آیا می توانیم جهانی بدون بیماری بسازیم؟

آیا می توان دنیایی عاری از بیماری داشت؟ بیماری کلمه‌ای است که اکثر افراد (اگر نه همه) از شنیدن آن احساس ناراحتی می‌کنند، وقتی که خودشان یا کسی که می‌شناسند به آن مبتلا است. خوشبختانه، مکس ولینگاستاد یادگیری ماشین در دانشگاه آمستردام و عضو موسسه تحقیقات پیشرفته کانادا و تیم کارآفرینانش یک سیستم تجزیه و تحلیل داده ها را برای تشخیص بیماری ها برای بیماران ایجاد کرده اند. واقعیت جالب: او AMLAB (آزمایشگاه یادگیری ماشین آمستردام) را کارگردانی می‌کند و آزمایشگاه QUVA (آزمایشگاه Qualcomm-UvA) را کارگردانی می‌کند. در اینجا خواهیم دید که چگونه این مرد شگفت‌انگیز و تیم کارآفرینانش (سینثیا دورک، جفری هینتون و جودیا پرل) به پیشرفت‌های باورنکردنی برای رهایی از بیماری‌ها دست یافتند.

نگرانی های ماکس ولینگ

برخی از حقایقی که ولینگ در طول سخنرانی خود در TEDx به آنها اشاره می کند، توجه را به این واقعیت جلب می کند که مواقعی وجود دارد که پزشک ممکن است چیزی را در حین تشخیص بیمار از دست بدهد. برای مثال، او می‌گوید که «نیمی از روش‌های پزشکی شواهد علمی ندارند.» این تشخیص عمدتاً از طریق تمرین و دانش آنها در مدرسه انجام می شود، در حالی که مکس می گوید که باید نوعی پیش آگهی تحلیلی نسبت به سایر بیماری های احتمالی وجود داشته باشد. وی در ادامه توضیح می دهد که ممکن است برخی از بیماران به اشتباه تشخیص داده شوند و در نهایت به بیمارستان بازگردند که در آن مشخص می کند که احتمال مرگ آنها 8 برابر است. جالب ترین چیز این است که این موضوعی است که همیشه وجود داشته است. دلیل آن به سادگی اشتباهاتی است که متأسفانه ممکن است به قیمت جان یک نفر یا چند نفر تمام شود. نه تنها این، همانطور که ولینگ می گوید، سالانه 230 میلیون عمل پزشکی با هزینه نیم تریلیون دلار انجام می شود. مانند هر صنعتی که سعی در ارائه خدماتی برای کمک به دیگران دارد، هزینه‌ای دارد. علاوه بر این، این بدان معناست که بیمارستان‌ها و کسانی که مسئول تامین مالی مراکز پزشکی هستند، باید به نوآورانی گوش دهند که تلاش می‌کنند صنعت را در جهتی بهتر پیش ببرند. با این وجود، صرفه جویی همیشه مفید است.

حفظ حریم خصوصی

ولینگ اظهار داشت که او و تیمش 3 پیشرفت داشته اند. یکی از آنها رایانه ای است که می تواند حریم خصوصی را در بیمارستان حفظ کند. علاوه بر این، رایانه‌ها همچنین می‌توانند تعداد زیادی از داده‌ها را برای بهبود تشخیص بیشتر بیمارانی که کاملاً بیمار هستند، تجزیه و تحلیل کنند. این نرم افزار نام دارد یادگیرنده ماشین اساساً، رایانه یک پرس و جو را به پایگاه داده بیمارستان می فرستد، که به سؤال پاسخ می دهد و سپس یادگیرنده ماشین پاسخ را با "افزودن مقداری نویز به آن" تغییر می دهد. برای جزئیات بیشتر لطفا اینجا کلیک کنید (مکس ولینگ آن را با دقت بیشتری بین دقیقه 5:20 تا 6:06 توضیح می دهد). به عبارت دیگر، همانطور که مکس توضیح می‌دهد، رایانه می‌خواهد از طریق تشخیص، «خود را بهتر کند» و «مدل بهتری از داده‌ها را بسازد». همه اینها به لطف است سینتیا کار، که از دانشمندان برجسته مایکروسافت ریسرچ است. او بر حفظ حریم خصوصی بر اساس یک پایه ریاضی تمرکز می کند. برای اطلاعات بیشتر در مورد او و کارهایی که انجام داده است، اینجا کلیک کنید. به طور خلاصه، این اولین پیشرفت نه تنها نشان می‌دهد که مکس می‌خواهد به اطلاعات شخصی بیماران احترام بگذارد، بلکه می‌خواهد بستر محکم‌تری برای تشخیص بیماری در بیمارستان‌ها فراهم کند.

یادگیری عمیق

موفقیت دوم توسط آشکار شد جفری هینتون. یان لکون، یوشوا بنجیو و جفری توضیح داده اند که: "یادگیری عمیق با استفاده از الگوریتم پس انتشار برای نشان دادن اینکه چگونه یک ماشین باید پارامترهای داخلی خود را که برای محاسبه نمایش در هر لایه از نمایش در لایه قبلی استفاده می شود، تغییر دهد، ساختار پیچیده ای را در مجموعه داده های بزرگ کشف می کند." به زبان ساده، به ماشین کمک می‌کند تا از طریق لایه‌های پیچیده‌اش از طریق عمیق‌ترین پارامترهایش، خود را بهتر درک کند (برای جزئیات بیشتر، لطفاً بقیه مروری که سه آقای نوشتند را بخوانید).

علیت در مقابل همبستگی

سومین و آخرین پیشرفت بیشتر یک ایده مشترک برای تمایز بیشتر علیت از همبستگی است. مکس احساس می کند که ابزار Judea Pearl می تواند به تمایز این دو مفهوم کمک کند سازماندهی می شوند. اساساً نقش Judea کمک به ساختار بیشتر داده‌ها است که اگر فایل‌های بیمار به صورت دیجیتالی به پایگاه داده منتقل شوند، قابل انجام است. کار پرل بسیار پیچیده است، بنابراین اگر می‌خواهید بیشتر بدانید "ابزار" او چیست اینجا کلیک کنید.

آرزوی مکس

ولینگ در پایان سخنان خود را خلاصه کرد گفتگوی TEDX که او می خواهد حریم خصوصی را از طریق یادگیرنده ماشین حفظ کند. ثانیاً، مشارکت دادن خردسالان داده و دانشمندان به منظور بهبود بیشتر تشخیص برای صرفه جویی در هزینه و جان. در نهایت، او می‌خواهد با ارائه خدمات بهتر به بیمارستان‌ها، پزشکان و بیماران از طریق فناوری که می‌تواند به کوتاه‌تر کردن بازدیدهای بیمارستانی و استفاده مؤثرتر از پول کمک کند، مراقبت‌های بهداشتی را متحول کند. این یک چشم انداز زیبا در مورد مراقبت های بهداشتی است زیرا نه تنها می خواهد به صنعت پزشکی احترام بگذارد، بلکه می خواهد به نجات جان انسان ها کمک کند و در عین حال به بودجه بیمارستان ها و مراکز پزشکی فکر می کند.