Μπορούμε να δημιουργήσουμε έναν κόσμο χωρίς ασθένειες;

Είναι δυνατόν να έχουμε έναν κόσμο χωρίς ασθένειες; Η ασθένεια είναι μια λέξη που οι περισσότεροι (αν όχι όλοι) άνθρωποι αισθάνονται άβολα όταν ακούνε όταν είτε αυτοί είτε κάποιος που γνωρίζουν την έχει. Ευτυχώς, Μαξ Γουέλινγκ, καθηγητής μηχανικής μάθησης στο Πανεπιστήμιο του Άμστερνταμ και μέλος του Canadian Institute of Advanced Research, και η ομάδα επιχειρηματιών του δημιούργησαν ένα σύστημα ανάλυσης δεδομένων για τη διάγνωση ασθενειών για ασθενείς. Διασκεδαστικό γεγονός: Διευθύνει το AMLAB (Amsterdam Machine Learning LAB) και συν-διευθύνει το QUVA Lab (Qualcomm-UvA Lab). Εδώ θα δούμε πώς αυτός ο υπέροχος άνθρωπος και η ομάδα των επιχειρηματιών του (Σίνθια Ντγουόρκ, Τζέφρι Χίντον και Τζούντα Περλ) έκαναν μερικές απίστευτες ανακαλύψεις για να απαλλάξουν τον κόσμο από τις ασθένειες.

Οι ανησυχίες του Max Welling

Ορισμένα από τα γεγονότα που επισημαίνει ο Welling κατά τη διάρκεια της ομιλίας του στο TEDx φέρνουν την προσοχή στο γεγονός ότι υπάρχουν φορές που ένας γιατρός μπορεί να χάσει κάτι κατά τη διάγνωση ενός ασθενούς. Για παράδειγμα, λέει ότι «οι μισές ιατρικές διαδικασίες δεν έχουν επιστημονικά αποδεικτικά στοιχεία». Αυτή η διάγνωση γίνεται κυρίως μέσω της δικής τους πρακτικής και της γνώσης που αποκτήθηκε στο σχολείο, ενώ ο Max λέει ότι πρέπει να υπάρχει κάποια μορφή αναλυτικής πρόγνωσης για άλλες πιθανές ασθένειες. Συνεχίζει εξηγώντας ότι ορισμένοι ασθενείς μπορεί να λάβουν λάθος διάγνωση και να καταλήξουν στο νοσοκομείο, στο οποίο διευκρινίζει ότι είναι 8 φορές πιο πιθανό να πεθάνουν. Το πιο ενδιαφέρον είναι ότι αυτό είναι ένα θέμα που υπήρχε πάντα. Ο λόγος είναι τόσο απλός όσο είναι βέβαιο ότι θα γίνουν λάθη που δυστυχώς θα μπορούσαν να κοστίσουν τη ζωή σε κάποιον ή σε πολλούς ανθρώπους. Όχι μόνο αυτό, όπως λέει ο Welling, υπάρχουν 230 εκατομμύρια ιατρικές διαδικασίες κάθε χρόνο που κοστίζουν μισό τρισεκατομμύριο δολάρια. Όπως κάθε βιομηχανία που προσπαθεί να προσφέρει μια υπηρεσία για να βοηθήσει άλλους, κοστίζει χρήματα. Επιπλέον, αυτό σημαίνει ότι τα νοσοκομεία και οι υπεύθυνοι για τη χρηματοδότηση ιατρικών κέντρων πρέπει να ακούν τους καινοτόμους που προσπαθούν να προωθήσουν τη βιομηχανία προς μια καλύτερη κατεύθυνση. Ωστόσο, το να είσαι φειδωλός είναι πάντα ωφέλιμο.

Διατήρηση απορρήτου

Ο Welling δήλωσε ότι αυτός και η ομάδα του έχουν κάνει 3 ανακαλύψεις. Ένα από τα οποία είναι ένας υπολογιστής που μπορεί να διατηρήσει το απόρρητο μέσα σε ένα νοσοκομείο. Επιπλέον, οι υπολογιστές μπορούν επίσης να αναλύσουν μια πληθώρα δεδομένων για να βελτιώσουν περαιτέρω τη διάγνωση για ασθενείς που είναι αρκετά άρρωστοι. Αυτό το λογισμικό ονομάζεται Μηχανομαθητής. Ουσιαστικά, ο υπολογιστής στέλνει ένα ερώτημα στη βάση δεδομένων του νοσοκομείου, το οποίο απαντά στο ερώτημα και, στη συνέχεια, ο μαθητής μηχανών θα αλλάξει την απάντηση «προσθέτοντας κάποιο θόρυβο σε αυτήν». Για περισσότερες λεπτομέρειες παρακαλώ κάντε κλικ εδώ (Ο Max Welling το εξηγεί πιο προσεκτικά μεταξύ των λεπτών 5:20 – 6:06). Με άλλα λόγια, όπως εξηγεί ο Max, ο υπολογιστής θέλει να «βελτιωθεί» μέσω της διάγνωσης και να «χτίσει ένα καλύτερο μοντέλο δεδομένων». Όλα αυτά χάρη σε Cynthia Dwork, ο οποίος είναι διακεκριμένος επιστήμονας της Microsoft Research. Επικεντρώνεται στη διατήρηση της ιδιωτικής ζωής με βάση μια μαθηματική βάση. Για περισσότερα σχετικά με αυτήν και τι έχει κάνει, κάντε κλικ εδώ. Εν ολίγοις, αυτή η πρώτη ανακάλυψη όχι μόνο δείχνει ότι ο Max θέλει να σέβεται τα προσωπικά στοιχεία των ασθενών, αλλά θέλει επίσης να παρέχει στα νοσοκομεία μια πιο σταθερή βάση για τη διάγνωση.

Βαθιά μάθηση

Η δεύτερη ανακάλυψη ήρθε στο φως από Τζέφρι Χίντιν. Yann Lecun, Yoshua Bengio και Geoffrey εξήγησαν ότι: «Η βαθιά εκμάθηση ανακαλύπτει περίπλοκη δομή σε μεγάλα σύνολα δεδομένων χρησιμοποιώντας τον αλγόριθμο backpropagation για να δείξει πώς μια μηχανή πρέπει να αλλάξει τις εσωτερικές της παραμέτρους που χρησιμοποιούνται για τον υπολογισμό της αναπαράστασης σε κάθε επίπεδο από την αναπαράσταση στο προηγούμενο επίπεδο». Με απλούς όρους, βοηθά ένα μηχάνημα να κατανοήσει καλύτερα τον εαυτό του μέσω των πολύπλοκων επιπέδων του μέσω των βαθύτερων παραμέτρων του (για περισσότερες λεπτομέρειες, διαβάστε την υπόλοιπη κριτική που έγραψαν οι τρεις κύριοι).

Αιτιοκρατία vs Συσχέτιση

Η τρίτη και τελευταία ανακάλυψη είναι περισσότερο μια ιδέα συνεργασίας για την περαιτέρω διαφοροποίηση της αιτιότητας από τη συσχέτιση. Ο Μαξ πιστεύει ότι τα εργαλεία της Judea Pearl μπορούν να βοηθήσουν στη διάκριση αυτών των δύο εννοιών και Οργανώσου. Ουσιαστικά ο ρόλος της Judea είναι να βοηθήσει να δώσει περισσότερη δομή στα δεδομένα που μπορούν να γίνουν εάν τα αρχεία ασθενών μεταφερθούν ψηφιακά σε μια βάση δεδομένων. Η δουλειά του Pearl είναι αρκετά περίπλοκη, οπότε αν θέλετε να καταλάβετε περαιτέρω ποια είναι τα «εργαλεία» του κάντε κλικ εδώ.

Η ευχή του Μαξ

Ο Welling συνοψίζει στο τέλος του Ομιλία TEDX ότι θέλει να διατηρήσει το απόρρητο μέσω του μηχανήματος εκμάθησης. Δεύτερον, η συμμετοχή ανηλίκων δεδομένων και επιστημόνων προκειμένου να βελτιωθεί περαιτέρω η διάγνωση για να εξοικονομηθούν χρήματα και ζωές. Τέλος, θέλει να φέρει επανάσταση στην υγειονομική περίθαλψη εξυπηρετώντας καλύτερα τα νοσοκομεία, τους γιατρούς και τους ασθενείς μέσω τεχνολογίας που μπορεί να συντομεύσει τις επισκέψεις στα νοσοκομεία και να χρησιμοποιήσει τα χρήματα πιο αποτελεσματικά. Αυτό είναι ένα όμορφο όραμα για την υγειονομική περίθαλψη γιατί όχι μόνο θέλει να σέβεται τον ιατρικό κλάδο, αλλά θέλει επίσης να βοηθήσει να σωθούν ζωές, ενώ σκέφτεται τους προϋπολογισμούς των νοσοκομείων και των ιατρικών κέντρων.