Maaari ba tayong lumikha ng isang mundo na walang sakit?

Posible bang magkaroon ng mundong walang sakit? Ang sakit ay isang salitang karamihan (kung hindi lahat) ng mga tao ay hindi komportable sa pandinig kapag sila o ang isang taong kilala nila ay mayroon nito. Sa kabutihang-palad, Max Welling, isang propesor ng machine learning sa University of Amsterdam at miyembro ng Canadian Institute of Advanced na pananaliksik, at ang kanyang pangkat ng mga negosyante ay lumikha ng isang sistema ng pagsusuri ng data para sa pagsusuri ng mga sakit para sa mga pasyente. Nakakatuwang katotohanan: Siya ang namamahala sa AMLAB (Amsterdam Machine Learning LAB) at co-direct sa QUVA Lab (Qualcomm-UvA Lab). Dito makikita natin kung paano gumawa ang kahanga-hangang taong ito at ang kanyang pangkat ng mga negosyante (Cynthia Dwork, Geoffrey Hinton at Judea Pearl) ng ilang hindi kapani-paniwalang mga tagumpay upang alisin ang sakit sa mundo.

Mga alalahanin ni Max Welling

Ang ilan sa mga katotohanang itinuro ni Welling sa kanyang TEDx talk ay nagdudulot ng pansin sa katotohanang may mga pagkakataong maaaring may hindi nakuha ang isang doktor sa panahon ng diagnosis ng isang pasyente. Halimbawa, sinabi niya na "kalahati ng mga medikal na pamamaraan ay walang humihingi ng siyentipikong ebidensya." Ang diagnosis na iyon ay pangunahing ginagawa sa pamamagitan ng kanilang sariling kasanayan at kaalaman na nakuha sa paaralan, samantalang sinasabi ni Max na dapat mayroong ilang anyo ng analytical prognosis patungo sa iba pang posibleng mga sakit. Ipinaliwanag pa niya na maaaring ma-misdiagnose ang ilang pasyente at mauuwi sa ospital, kung saan tinukoy niya na 8 beses silang mas malamang na mamatay. Ang pinaka nakakaintriga ay ito ay isang isyu na palaging umiiral. Ang dahilan ay kasing simple ng mga pagkakamali na dapat gawin na sa kasamaang-palad ay maaaring magdulot ng buhay ng isang tao o ilang tao. Hindi lamang iyon, gaya ng sabi ni Welling, mayroong 230 milyong medikal na pamamaraan bawat taon na nagkakahalaga ng kalahating trilyong dolyar. Tulad ng anumang industriya na sumusubok na magbigay ng serbisyo upang makatulong sa iba, nagkakahalaga ito ng pera; Bukod dito, nangangahulugan ito na ang mga ospital at ang mga namamahala sa pagpopondo sa mga medikal na sentro ay kailangang makinig sa mga innovator na sinusubukang isulong ang industriya sa isang mas mahusay na direksyon. Gayunpaman, ang pagiging matipid ay palaging kapaki-pakinabang.

Pagpapanatili ng Privacy

Sinabi ni Welling na siya at ang kanyang koponan ay nakagawa ng 3 tagumpay. Isa sa mga ito ay isang computer na maaaring mapanatili ang privacy sa loob ng isang ospital; bukod pa rito, maaari ding pag-aralan ng mga computer ang napakaraming data upang higit pang mapabuti ang diagnosis para sa mga pasyenteng medyo may sakit. Ang software na ito ay pinangalanan Machine Learner. Sa pangkalahatan, ang computer ay nagpapadala ng query sa database ng ospital, na sumasagot sa query pagkatapos ay babaguhin ng machine learner ang sagot sa pamamagitan ng "pagdaragdag ng ilang ingay dito." Para sa karagdagang detalye mangyaring pindutin dito (Ipinaliwanag ito ni Max Welling nang mas malapit sa pagitan ng minuto 5:20 – 6:06). Sa madaling salita, tulad ng ipinaliwanag ni Max, nais ng computer na "mas mahusay ang sarili" sa pamamagitan ng diagnosis at "bumuo ng isang mas mahusay na modelo ng data". Ang lahat ng ito ay salamat sa Cynthia Dwork, na isang kilalang siyentipiko mula sa Microsoft Research. Nakatuon siya sa pagpapanatili ng privacy batay sa isang mathematical na pundasyon. Para sa higit pa tungkol sa kanya at sa kanyang nagawa, pindutin dito. Sa madaling salita, ang unang tagumpay na ito ay hindi lamang nagpapakita na nais ni Max na maging magalang sa personal na impormasyon ng mga pasyente ngunit nais ding magbigay ng mas matatag na pundasyon para sa pagsusuri sa mga ospital.

Malalim na Pag-aaral

Ang pangalawang tagumpay ay inihayag ni Geoffrey Hinton. Yann Lecun, Yoshua Bengio at Geoffrey Ipinaliwanag na: "Natuklasan ng malalim na pag-aaral ang masalimuot na istraktura sa malalaking set ng data sa pamamagitan ng paggamit ng backpropagation algorithm upang ipahiwatig kung paano dapat baguhin ng isang makina ang mga panloob na parameter nito na ginagamit upang kalkulahin ang representasyon sa bawat layer mula sa representasyon sa nakaraang layer." Sa mga karaniwang termino, tinutulungan nito ang isang makina na mas maunawaan ang sarili nito sa pamamagitan ng mga kumplikadong layer nito sa pamamagitan ng pinakamalalim na mga parameter nito (para sa karagdagang mga detalye mangyaring basahin ang natitirang pagsusuri na isinulat ng tatlong ginoo).

Sanhi kumpara sa Kaugnayan

Ang pangatlo at panghuling tagumpay ay higit pa sa isang collaborative na ideya upang higit pang pag-iba-ibahin ang causality mula sa correlation. Nararamdaman ni Max na makakatulong ang mga kasangkapan ni Judea Pearl na makilala ang dalawang konseptong ito at umayos ka. Ang pangunahing tungkulin ng Judea ay tumulong na magbigay ng higit pang istruktura sa data na maaaring gawin kung ang mga file ng pasyente ay inilipat nang digital sa isang database. Ang gawain ni Pearl ay medyo kumplikado kaya kung gusto mong higit na maunawaan kung ano ang kanyang "mga kasangkapan". pindutin dito.

Wish ni Max

Welling summarized sa dulo ng kanyang Usapang TEDX na gusto niyang mapanatili ang privacy sa pamamagitan ng machine learner. Pangalawa, upang makipag-ugnayan sa mga menor de edad at siyentipiko ng data upang higit pang mapabuti ang diagnosis upang makatipid ng pera at buhay. Panghuli, gusto niyang baguhin ang pangangalagang pangkalusugan sa pamamagitan ng mas mahusay na paglilingkod sa mga ospital, doktor, at pasyente sa pamamagitan ng teknolohiya na makakatulong na paikliin ang mga pagbisita sa ospital at mas mahusay na magamit ang pera. Ito ay isang magandang pananaw sa pangangalagang pangkalusugan dahil hindi lamang niya nais na maging magalang sa industriya ng medikal, nais din niyang tumulong sa pagliligtas ng mga buhay habang iniisip ang mga badyet ng mga ospital at medikal na sentro.