Ar galime sukurti pasaulį be ligų?

Ar įmanoma turėti pasaulį be ligų? Liga yra žodis, kai dauguma (jei ne visi) žmonių jaučiasi nepatogiai girdėdami, kai jie patys arba jų pažįstamas asmuo ja serga. Laimei, Maksas Velingas, Amsterdamo universiteto mašininio mokymosi profesorius ir Kanados pažangių tyrimų instituto narys, su verslininkų komanda sukūrė duomenų analizės sistemą, skirtą pacientų ligoms diagnozuoti. Įdomus faktas: jis vadovauja AMLAB (Amsterdam Machine Learning LAB) ir kartu vadovauja QUVA Lab (Qualcomm-UvA Lab). Čia pamatysime, kaip šis nuostabus žmogus ir jo verslininkų komanda (Cynthia Dwork, Geoffrey Hintonas ir Judea Pearl) padarė neįtikėtinų laimėjimų, kad išlaisvintų pasaulį nuo ligų.

Maxo Wellingo susirūpinimą

Kai kurie faktai, kuriuos Wellingas atkreipia dėmesį į savo TEDx pokalbį, atkreipia dėmesį į tai, kad kartais gydytojas gali ką nors praleisti diagnozuodamas pacientą. Pavyzdžiui, jis sako, kad „pusė medicininių procedūrų neturi reikalaujamų mokslinių įrodymų“. Ši diagnozė pirmiausia atliekama remiantis jų pačių praktika ir mokykloje įgytomis žiniomis, o Maksas sako, kad turėtų būti tam tikra analitinė kitų galimų ligų prognozė. Toliau jis paaiškina, kad kai kuriems pacientams gali būti neteisingai diagnozuota ir jie vėl patenka į ligoninę, kur nurodo, kad jiems 8 kartus didesnė tikimybė mirti. Labiausiai intriguojantis dalykas yra tai, kad tai visada egzistavo problema. Priežastis tokia paprasta, kad privalu padaryti klaidų, kurios, deja, gali kainuoti kažkam ar keliems žmonėms gyvybę. Negana to, kaip sako Wellingas, kasmet atliekama 230 milijonų medicininių procedūrų, kainuojančių pusę trilijono dolerių. Kaip ir bet kuri pramonė, bandanti teikti paslaugas, padedančias kitiems, kainuoja pinigus; be to, tai reiškia, kad ligoninės ir asmenys, atsakingi už medicinos centrų finansavimą, turi įsiklausyti į novatorius, kurie bando skatinti pramonę geresne kryptimi. Nepaisant to, taupumas visada yra naudingas.

Privatumo išsaugojimas

Wellingas pareiškė, kad jis ir jo komanda padarė 3 persilaužimus. Vienas iš jų yra kompiuteris, galintis išsaugoti privatumą ligoninėje; be to, kompiuteriai taip pat gali analizuoti daugybę duomenų, kad būtų dar labiau pagerinta gana sergančių pacientų diagnozė. Ši programinė įranga pavadinta Mašinų mokinys. Iš esmės kompiuteris siunčia užklausą į ligoninės duomenų bazę, kuri atsako į užklausą, tada besimokantysis mašina pakeis atsakymą „pridėdamas prie jo triukšmo“. Dėl išsamesnės informacijos prašome paspauskite čia (Maxas Wellingas tai atidžiau paaiškina nuo 5:20 iki 6:06 minučių). Kitaip tariant, kaip aiškina Maksas, kompiuteris nori „patobulinti save“ atlikdamas diagnostiką ir „sukurti geresnį duomenų modelį“. Visa tai dėka Sintija Dwork, kuris yra žymus „Microsoft Research“ mokslininkas. Ji sutelkia dėmesį į privatumo išsaugojimą, pagrįstą matematiniais pagrindais. Norėdami sužinoti daugiau apie ją ir tai, ką ji padarė, paspauskite čia. Trumpai tariant, šis pirmasis proveržis ne tik parodo, kad Maksas nori gerbti pacientų asmeninę informaciją, bet ir nori suteikti ligoninėms tvirtesnį diagnozės pagrindą.

Gilus mokymasis

Antrąjį proveržį į dienos šviesą iškėlė Geoffrey Hintonas. Yann Lecun, Yoshua Bengio ir Geoffrey paaiškino, kad: „Gilus mokymasis atranda sudėtingą didelių duomenų rinkinių struktūrą, naudodamas atgalinio sklaidos algoritmą, kad nurodytų, kaip mašina turėtų pakeisti savo vidinius parametrus, kurie naudojami skaičiuojant kiekvieno sluoksnio atvaizdavimą iš ankstesnio sluoksnio. Žodžiu, tai padeda mašinai geriau suprasti save per sudėtingus sluoksnius, naudojant giliausius parametrus (daugiau informacijos skaitykite likusioje apžvalgos dalyje, kurią parašė trys ponai).

Priežastinis ryšys vs koreliacija

Trečiasis ir paskutinis lūžis yra labiau bendra idėja, siekiant dar labiau atskirti priežastinį ryšį nuo koreliacijos. Maksas mano, kad Judea Pearl įrankiai gali padėti atskirti šias dvi sąvokas ir susitvarkyti. Iš esmės Judea vaidmuo yra padėti suteikti daugiau struktūros duomenims, o tai galima padaryti, jei pacientų bylos skaitmeniniu būdu perkeliamos į duomenų bazę. Pearl darbas yra gana sudėtingas, todėl, jei norite geriau suprasti, kokie yra jo „įrankiai“. paspauskite čia.

Makso noras

Wellingas apibendrino jo pabaigoje TEDX pokalbis kad jis nori išsaugoti privatumą per mašininį besimokantįjį. Antra, įtraukti duomenis nepilnamečius ir mokslininkus, siekiant toliau tobulinti diagnozę ir sutaupyti pinigų ir gyvybių. Galiausiai, jis nori pakeisti sveikatos priežiūrą, geriau aptarnaujant ligonines, gydytojus ir pacientus naudojant technologijas, kurios gali padėti sutrumpinti apsilankymus ligoninėje ir efektyviau panaudoti pinigus. Tai graži sveikatos priežiūros vizija, nes jis ne tik nori gerbti medicinos pramonę, bet ir nori padėti išgelbėti gyvybes, galvodamas apie ligoninių ir medicinos centrų biudžetus.