technológia

Az élet és a halál algoritmusai: hogyan lehet megérteni a mesterséges intelligenciát, amely gyógyítja az embereket?

Amikor a gép használatáról van szóképzés, leggyakrabban az orvosi területről beszélnek. És ez nem meglepő: hatalmas iparág, amely fenomenális mennyiségű adatot és bevételt generál, amelyben a technológiai fejlődés javíthatja vagy megmentheti több millió ember életét. Egy hét aligha telik el olyan tanulmány megjelenése nélkül, amely azt sugallja, hogy az algoritmusok hamarosan jobbak lesznek, mint a szakértők a tüdőgyulladás vagy az Alzheimer-kór - az összetett szervek betegségeinek - a szemtől a szívig - kimutatására. És minden erre megy, de ...

Zsúfolt kórházak és zsúfoltság problémáiAz egészségügyi személyzetet a közegészségügyi rendszerek mérgezik, és ez magasabb költségeket eredményez a magán egészségügyi rendszerek számára. És itt ismét az algoritmusok csábító megoldást kínálnak. Hányszor kell ténylegesen orvoshoz látogatni? Lehetséges-e ezeket a látogatásokat helyettesíteni egy intelligens csevegőbottal - amelyet fel lehet szerelni hordozható diagnosztikai tesztekkel a legújabb biotechnológiai fejlődés felhasználásával? A szükségtelen látogatások csökkenthetők, és a betegeket gyorsabban lehet diagnosztizálni és szakemberhez irányítani, anélkül, hogy meg kellene várni az első konzultációt.

Mint a mesterséges algoritmusoknálintelligencia, a cél nem az orvosok helyettesítése, hanem az, hogy eszközöket biztosítsanak számukra a munka napi vagy ismétlődő részeinek csökkentésére. Az AI-vel, amely percenként több ezer vizsgálatot képes megvizsgálni, a „unalmas rutin” a gépeken marad, és az orvosok a munka azon részeire összpontosíthatnak, amelyek összetett, finomabb, tapasztalati megítélését igénylik a legjobb kezelési módszerek és a betegek igényei szempontjából.

A tartalom

  • 1 Magas tét
  • 2 Túl sok szál szét a kibontásához
  • 3 Algoritmus értékelése
  • 4 Az egyensúly elérése

Magas tét

És mégis, mint az AI algoritmusoknál,ezek használatával kapcsolatos kockázatok vannak - még a rutinnak tartott feladatoknál is. A megmagyarázhatatlan döntéseket hozó fekete doboz algoritmusok problémái elég súlyosak, amikor megpróbálják megérteni, hogy miért nem volt lenyűgözve az automata chatbot toborzó az interjú során az ön története miatt. Egészségügyi kontextusban, ahol a döntések életre vagy halálra utalhatnak, az algoritmikus kudarc végzetes lehet.

A neurális hálózatok nagy munkát végezneknagy mennyiségű képzési adat és kapcsolatok létesítése, a mögöttes minták vagy a rendszer logika abszorpciója a lineáris algebra rejtett rétegeiben; függetlenül attól, hogy fényképeket észlel-e a bőrrákot, vagy ál-Shakespeare-írást tanít. Szörnyen magyarázzák a felfedezett kapcsolatok mögöttes logikáját: nem csak számok, hanem statisztikai „súlyok” a rétegek között. És nem tudják megkülönböztetni a korrelációt az okozati összefüggéstől.

Érdekes dilemmák vannak az orvosi szempontbólmunkások. A gyógyászat nagy adatainak álma az, hogy az idegi hálózatot „hatalmas mennyiségű egészségügyi adattal” bocsássák rendelkezésre, bonyolult, implicit kapcsolatokat találjanak, és egyedi értékeléseket végezzenek a betegek számára. Mi lenne, ha egy ilyen algoritmus indokolatlanul hatékonynak bizonyul egy egészségügyi állapot diagnosztizálásában vagy a kezelés felírásakor, de nincs tudományos ismerete arról, hogy ez a kapcsolat hogyan működik?

Túl sok szál szét a kibontásához

A statisztikai modellek, amelyek alapját képezikAz ilyen ideghálózatok gyakran azt feltételezik, hogy a változók függetlenek egymástól, de olyan összetett, kölcsönhatásban lévő rendszerben, mint az emberi test, ez nem mindig van így.

Bizonyos értelemben ez a közismert koncepcióorvostudomány - számos jelenség és kapcsolat létezik, amelyeket évtizedek óta megfigyelnek, de biológiai szinten még mindig kevésbé tanulmányozottak. A paracetamol az egyik legnépszerűbb fájdalomcsillapító, ám ennek hatásáról továbbra is folynak a viták. A gyakorlók bármilyen eszközt használhatnak, amely a leghatékonyabb, függetlenül attól, hogy mély tudományos megértésen alapul-e. A kvantummechanika koppenhágai értelmezésének rajongói ezt újrafogalmazhatják: „Fogd be és gyógyítsd meg!”

Természetesen ezen a területen vita folyik a következőkrőlazzal kockáztatunk, hogy ezzel a megközelítéssel elmulasztjuk a mélyebb megértés figyelmét, amely végül eredményesebbnek bizonyul - például új gyógyszerek keresésére.

A filozófiai összecsapások mellett gyakorlati problémák is vannak: ha nem érti, hogyan működik az orvosi algoritmus fekete doboza, hogyan kell megközelíteni a klinikai vizsgálatok és szabályozás kérdéseit?

Átláthatóságra lehet szükség.az algoritmus működéséről - az általa megtekintett adatokról, a küszöbértékekről, amelyek alapján következtetéseket von le vagy tanácsot ad, ám ez ellentmondhat a profitszerzési indítékoknak és az orvosi induló vállalkozások titoktartási igényének.

Az egyik megoldás kivétel lehetalgoritmusok, amelyek nem tudják megmagyarázni magukat, vagy amelyek nem támaszkodnak a jól megértett orvostudományra. De ez megakadályozhatja az embereket abban, hogy kihasználják az ilyen algoritmusok hasznos munkájának előnyeit.

Algoritmus értékelése

Új egészségügyi algoritmusok nemképes lesz megtenni azt, amit a fizikusok megtettek a kvantummechanikával, mert nem alkalmazzák őket a terepen. És sok algoritmust pontosan javítanak a terepen végzett munka révén. Hogyan válasszuk ki a legígéretesebb megközelítést?

Szabványosított klinikai rendszer létrehozásaA tesztelés és tesztelés, amelyek ugyanúgy vonatkoznak az algoritmusokra, amelyek eltérően működnek, vagy eltérő bemeneti adatokat használnak, nehéz feladat lesz. Klinikai vizsgálatok, amelyekben kis mintákat használnak, például olyan algoritmusokkal, amelyek megpróbálják személyre szabni az egyének kezelését, szintén bonyolultak lesznek. Kicsi mintákkal és a történõ rossz tudományos ismereteivel nem lehet meghatározni, hogy az algoritmus sikerült-e vagy összeomlik-e, mert általában jó lehet, de rossz példát mutathat.

Adj edzést ehhez a keverékhez, és a kép leszmég bonyolultabb. "Ennél is fontosabb, hogy az ideális fekete doboz algoritmus rugalmas és folyamatosan frissül, tehát a hagyományos klinikai vizsgálati modell nem megfelelő, mivel statikus termékre támaszkodik, amelyet következetesen ki kell értékelni."

Szüksége lesz az orvosi és klinikai vizsgálatok teljes rendszerének testreszabására.

Az egyensúly elérése

Az egészségügy története sok szempontból tükrözi a mesterséges intelligencia történetét. Nem véletlen, hogy az IBM megpróbálta megváltoztatni az egészségügyi ágazatot Watson mesterséges intelligenciájának felhasználásával.

Egyensúlyt kell találni. Meg kell találnunk egy módszert a nagy adatok feldolgozására, az ideghálózatok félelmetes erejének felhasználására és a gondolkodás automatizálására. Tisztában kell lennünk a problémamegoldás ezen megközelítésének hiányosságaival és előítéleteivel.

Ennek során üdvözölnünk kell ezeket a technológiákat,mivel hasznos kiegészítést jelentenek az emberek által nyújtható készségek, tudás és mélyebb megértés szempontjából. Az ideghálózathoz hasonlóan iparágainkat is ki kell képezni, és ki kell terjeszteni ezt az együttműködést a jövőben.

Egyetért? Beszéljünk a sajátunkban chat a telegramban.