Voimmeko luoda maailman ilman sairauksia?

Onko mahdollista saada tautivapaa maailma? Sairaus on sana useimmat (elleivät kaikki) ihmiset tuntevat olonsa epämukavaksi kuulessaan, kun heillä tai jollakulla heillä on sellainen. Onneksi, Max Welling, Amsterdamin yliopiston koneoppimisen professori ja Canadian Institute of Advanced Researchin jäsen, ja hänen yrittäjäryhmänsä ovat luoneet data-analyysijärjestelmän potilaiden sairauksien diagnosointiin. Hauska fakta: Hän johtaa AMLAB:ia (Amsterdam Machine Learning LAB) ja yhdessä QUVA Labia (Qualcomm-UvA Lab). Täällä näemme, kuinka tämä upea mies ja hänen yrittäjäryhmänsä (Cynthia Dwork, Geoffrey Hinton ja Judea Pearl) tekivät uskomattomia läpimurtoja vapauttaakseen maailman taudeista.

Max Wellingin huoli

Jotkut Wellingin TEDx-puheessaan mainitsemista seikoista kiinnittävät huomiota siihen, että joskus lääkäri saattaa unohtaa jotain potilaan diagnoosin aikana. Hän esimerkiksi sanoo, että "puolet lääketieteellisistä toimenpiteistä ei ole pyydetty tieteellistä näyttöä". Diagnoosi tehdään ensisijaisesti oman käytännön ja koulussa hankitun tiedon perusteella, kun taas Max sanoo, että muita mahdollisia sairauksia kohtaan pitäisi olla jonkinlainen analyyttinen ennuste. Hän jatkaa, että jotkut potilaat voidaan diagnosoida väärin ja päätyä takaisin sairaalaan, missä hän täsmentää, että heillä on 8 kertaa suurempi todennäköisyys kuolla. Mielenkiintoisin asia on, että tämä on aina ollut olemassa ongelma. Syy on niin yksinkertainen, että väistämättä tehdään virheitä, jotka valitettavasti voivat maksaa jonkun tai useamman ihmisen hengen. Ei vain, kuten Welling sanoo, joka vuosi tehdään 230 miljoonaa lääketieteellistä toimenpidettä, jotka maksavat puoli biljoonaa dollaria. Kuten mikä tahansa toimiala, joka yrittää tarjota palvelua muiden auttamiseksi, se maksaa rahaa; Lisäksi se tarkoittaa, että sairaaloiden ja terveyskeskusten rahoittamisesta vastaavien on kuunneltava innovoijia, jotka yrittävät viedä alaa parempaan suuntaan. Säästämisestä on kuitenkin aina hyötyä.

Yksityisyyden säilyttäminen

Welling totesi, että hän ja hänen tiiminsä ovat tehneet 3 läpimurtoa. Yksi niistä on tietokone, joka voi säilyttää yksityisyyden sairaalassa; Lisäksi tietokoneet voivat myös analysoida lukuisia tietoja parantaakseen edelleen melko sairaiden potilaiden diagnoosia. Tämä ohjelmisto on nimeltään Koneoppija. Pohjimmiltaan tietokone lähettää kyselyn sairaalan tietokantaan, joka vastaa kyselyyn ja koneoppija muuttaa vastausta "lisäämällä siihen kohinaa". Lisätietoja saat Klikkaa tästä (Max Welling selittää sen tarkemmin minuuttien 5:20 – 6:06 välillä). Toisin sanoen, kuten Max selittää, tietokone haluaa "parantaa itseään" diagnoosin avulla ja "rakentaa paremman mallin datasta". Kaiken tämän ansiosta Cynthia Dwork, joka on Microsoft Researchin ansioitunut tiedemies. Hän keskittyy yksityisyyden säilyttämiseen matemaattisen perustan pohjalta. Lisätietoja hänestä ja hänen tekemästään Klikkaa tästä. Lyhyesti sanottuna tämä ensimmäinen läpimurto ei ainoastaan ​​osoita, että Max haluaa kunnioittaa potilaiden henkilökohtaisia ​​tietoja, vaan haluaa myös tarjota sairaaloille vakaamman perustan diagnoosille.

Deep Learning

Toinen läpimurto paljastui Geoffrey Hinton. Yann Lecun, Yoshua Bengio ja Geoffrey ovat selittäneet, että: "Syväoppiminen löytää monimutkaisen rakenteen suurista tietojoukoista käyttämällä backpropagation-algoritmia osoittamaan, kuinka koneen tulisi muuttaa sisäisiä parametrejaan, joita käytetään kunkin kerroksen esityksen laskemiseen edellisen kerroksen esityksestä." Maallikon termein se auttaa konetta ymmärtämään itseään paremmin monimutkaisten kerrostensa kautta syvimpien parametrien kautta (lisätietoja saat lukemalla loput kolmen herrasmiehen kirjoittamasta arvostelusta).

Kausaalisuus vs korrelaatio

Kolmas ja viimeinen läpimurto on enemmänkin yhteistyöidea, jonka tarkoituksena on erottaa kausaalisuus edelleen korrelaatiosta. Max uskoo, että Judea Pearlin työkalut voivat auttaa erottamaan nämä kaksi käsitettä ja järjestäytyä. Pohjimmiltaan Judean tehtävänä on auttaa lisäämään tietojen rakennetta, mikä voidaan tehdä, jos potilastiedostot siirretään digitaalisesti tietokantaan. Pearlin työ on melko monimutkaista, joten jos haluat ymmärtää tarkemmin, mitä hänen "työkalunsa" ovat Klikkaa tästä.

Maxin toive

Welling tiivisti kirjoituksensa lopussa TEDX-keskustelu että hän haluaa säilyttää yksityisyyden koneoppijan kautta. Toiseksi alaikäisten ja tutkijoiden saaminen mukaan diagnoosin parantamiseksi entisestään ja säästää rahaa ja ihmishenkiä. Lopuksi hän haluaa mullistaa terveydenhuollon palvelemalla sairaaloita, lääkäreitä ja potilaita paremmin teknologian avulla, joka voi auttaa lyhentämään sairaalakäyntejä ja käyttämään rahaa tehokkaammin. Tämä on kaunis näkemys terveydenhuollosta, koska hän ei vain halua kunnioittaa lääketeollisuutta, vaan hän haluaa myös auttaa pelastamaan ihmishenkiä samalla kun ajattelee sairaaloiden ja terveyskeskusten budjetteja.