Bolehkah kita mencipta dunia tanpa penyakit?

Adakah mungkin untuk mempunyai dunia bebas penyakit? Penyakit adalah perkataan kebanyakan (jika tidak semua) orang berasa tidak selesa mendengar apabila sama ada mereka atau seseorang yang mereka kenali mempunyainya. Nasib baik, Max Welling, seorang profesor pembelajaran mesin di Universiti Amsterdam dan ahli penyelidikan Canadian Institute of Advanced, dan pasukan usahawannya telah mencipta sistem analisis data untuk diagnosis penyakit untuk pesakit. Fakta menarik: Dia mengarahkan AMLAB (MAB Pembelajaran Mesin Amsterdam) dan mengarah bersama Makmal QUVA (Qualcomm-UvA Lab). Di sini kita akan melihat bagaimana lelaki hebat ini dan pasukan usahawannya (Cynthia Dwork, Geoffrey Hinton dan Judea Pearl) membuat beberapa kejayaan yang luar biasa untuk menyingkirkan dunia penyakit.

kebimbangan Max Welling

Beberapa fakta yang Welling nyatakan semasa ceramah TEDxnya memang membawa perhatian kepada fakta bahawa ada kalanya doktor mungkin terlepas sesuatu semasa diagnosis pesakit. Sebagai contoh, dia mengatakan bahawa "separuh daripada prosedur perubatan tidak mempunyai bukti saintifik." Diagnosis itu dilakukan terutamanya melalui amalan dan pengetahuan mereka sendiri yang diperoleh di sekolah, sedangkan Max mengatakan bahawa perlu ada beberapa bentuk prognosis analitik terhadap kemungkinan penyakit lain. Beliau seterusnya menjelaskan bahawa sesetengah pesakit boleh tersalah diagnosis dan akhirnya kembali ke hospital, di mana beliau menyatakan bahawa mereka adalah 8 kali lebih mungkin untuk mati. Perkara yang paling menarik ialah ini adalah isu yang sentiasa wujud. Sebabnya adalah semudah kesilapan pasti akan dilakukan yang malangnya boleh meragut nyawa seseorang atau beberapa orang. Bukan itu sahaja, seperti kata Welling, terdapat 230 juta prosedur perubatan setiap tahun dengan kos setengah trilion dolar. Seperti mana-mana industri yang cuba menyediakan perkhidmatan untuk membantu orang lain, ia memerlukan wang; tambahan pula, ini bermakna hospital dan mereka yang bertanggungjawab membiayai pusat perubatan perlu mendengar inovator yang cuba memajukan industri ke arah yang lebih baik. Namun begitu, berjimat cermat sentiasa memberi manfaat.

Memelihara Privasi

Welling menyatakan bahawa dia dan pasukannya telah membuat 3 kejayaan. Salah satunya ialah komputer yang boleh memelihara privasi dalam hospital; tambahan pula, komputer juga boleh menganalisis banyak data untuk meningkatkan lagi diagnosis bagi pesakit yang agak sakit. Perisian ini dinamakan Pembelajar Mesin. Pada asasnya, komputer menghantar pertanyaan ke pangkalan data hospital, yang menjawab pertanyaan itu kemudian pelajar mesin akan menukar jawapan dengan "menambahkan sedikit bunyi padanya." Untuk butiran lanjut sila tekan di sini (Max Welling menerangkannya dengan lebih dekat antara minit 5:20 – 6:06). Dalam erti kata lain, seperti yang dijelaskan oleh Max, komputer mahu "memperbaiki dirinya sendiri" melalui diagnosis dan "membina model data yang lebih baik". Semua ini berkat Cynthia Dwork, yang merupakan seorang saintis terbilang dari Microsoft Research. Dia memberi tumpuan kepada memelihara privasi berdasarkan asas matematik. Untuk lebih lanjut tentang dia dan apa yang telah dia lakukan, tekan di sini. Ringkasnya, penemuan pertama ini bukan sahaja menunjukkan bahawa Max ingin menghormati maklumat peribadi pesakit tetapi juga mahu menyediakan hospital asas yang lebih kukuh untuk diagnosis.

Pembelajaran Deep

Kejayaan kedua telah didedahkan oleh Geoffrey Hinton. Yann Lecun, Yoshua Bengio dan Geoffrey telah menjelaskan bahawa: "Pembelajaran mendalam menemui struktur rumit dalam set data yang besar dengan menggunakan algoritma perambatan belakang untuk menunjukkan cara mesin harus menukar parameter dalamannya yang digunakan untuk mengira perwakilan dalam setiap lapisan daripada perwakilan dalam lapisan sebelumnya." Dalam istilah awam, ia membantu mesin memahami dirinya dengan lebih baik melalui lapisan kompleksnya melalui parameter terdalamnya (untuk butiran lanjut sila baca ulasan selebihnya yang ditulis oleh ketiga-tiga lelaki itu).

Kausalitas vs Korelasi

Penemuan ketiga dan terakhir adalah lebih kepada idea kolaboratif untuk membezakan lagi sebab akibat daripada korelasi. Max merasakan bahawa alat Judea Pearl boleh membantu membezakan kedua-dua konsep ini dan teratur. Pada asasnya peranan Judea adalah untuk membantu memberikan lebih banyak struktur kepada data yang boleh dilakukan jika fail pesakit dipindahkan secara digital ke dalam pangkalan data. Kerja Pearl agak kompleks jadi jika anda ingin memahami lebih lanjut apakah "alat" beliau tekan di sini.

Hasrat Max

Welling diringkaskan pada akhir beliau TEDX Talk bahawa dia mahu mengekalkan privasi melalui pelajar mesin. Kedua, untuk melibatkan kanak-kanak bawah umur dan saintis data untuk meningkatkan lagi diagnosis untuk menjimatkan wang dan nyawa. Akhir sekali, beliau mahu merevolusikan penjagaan kesihatan dengan memberi perkhidmatan yang lebih baik kepada hospital, doktor dan pesakit melalui teknologi yang boleh membantu memendekkan lawatan ke hospital dan menggunakan wang dengan lebih cekap. Ini adalah visi yang indah tentang penjagaan kesihatan kerana dia bukan sahaja ingin menghormati industri perubatan, dia juga mahu membantu menyelamatkan nyawa sambil memikirkan bajet hospital dan pusat perubatan.