Teremthetünk-e betegség nélküli világot?

Lehetséges betegségmentes világ? A betegség szó a legtöbb (ha nem minden) ember kényelmetlenül érzi magát a hallás után, ha ők vagy egy ismerősük szenved. Szerencsére, Max Welling, az Amszterdami Egyetem gépi tanulás professzora és a Kanadai Fejlett Kutatási Intézet tagja, vállalkozói csapatával adatelemző rendszert hozott létre a betegek betegségeinek diagnosztizálására. Érdekes tény: Ő irányítja az AMLAB-ot (Amsterdam Machine Learning LAB) és a QUVA Labot (Qualcomm-UvA Lab) társrendező. Itt látni fogjuk, hogy ez a csodálatos ember és vállalkozói csapata (Cynthia Dwork, Geoffrey Hinton és Judea Pearl) hogyan ért el hihetetlen áttöréseket, hogy megszabadítsa a világot a betegségektől.

Max Welling aggodalmait

Néhány tény, amelyre Welling a TEDx előadása során felhívta a figyelmet, felhívja a figyelmet arra, hogy vannak esetek, amikor az orvos valamit kihagy a beteg diagnózisa során. Például azt mondja, hogy „az orvosi eljárások felének nincs kért tudományos bizonyítéka”. Ezt a diagnózist elsősorban a saját gyakorlatukon és az iskolában megszerzett tudásukon keresztül állítják fel, míg Max azt mondja, hogy léteznie kell valamilyen analitikus prognózisnak más lehetséges betegségekre vonatkozóan. A továbbiakban kifejti, hogy egyes betegeket tévesen diagnosztizálhatnak, és visszakerülhetnek a kórházba, amelyben kifejti, hogy nyolcszor nagyobb valószínűséggel halnak meg. A legérdekesebb az, hogy ez egy olyan probléma, amely mindig is létezett. Az ok olyan egyszerű, hogy olyan hibákat követnek el, amelyek sajnos valaki vagy több ember életébe is kerülhetnek. Nem csak ez, ahogy Welling mondja, évente 8 millió orvosi eljárás történik, amelyek félbillió dollárba kerülnek. Mint minden iparág, amely szolgáltatást kíván nyújtani másokon, ez is pénzbe kerül; továbbá ez azt jelenti, hogy a kórházaknak és az egészségügyi központok finanszírozásáért felelős személyeknek meg kell hallgatniuk az újítókat, akik megpróbálják jobb irányba vinni az iparágat. Ennek ellenére a takarékosság mindig előnyös.

Az adatvédelem megőrzése

Welling kijelentette, hogy ő és csapata 3 áttörést ért el. Az egyik olyan számítógép, amely képes megőrizni a magánéletet a kórházon belül; emellett a számítógépek rengeteg adatot is elemezhetnek, hogy tovább javítsák a meglehetősen beteg betegek diagnózisát. Ennek a szoftvernek a neve Gépi tanuló. Lényegében a számítógép lekérdezést küld a kórházi adatbázisnak, amely válaszol a lekérdezésre, majd a gépi tanuló úgy módosítja a választ, hogy „zajt ad hozzá”. További részletekért kérjük kattints ide (Max Welling részletesebben elmagyarázza 5:20 és 6:06 között). Más szóval, ahogy Max elmagyarázza, a számítógép „javítani akarja magát” a diagnózis révén, és „jobb adatmodellt építeni”. Mindez annak köszönhető Cynthia Dwork, aki a Microsoft Research kiemelkedő tudósa. A magánélet megőrzésére összpontosít matematikai alapokon. Ha többet szeretne megtudni róla és arról, amit tett, kattints ide. Röviden, ez az első áttörés nemcsak azt mutatja, hogy Max tiszteletben akarja tartani a betegek személyes adatait, hanem szilárdabb alapot kíván biztosítani a kórházaknak a diagnózishoz.

Deep Learning

A második áttörést az hozta napvilágra Geoffrey Hinton. Yann Lecun, Yoshua Bengio és Geoffrey kifejtették, hogy: "A mély tanulás bonyolult szerkezeteket fedez fel nagy adathalmazokban azáltal, hogy a visszaszaporító algoritmus segítségével jelzi, hogyan kell a gépnek megváltoztatnia a belső paramétereit, amelyek az egyes rétegekben az előző rétegben lévő reprezentáció kiszámítására szolgálnak." Laikus kifejezéssel élve, legmélyebb paraméterei révén segít a gépnek jobban megérteni önmagát összetett rétegein keresztül (további részletekért olvassa el a három úriember által írt ismertetés többi részét).

Ok-okozati összefüggés vs korreláció

A harmadik és egyben utolsó áttörés inkább együttműködési ötlet, amely az ok-okozati összefüggést a korrelációtól még jobban megkülönbözteti. Max úgy érzi, hogy Judea Pearl eszközei segíthetnek megkülönböztetni ezt a két fogalmat és megszervezve. Judea alapvetően az, hogy segítsen strukturáltabbá tenni az adatokat, ami akkor tehető meg, ha a betegállományokat digitálisan átvisszük egy adatbázisba. Pearl munkája meglehetősen összetett, így ha szeretné jobban megérteni, mik az „eszközei”. kattints ide.

Max kívánsága

Welling összefoglalta a végén TEDX beszélgetés hogy meg akarja őrizni a magánéletet a gépi tanuló révén. Másodszor, a kiskorúak és a tudósok bevonása az adatokkal a diagnózis további javítása érdekében, és így pénzt és életeket takaríthat meg. Végül forradalmasítani akarja az egészségügyet a kórházak, az orvosok és a betegek jobb kiszolgálásával olyan technológiával, amely segíthet lerövidíteni a kórházi látogatásokat és hatékonyabban lehet felhasználni a pénzt. Ez egy gyönyörű vízió az egészségügyről, mert nemcsak az orvosi ipart akarja tiszteletben tartani, hanem életeket is akar menteni, miközben a kórházak és egészségügyi központok költségvetésére gondol.