، فإن كونك مقتصدًا دائمًا مفيد.

الحفاظ على الخصوصية

ذكر ويلينج أنه وفريقه حققوا 3 اختراقات. أحدها جهاز كمبيوتر يمكنه الحفاظ على الخصوصية داخل المستشفى ؛ علاوة على ذلك ، يمكن لأجهزة الكمبيوتر أيضًا تحليل عدد كبير من البيانات لزيادة تحسين التشخيص للمرضى المصابين بأمراض خطيرة. تم تسمية هذا البرنامج متعلم الآلة. بشكل أساسي ، يرسل الكمبيوتر استعلامًا إلى قاعدة بيانات المستشفى ، والذي يجيب على الاستعلام ثم يقوم المتعلم الآلي بتغيير الإجابة عن طريق "إضافة بعض الضوضاء إليها". لمزيد من التفاصيل من فضلك انقر هنا (يشرحها ماكس ويلينج عن كثب بين الدقائق 5:20 - 6:06). بعبارة أخرى ، كما يشرح ماكس ، يريد الكمبيوتر "تحسين نفسه" من خلال التشخيص و "بناء نموذج أفضل للبيانات". كل هذا بفضل سينثيا دوركوهو عالم متميز من شركة Microsoft Research. تركز على الحفاظ على الخصوصية بناءً على أساس رياضي. لمعرفة المزيد عنها وما فعلته ، انقر هنا. باختصار ، لا يُظهر هذا الاختراق الأول فقط أن ماكس يريد احترام المعلومات الشخصية للمرضى ، ولكنه يريد أيضًا تزويد المستشفيات بأساس أكثر صلابة للتشخيص.

تعلم عميق

تم تسليط الضوء على الاختراق الثاني جيفري هينتون. يان ليكون ويوشوا بنجيو وجيفري أوضح ما يلي: "يكتشف التعلم العميق البنية المعقدة في مجموعات البيانات الكبيرة باستخدام خوارزمية backpropagation للإشارة إلى كيفية تغيير الجهاز لمعلماته الداخلية المستخدمة لحساب التمثيل في كل طبقة من التمثيل في الطبقة السابقة." من الناحية العادية ، تساعد الآلة على فهم نفسها بشكل أفضل من خلال طبقاتها المعقدة عبر أعمق معاييرها (لمزيد من التفاصيل ، يرجى قراءة بقية المراجعة التي كتبها السادة الثلاثة).

السببية مقابل الارتباط

الاختراق الثالث والأخير هو أكثر من فكرة تعاونية لمزيد من التمييز بين السببية والعلاقة. يشعر ماكس أن أدوات Judea Pearl يمكن أن تساعد في التمييز بين هذين المفهومين و كن منظمًا. يتمثل دور يهودا بشكل أساسي في المساعدة في إعطاء المزيد من الهيكلية للبيانات التي يمكن القيام بها إذا تم نقل ملفات المرضى رقميًا إلى قاعدة بيانات. يعتبر عمل بيرل معقدًا جدًا ، لذا إذا كنت ترغب في فهم ماهية "أدواته" بشكل أكبر انقر هنا.

أمنية ماكس

يلخص Welling في نهاية كتابه نقاش TEDX أنه يريد الحفاظ على الخصوصية من خلال المتعلم الآلي. ثانيًا ، إشراك قاصري البيانات والعلماء من أجل زيادة تحسين التشخيص لتوفير المال والأرواح. أخيرًا ، يريد إحداث ثورة في الرعاية الصحية من خلال تقديم خدمة أفضل للمستشفيات والأطباء والمرضى من خلال التكنولوجيا التي يمكن أن تساعد في تقصير زيارات المستشفيات والاستفادة من الأموال بشكل أكثر كفاءة. هذه رؤية جميلة للرعاية الصحية لأنه لا يريد فقط أن يحترم الصناعة الطبية ، بل يريد أيضًا المساعدة في إنقاذ الأرواح أثناء التفكير في ميزانيات المستشفيات والمراكز الطبية.