Pudemu creà un mondu senza malatie ?

Hè pussibule avè un mondu liberu di malatie? A malatia hè una parolla chì a maiò parte (se micca tutti) di e persone si sentenu incunificate à sente quandu elli o qualchissia chì cunnosci hà unu. Fortunatamente, Max Welling, un prufissore di machine learning à l'Università d'Amsterdam è membru di l'Istitutu Canadianu di Ricerca Avanzata, è a so squadra di l'imprendituri anu creatu un sistema di analisi di dati per u diagnosticu di malatie per i pazienti. Curiosità: dirige AMLAB (Amsterdam Machine Learning LAB) è co-dirige QUVA Lab (Qualcomm-UvA Lab). Quì avemu da vede cumu stu maravigliu omu è a so squadra di imprenditori (Cynthia Dwork, Geoffrey Hinton è Judea Pearl) hà fattu qualchi sfondate incredibili per caccià u mondu di e malatie.

E preoccupazioni di Max Welling

Certi di i fatti chì Welling indica durante u so discorsu TEDx portanu l'attenzione à u fattu chì ci sò volte chì un duttore puderia missu qualcosa durante un diagnosticu di un paziente. Per esempiu, dice chì "a mità di i prucessi medichi ùn anu micca dumandà evidenza scientifica". Ddu diagnosticu hè fattu principarmenti per via di a so propria pratica è cunniscenze acquistate in a scola, mentri Max dice chì ci deve esse una forma di prognosi analitica versu altre malatie pussibuli. Cuntinueghja à spiegà chì certi pazienti ponu esse misdiagnosed è finiscinu torna in l'uspidale, in quale ellu specifica chì sò 8 volte più probabili di more. A cosa più intrigante hè chì questu hè un prublema chì hè sempre esistitu. U mutivu hè cusì sèmplice cum'è i sbagli sò obligati à esse fatti chì sfurtunatamenti puderanu custà a so vita à qualchissia o parechje persone. Micca solu, cum'è Welling dice, ci sò 230 milioni di prucedure mediche ogni annu chì costanu a mità di trilione di dollari. Cum'è ogni industria chì prova di furnisce un serviziu per aiutà l'altri, custa soldi; Inoltre, questu significa chì l'uspitali è quelli incaricati di finanzià i centri medichi anu bisognu à sente l'innuvatori chì cercanu di prumove l'industria in una direzione megliu. Tuttavia, esse frugal hè sempre benefica.

Priservà a privacy

Welling hà dichjaratu chì ellu è a so squadra anu fattu 3 scuperte. Unu di i quali hè un urdinatore chì pò priservà a privacy in un hospitalu; Inoltre, l'urdinatori ponu ancu analizà una mansa di dati per migliurà ulteriormente u diagnosticu per i pazienti chì sò abbastanza malati. Stu prugrammu hè chjamatu Learner Machine. Essenzialmente, l'urdinatore manda una dumanda à a basa di dati di l'ospedale, chì risponde à a dumanda, allora l'apprente di a macchina cambierà a risposta "aghjunghjendu un pocu di rumore". Per più dettagli per piacè cliccate quì (Max Welling a spiega più strettamente trà i minuti 5:20 - 6:06). In altri palori, cum'è Max spiega, l'urdinatore vole "migliu ellu stessu" via diagnosticu è "custruisce un mudellu megliu di dati". Tuttu chistu hè grazia à Cynthia Dwork, chì hè un scienziatu distintu da Microsoft Research. Ella si concentra nantu à a preservazione di a privacy basatu annantu à un fundamentu matematicu. Per più nantu à ella è ciò chì hà fattu, cliccate quì. In breve, sta prima scuperta mostra micca solu chì Max vole esse rispettuosu di l'infurmazioni persunali di i pazienti, ma vole ancu furnisce à l'uspitali una basa più solida per u diagnosticu.

Deep Learning

A seconda scuperta hè stata purtata à a luce Geoffrey Hinton. Yann Lecun, Yoshua Bengio è Geoffrey anu spiegatu chì: "L'apprendimentu profondu scopre una struttura intricata in grande setti di dati utilizendu l'algoritmu di retropropagazione per indicà cumu una macchina deve cambià i so paràmetri interni chì sò usati per calculà a rapprisintazioni in ogni stratu da a rapprisintazioni in u stratu precedente". In termini profani, aiuta una macchina à capisce megliu per mezu di i so strati cumplessi attraversu i so parametri più profondi (per più dettagli, leghjite u restu di a rivista chì i trè signori anu scrittu).

Causalità vs Correlazione

U terzu è ultimu scupertu hè più di una idea di cullaburazione per differenzi più a causalità da a correlazione. Max sente chì l'arnesi di Judea Pearl ponu aiutà à distingue questi dui cuncetti è esse urganizati. Essenzialmente u rolu di Ghjudea hè di aiutà à dà più struttura à e dati chì ponu esse fattu se i schedarii di i pazienti sò trasferiti digitalmente in una basa di dati. U travagliu di Pearl hè abbastanza cumplessu, dunque se vulete capisce più ciò chì sò i so "arnesi". cliccate quì.

U desideriu di Max

Welling riassume à a fine di u so TEDX Talk ch'ellu vole à priservà a privacy attraversu u machine learning. Siconda, per impegnà i minori di dati è i scientisti per migliurà ulteriormente a diagnosi per salvà soldi è vita. Infine, vole rivoluzionari l'assistenza sanitaria servendu megliu ospedali, medichi è pazienti per mezu di a tecnulugia chì pò aiutà à accurtà e visite in spitali è à utilizà i soldi in modu più efficiente. Questa hè una bella visione di l'assistenza sanitaria perchè ùn solu ùn vole esse rispettu di l'industria medica, vole ancu aiutà à salvà a vita mentre pensendu à i bilanci di l'uspitali è di i centri medichi.