आपण रोगविरहित जग निर्माण करू शकतो का?

रोगमुक्त जग शक्य आहे का? आजार हा एक शब्द आहे (सर्व नसल्यास) लोकांना ऐकण्यास अस्वस्थ वाटते जेव्हा त्यांना किंवा त्यांच्या ओळखीच्या कोणाला हा शब्द असतो. सुदैवाने, कमाल वेलिंग, अॅमस्टरडॅम विद्यापीठातील मशीन लर्निंगचे प्राध्यापक आणि कॅनेडियन इन्स्टिट्यूट ऑफ अॅडव्हान्स्ड रिसर्चचे सदस्य आणि त्यांच्या उद्योजकांच्या टीमने रुग्णांसाठी रोगांचे निदान करण्यासाठी डेटा विश्लेषण प्रणाली तयार केली आहे. मजेदार तथ्य: तो AMLAB (Amsterdam Machine Learning LAB) चे दिग्दर्शन करतो आणि QUVA Lab (Qualcomm-UvA लॅब) सह-दिग्दर्शित करतो. या अद्भुत माणसाने आणि त्याच्या उद्योजकांच्या संघाने (सिंथिया डवर्क, जेफ्री हिंटन आणि जुडिया पर्ल) या जगाला रोगमुक्त करण्यासाठी काही अविश्वसनीय यश कसे मिळवले ते आपण येथे पाहू.

मॅक्स वेलिंगची चिंता

वेलिंगने त्याच्या TEDx चर्चेदरम्यान सांगितलेल्या काही तथ्ये या वस्तुस्थितीकडे लक्ष वेधून घेतात की रुग्णाच्या निदानादरम्यान डॉक्टर काही चुकतात. उदाहरणार्थ, तो म्हणतो की “अर्ध्या वैद्यकीय प्रक्रियांमध्ये कोणतेही वैज्ञानिक पुरावे नाहीत.” हे निदान प्रामुख्याने त्यांच्या स्वत:च्या सरावातून आणि शाळेत घेतलेल्या ज्ञानाने केले जाते, तर मॅक्स म्हणतो की इतर संभाव्य रोगांबद्दल विश्लेषणात्मक रोगनिदानाचा काही प्रकार असावा. तो पुढे स्पष्ट करतो की काही रूग्णांचे चुकीचे निदान केले जाऊ शकते आणि ते परत हॉस्पिटलमध्ये येऊ शकतात, ज्यामध्ये त्यांनी नमूद केले की त्यांचा मृत्यू होण्याची शक्यता 8 पट जास्त आहे. सर्वात मनोरंजक गोष्ट म्हणजे ही एक समस्या आहे जी नेहमीच अस्तित्वात आहे. कारण चुकण्याइतकेच सोपे आहे ज्यात दुर्दैवाने एखाद्याला किंवा अनेकांना त्यांचे प्राण जाऊ शकतात. इतकेच नाही तर वेलिंगने म्हटल्याप्रमाणे, दरवर्षी अर्धा ट्रिलियन डॉलर खर्चाच्या 230 दशलक्ष वैद्यकीय प्रक्रिया होतात. इतरांना मदत करण्‍यासाठी सेवा प्रदान करण्‍याचा प्रयत्‍न करणार्‍या कोणत्याही उद्योगाप्रमाणे, त्यासाठी पैसे खर्च होतात; शिवाय, याचा अर्थ रुग्णालये आणि वैद्यकीय केंद्रांना निधी पुरवणाऱ्यांना उद्योगाला चांगल्या दिशेने पुढे नेण्याचा प्रयत्न करणाऱ्या नवोदितांचे ऐकणे आवश्यक आहे. तरीसुद्धा, काटकसरी राहणे नेहमीच फायदेशीर असते.

गोपनीयता जपत आहे

वेलिंगने सांगितले की त्याने आणि त्याच्या संघाने 3 यश मिळवले आहेत. त्यापैकी एक संगणक आहे जो हॉस्पिटलमध्ये गोपनीयता राखू शकतो; शिवाय, आजारी असलेल्या रुग्णांसाठी निदान सुधारण्यासाठी संगणक अनेक डेटाचे विश्लेषण देखील करू शकतात. या सॉफ्टवेअरचे नाव आहे मशीन लर्नर. मूलत:, संगणक रुग्णालयाच्या डेटाबेसला एक क्वेरी पाठवतो, जो प्रश्नाचे उत्तर देतो त्यानंतर मशीन लर्नर "त्यात काही आवाज जोडून" उत्तर बदलेल. अधिक तपशीलांसाठी कृपया इथे क्लिक करा (मॅक्स वेलिंग 5:20 - 6:06 मिनिटांच्या दरम्यान अधिक बारकाईने स्पष्ट करतात). दुसऱ्या शब्दांत, मॅक्सने स्पष्ट केल्याप्रमाणे, संगणकाला निदानाद्वारे “स्वत:ला चांगले” करायचे आहे आणि “डेटाचे एक चांगले मॉडेल तयार” करायचे आहे. हे सर्व धन्यवाद आहे सिंथिया डवर्क, जे मायक्रोसॉफ्ट रिसर्चचे प्रतिष्ठित शास्त्रज्ञ आहेत. गणिताच्या पायावर आधारित गोपनीयता जपण्यावर तिचा भर आहे. तिच्याबद्दल आणि तिने काय केले याबद्दल अधिक माहितीसाठी, इथे क्लिक करा. थोडक्यात, ही पहिली प्रगती मॅक्सला रुग्णांच्या वैयक्तिक माहितीचा आदर करायचा आहे हेच दाखवत नाही तर रुग्णालयांना निदानासाठी अधिक भक्कम पाया देखील देऊ इच्छितो.

दीप लर्निंग

द्वारे दुसरे यश समोर आले जेफ्री हिंटन. यान लेकुन, योशुआ बेंगियो आणि जेफ्री स्पष्ट केले आहे की: "डीप लर्निंग मोठ्या डेटा संचांमध्ये बॅकप्रोपॅगेशन अल्गोरिदमचा वापर करून यंत्राने त्याचे अंतर्गत पॅरामीटर्स कसे बदलले पाहिजेत हे दर्शविते जे मागील लेयरमधील प्रतिनिधित्वापेक्षा प्रत्येक लेयरमधील प्रतिनिधित्वाची गणना करण्यासाठी वापरले जाते." सामान्य माणसाच्या दृष्टीने, हे मशीनला त्याच्या जटिल स्तरांद्वारे त्याच्या सखोल पॅरामीटर्सद्वारे स्वतःला अधिक चांगल्या प्रकारे समजून घेण्यास मदत करते (अधिक तपशीलांसाठी कृपया तीन सज्जनांनी लिहिलेले उर्वरित पुनरावलोकन वाचा).

कार्यकारणभाव वि सहसंबंध

तिसरे आणि अंतिम यश सहसंबंधातून कार्यकारणभाव वेगळे करण्यासाठी एक सहयोगी कल्पना आहे. मॅक्सला वाटते की ज्यूडिया पर्लची साधने या दोन संकल्पना वेगळे करण्यात मदत करू शकतात आणि संघटित व्हा. मूलत: ज्युडियाची भूमिका डेटाला अधिक संरचना देण्यास मदत करणे आहे जी रुग्णाच्या फायली डेटाबेसमध्ये डिजिटलपणे हस्तांतरित केल्यास केले जाऊ शकते. पर्लचे कार्य खूपच गुंतागुंतीचे आहे म्हणून जर तुम्हाला त्याची "साधने" काय आहेत हे समजून घ्यायचे असेल इथे क्लिक करा.

मॅक्सची इच्छा

वेलिंगने त्याच्या शेवटी सारांश दिला TEDX चर्चा की त्याला मशीन लर्नरद्वारे गोपनीयता जपायची आहे. दुसरे म्हणजे, पैसे आणि जीव वाचवण्यासाठी निदानात आणखी सुधारणा करण्यासाठी डेटा अल्पवयीन आणि शास्त्रज्ञांना गुंतवणे. शेवटी, त्याला हॉस्पिटल्स, डॉक्टर्स आणि रूग्णांना तंत्रज्ञानाद्वारे उत्तम सेवा देऊन आरोग्य सेवेत क्रांती घडवायची आहे ज्यामुळे हॉस्पिटलच्या भेटी कमी करण्यात आणि पैशांचा अधिक कार्यक्षमतेने वापर करण्यात मदत होईल. हे आरोग्य सेवेबद्दल एक सुंदर दृष्टीकोन आहे कारण त्याला केवळ वैद्यकीय उद्योगाचा आदर करायचा नाही, तर त्याला रुग्णालये आणि वैद्यकीय केंद्रांच्या बजेटचा विचार करताना जीव वाचवण्यास मदत करायची आहे.