Watson ບໍ່ໄດ້ກັດຫມໍ, ແລະດີຫຼາຍ
ເນື້ອໃນ
ເຖິງແມ່ນວ່າ, ໃນຫຼາຍຂົງເຂດອື່ນໆ, ຄວາມກະຕືລືລົ້ນທີ່ຈະທົດແທນທ່ານຫມໍດ້ວຍ AI ໄດ້ຫຼຸດລົງເລັກນ້ອຍຫຼັງຈາກຄວາມລົ້ມເຫຼວຂອງການວິນິດໄສ, ວຽກງານການພັດທະນາຢາທີ່ໃຊ້ AI ຍັງຄົງສືບຕໍ່. ເນື່ອງຈາກວ່າ, ຢ່າງໃດກໍຕາມ, ພວກເຂົາເຈົ້າຍັງສະເຫນີໂອກາດທີ່ຍິ່ງໃຫຍ່ແລະໂອກາດເພື່ອປັບປຸງປະສິດທິພາບຂອງການດໍາເນີນງານໃນຫຼາຍຂົງເຂດຂອງຕົນ.
IBM ໄດ້ຖືກປະກາດໃນປີ 2015, ແລະໃນປີ 2016 ມັນໄດ້ຮັບການເຂົ້າເຖິງຂໍ້ມູນຈາກສີ່ບໍລິສັດຂໍ້ມູນຄົນເຈັບທີ່ສໍາຄັນ (1). ທີ່ມີຊື່ສຽງຫຼາຍທີ່ສຸດ, ຂໍຂອບໃຈກັບບົດລາຍງານສື່ມວນຊົນຈໍານວນຫລາຍ, ແລະໃນເວລາດຽວກັນໂຄງການທີ່ມີຄວາມທະເຍີທະຍານທີ່ສຸດໂດຍໃຊ້ປັນຍາປະດິດຂັ້ນສູງຈາກ IBM ແມ່ນກ່ຽວຂ້ອງກັບ oncology. ນັກວິທະຍາສາດໄດ້ພະຍາຍາມໃຊ້ຊັບພະຍາກອນອັນຫຼວງຫຼາຍເພື່ອປະມວນຜົນພວກມັນເພື່ອປ່ຽນເປັນການປິ່ນປົວຕ້ານມະເຮັງທີ່ປັບຕົວໄດ້ດີ. ເປົ້າໝາຍໄລຍະຍາວແມ່ນເພື່ອເອົາ Watson ເປັນຜູ້ຕັດສິນ ການທົດລອງທາງດ້ານການຊ່ວຍ ແລະຜົນໄດ້ຮັບຕາມທີ່ທ່ານຫມໍຈະ.
1. ຫນຶ່ງໃນສາຍຕາຂອງລະບົບການແພດ Watson Health
ຢ່າງໃດກໍຕາມ, ມັນໄດ້ຫັນອອກວ່າ watson ບໍ່ສາມາດອ້າງອີງເຖິງວັນນະຄະດີທາງການແພດຢ່າງເປັນເອກະລາດ, ແລະຍັງບໍ່ສາມາດສະກັດຂໍ້ມູນຈາກບັນທຶກທາງການແພດເອເລັກໂຕຣນິກຂອງຄົນເຈັບ. ຢ່າງໃດກໍຕາມ, ການກ່າວຫາທີ່ຮ້າຍແຮງທີ່ສຸດຕໍ່ລາວແມ່ນສິ່ງນັ້ນ ບໍ່ສາມາດປຽບທຽບຄົນເຈັບໃໝ່ໄດ້ຢ່າງມີປະສິດທິພາບກັບຄົນເຈັບມະເຮັງທີ່ສູງອາຍຸຄົນອື່ນໆ ແລະກວດພົບອາການທີ່ເບິ່ງບໍ່ເຫັນຢູ່ glance ທໍາອິດ.
ມີ, ຍອມຮັບ, ຜູ້ຊ່ຽວຊານດ້ານ oncologist ບາງຄົນທີ່ອ້າງວ່າມີຄວາມຫມັ້ນໃຈໃນການຕັດສິນຂອງລາວ, ເຖິງແມ່ນວ່າສ່ວນໃຫຍ່ແມ່ນຢູ່ໃນຄໍາແນະນໍາຂອງ Watson ສໍາລັບການປິ່ນປົວມາດຕະຖານຫຼືເປັນຄວາມຄິດເຫັນທາງການແພດເພີ່ມເຕີມ. ຫຼາຍຄົນໄດ້ຊີ້ໃຫ້ເຫັນວ່າລະບົບນີ້ຈະເປັນຫ້ອງສະຫມຸດອັດຕະໂນມັດທີ່ຍິ່ງໃຫຍ່ສໍາລັບແພດ.
ເປັນຜົນມາຈາກການທົບທວນທີ່ບໍ່ຫນ້າພໍໃຈຫຼາຍຈາກ IBM ບັນຫາກັບການຂາຍລະບົບ Watson ໃນສະຖາບັນການແພດຂອງສະຫະລັດ. ຜູ້ຕາງຫນ້າຝ່າຍຂາຍຂອງ IBM ສາມາດຂາຍມັນໃຫ້ກັບໂຮງຫມໍຈໍານວນຫນຶ່ງໃນປະເທດອິນເດຍ, ເກົາຫລີໃຕ້, ປະເທດໄທແລະປະເທດອື່ນໆ. ໃນປະເທດອິນເດຍ, ທ່ານຫມໍ () ໄດ້ປະເມີນຄໍາແນະນໍາຂອງ Watson ສໍາລັບ 638 ກໍລະນີຂອງມະເຮັງເຕົ້ານົມ. ອັດຕາການປະຕິບັດຕາມຄໍາແນະນໍາການປິ່ນປົວແມ່ນ 73%. ຮ້າຍແຮງກວ່າເກົ່າ watson ຫຼຸດລົງຢູ່ທີ່ສູນການແພດ Gachon ໃນເກົາຫຼີໃຕ້, ບ່ອນທີ່ຄໍາແນະນໍາທີ່ດີທີ່ສຸດຂອງລາວສໍາລັບຄົນເຈັບມະເຮັງລໍາໃສ້ 656 ກົງກັບຄໍາແນະນໍາຂອງຜູ້ຊ່ຽວຊານພຽງແຕ່ 49 ສ່ວນຮ້ອຍຂອງເວລາ. ທ່ານຫມໍໄດ້ປະເມີນວ່າ Watson ເຮັດບໍ່ດີກັບຄົນເຈັບຜູ້ສູງອາຍຸໂດຍບໍ່ມີການສະເຫນີຢາມາດຕະຖານທີ່ແນ່ນອນໃຫ້ເຂົາເຈົ້າ, ແລະເຮັດໃຫ້ຄວາມຜິດພາດທີ່ສໍາຄັນຂອງການດໍາເນີນການເຝົ້າລະວັງການປິ່ນປົວຮຸກຮານສໍາລັບຄົນເຈັບບາງພະຍາດ metastatic.
ໃນທີ່ສຸດ, ເຖິງແມ່ນວ່າວຽກງານຂອງລາວເປັນນັກວິນິດໄສແລະແພດໄດ້ຖືກພິຈາລະນາວ່າບໍ່ປະສົບຜົນສໍາເລັດ, ມີພື້ນທີ່ທີ່ລາວໄດ້ພິສູດວ່າເປັນປະໂຫຍດທີ່ສຸດ. ຜະລິດຕະພັນ Watson ສໍາລັບ Genomics, ເຊິ່ງໄດ້ຖືກພັດທະນາໂດຍການຮ່ວມມືກັບມະຫາວິທະຍາໄລ North Carolina, ມະຫາວິທະຍາໄລ Yale, ແລະສະຖາບັນອື່ນໆ, ຖືກນໍາໃຊ້ ຫ້ອງທົດລອງພັນທຸກໍາສໍາລັບການກະກຽມບົດລາຍງານສໍາລັບ oncologists. Watson ດາວໂຫຼດໄຟລ໌ລາຍຊື່ ການກາຍພັນທາງພັນທຸກໍາ ໃນຄົນເຈັບແລະສາມາດສ້າງບົດລາຍງານໃນນາທີທີ່ປະກອບມີຄໍາແນະນໍາສໍາລັບຢາທີ່ສໍາຄັນທັງຫມົດແລະການທົດລອງທາງດ້ານການຊ່ວຍ. Watson ຈັດການຂໍ້ມູນພັນທຸກໍາດ້ວຍຄວາມສະດວກສະບາຍເນື່ອງຈາກວ່າພວກມັນຖືກນໍາສະເຫນີໃນໄຟລ໌ທີ່ມີໂຄງສ້າງແລະບໍ່ມີຄວາມຊັດເຈນ - ບໍ່ວ່າຈະມີການກາຍພັນຫຼືບໍ່ມີການກາຍພັນ.
ຄູ່ຮ່ວມງານຂອງ IBM ຢູ່ມະຫາວິທະຍາໄລ North Carolina ໄດ້ເຜີຍແຜ່ເອກະສານກ່ຽວກັບປະສິດທິພາບໃນປີ 2017. Watson ພົບເຫັນການກາຍພັນທີ່ສໍາຄັນທີ່ບໍ່ໄດ້ຖືກກໍານົດໂດຍການສຶກສາຂອງມະນຸດໃນ 32% ຂອງພວກເຂົາ. ຄົນເຈັບໄດ້ສຶກສາ, ເຮັດໃຫ້ພວກເຂົາເປັນຜູ້ສະຫມັກທີ່ດີສໍາລັບຢາໃຫມ່. ຢ່າງໃດກໍ່ຕາມ, ຍັງບໍ່ທັນມີຫຼັກຖານໃດໆວ່າການນໍາໃຊ້ນໍາໄປສູ່ຜົນໄດ້ຮັບການປິ່ນປົວທີ່ດີກວ່າ.
ການຜະລິດໂປຣຕີນ
ນີ້ແລະຕົວຢ່າງອື່ນໆຈໍານວນຫຼາຍປະກອບສ່ວນເຂົ້າໃນຄວາມເຊື່ອທີ່ເພີ່ມຂຶ້ນວ່າການຂາດດຸນການດູແລສຸຂະພາບທັງຫມົດແມ່ນໄດ້ຖືກແກ້ໄຂ, ແຕ່ພວກເຮົາຈໍາເປັນຕ້ອງຊອກຫາພື້ນທີ່ທີ່ສາມາດຊ່ວຍໄດ້ຢ່າງແທ້ຈິງ, ເພາະວ່າປະຊາຊົນເຮັດບໍ່ດີຢູ່ທີ່ນັ້ນ. ພາກສະຫນາມດັ່ງກ່າວແມ່ນ, ສໍາລັບການຍົກຕົວຢ່າງ, ການຄົ້ນຄວ້າທາດໂປຼຕີນ. ໃນປີກາຍນີ້, ຂໍ້ມູນປະກົດວ່າມັນສາມາດຄາດຄະເນໄດ້ຢ່າງຖືກຕ້ອງກ່ຽວກັບຮູບຮ່າງຂອງທາດໂປຼຕີນໂດຍອີງໃສ່ລໍາດັບ (2). ນີ້ແມ່ນວຽກງານແບບດັ້ງເດີມ, ນອກເຫນືອຈາກພະລັງງານຂອງບໍ່ພຽງແຕ່ຄົນ, ແຕ່ເຖິງແມ່ນວ່າຄອມພິວເຕີທີ່ມີປະສິດທິພາບ. ຖ້າພວກເຮົາສ້າງແບບຈໍາລອງທີ່ຊັດເຈນຂອງການບິດຂອງໂມເລກຸນທາດໂປຼຕີນ, ມັນຈະມີໂອກາດອັນໃຫຍ່ຫຼວງສໍາລັບການປິ່ນປົວດ້ວຍ gene. ນັກວິທະຍາສາດຫວັງວ່າດ້ວຍການຊ່ວຍເຫຼືອຂອງ AlphaFold ພວກເຮົາຈະສຶກສາຫນ້າທີ່ຂອງພັນໆຄົນ, ແລະນີ້, ແລະເຮັດໃຫ້ພວກເຮົາເຂົ້າໃຈສາເຫດຂອງພະຍາດຈໍານວນຫຼາຍ.
ຮູບທີ 2. ການບິດຕົວຂອງທາດໂປຼຕີນຈາກ DeepMind's AlphaFold.
ໃນປັດຈຸບັນ ພວກເຮົາຮູ້ຈັກສອງຮ້ອຍລ້ານໂປຣຕີນ, ແຕ່ພວກເຮົາເຂົ້າໃຈຢ່າງເຕັມສ່ວນໂຄງສ້າງແລະຫນ້າທີ່ຂອງສ່ວນນ້ອຍໆຂອງພວກເຂົາ. ທາດໂປຼຕີນ ມັນເປັນຕົວສ້າງພື້ນຖານຂອງສິ່ງມີຊີວິດ. ພວກເຂົາເຈົ້າມີຄວາມຮັບຜິດຊອບສໍາລັບຂະບວນການສ່ວນໃຫຍ່ທີ່ເກີດຂຶ້ນໃນຈຸລັງ. ວິທີການເຮັດວຽກແລະສິ່ງທີ່ພວກເຂົາເຮັດແມ່ນຖືກກໍານົດໂດຍໂຄງສ້າງ 50D ຂອງພວກເຂົາ. ພວກເຂົາເອົາຮູບແບບທີ່ເຫມາະສົມໂດຍບໍ່ມີຄໍາແນະນໍາໃດໆ, ນໍາພາໂດຍກົດຫມາຍຂອງຟີຊິກ. ສໍາລັບທົດສະວັດ, ວິທີການທົດລອງແມ່ນວິທີການຕົ້ນຕໍສໍາລັບການກໍານົດຮູບຮ່າງຂອງທາດໂປຼຕີນ. ໃນ XNUMXs, ການນໍາໃຊ້ ວິທີການ X-ray crystallographic. ໃນທົດສະວັດທີ່ຜ່ານມາ, ມັນໄດ້ກາຍເປັນເຄື່ອງມືຄົ້ນຄ້ວາທາງເລືອກ. ກ້ອງຈຸລະທັດໄປເຊຍກັນ. ໃນຊຸມປີ 80 ແລະ 90, ການເຮັດວຽກໄດ້ເລີ່ມຕົ້ນໃນການນໍາໃຊ້ຄອມພິວເຕີເພື່ອກໍານົດຮູບຮ່າງຂອງທາດໂປຼຕີນ. ຢ່າງໃດກໍຕາມ, ຜົນໄດ້ຮັບຍັງບໍ່ພໍໃຈນັກວິທະຍາສາດ. ວິທີການທີ່ເຮັດວຽກສໍາລັບທາດໂປຼຕີນບາງຢ່າງບໍ່ໄດ້ເຮັດວຽກສໍາລັບຄົນອື່ນ.
ແລ້ວໃນປີ 2018 AlphaFold ໄດ້ຮັບການຍອມຮັບຈາກຜູ້ຊ່ຽວຊານໃນ ການສ້າງແບບຈໍາລອງທາດໂປຼຕີນ. ຢ່າງໃດກໍຕາມ, ໃນເວລານັ້ນມັນໃຊ້ວິທີການທີ່ຄ້າຍຄືກັນກັບໂຄງການອື່ນໆ. ນັກວິທະຍາສາດໄດ້ປ່ຽນກົນລະຍຸດແລະສ້າງອີກອັນຫນຶ່ງ, ເຊິ່ງຍັງໃຊ້ຂໍ້ມູນກ່ຽວກັບຂໍ້ຈໍາກັດທາງດ້ານຮ່າງກາຍແລະເລຂາຄະນິດໃນການພັບຂອງໂມເລກຸນທາດໂປຼຕີນ. AlphaFold ໃຫ້ຜົນໄດ້ຮັບທີ່ບໍ່ສະເຫມີພາບ. ບາງຄັ້ງລາວເຮັດໄດ້ດີກວ່າ, ບາງຄັ້ງກໍ່ຮ້າຍແຮງກວ່າເກົ່າ. ແຕ່ເກືອບສອງສ່ວນສາມຂອງການຄາດຄະເນຂອງລາວກົງກັນກັບຜົນໄດ້ຮັບທີ່ໄດ້ຮັບໂດຍວິທີການທົດລອງ. ໃນຕອນຕົ້ນຂອງປີ 2, ສູດການຄິດໄລ່ໄດ້ອະທິບາຍໂຄງສ້າງຂອງທາດໂປຼຕີນຈໍານວນຫນຶ່ງຂອງເຊື້ອໄວຣັສ SARS-CoV-3. ຕໍ່ມາ, ມັນໄດ້ຖືກພົບເຫັນວ່າການຄາດຄະເນສໍາລັບທາດໂປຼຕີນຈາກ Orf2020a ແມ່ນສອດຄ່ອງກັບຜົນໄດ້ຮັບທີ່ໄດ້ຮັບການທົດລອງ.
ມັນບໍ່ພຽງແຕ່ກ່ຽວກັບການສຶກສາວິທີການພາຍໃນຂອງການພັບທາດໂປຼຕີນ, ແຕ່ຍັງກ່ຽວກັບການອອກແບບ. ນັກຄົ້ນຄວ້າຈາກການລິເລີ່ມ NIH BRAIN ໃຊ້ ການຮຽນຮູ້ເຄື່ອງຈັກ ພັດທະນາໂປຣຕີນທີ່ສາມາດຕິດຕາມລະດັບ serotonin ຂອງສະຫມອງໃນເວລາຈິງ. Serotonin ແມ່ນ neurochemical ທີ່ມີບົດບາດສໍາຄັນໃນວິທີການສະຫມອງຄວບຄຸມຄວາມຄິດແລະຄວາມຮູ້ສຶກຂອງພວກເຮົາ. ຕົວຢ່າງ, ຢາຕ້ານອາການຊຶມເສົ້າຈໍານວນຫຼາຍຖືກອອກແບບມາເພື່ອປ່ຽນສັນຍານ serotonin ທີ່ຖືກຖ່າຍທອດລະຫວ່າງ neurons. ໃນບົດຄວາມໃນວາລະສານ Cell, ນັກວິທະຍາສາດໄດ້ພັນລະນາວິທີການທີ່ເຂົາເຈົ້າໃຊ້ຂັ້ນສູງ ວິທີການວິສະວະກໍາພັນທຸກໍາ ປ່ຽນທາດໂປຼຕີນຈາກເຊື້ອແບັກທີເຣັຍເປັນເຄື່ອງມືຄົ້ນຄ້ວາໃຫມ່ທີ່ສາມາດຊ່ວຍຕິດຕາມການສົ່ງຕໍ່ serotonin ດ້ວຍຄວາມຖືກຕ້ອງສູງກວ່າວິທີການປະຈຸບັນ. ການທົດລອງທາງດ້ານການຊ່ວຍ, ສ່ວນຫຼາຍແມ່ນຢູ່ໃນຫນູ, ໄດ້ສະແດງໃຫ້ເຫັນວ່າເຊັນເຊີສາມາດກວດພົບການປ່ຽນແປງເລັກນ້ອຍໃນລະດັບ serotonin ຂອງສະຫມອງໃນເວລານອນ, ຄວາມຢ້ານກົວແລະການໂຕ້ຕອບທາງສັງຄົມ, ແລະທົດສອບປະສິດທິພາບຂອງຢາທາງຈິດໃຫມ່.
ການຕໍ່ສູ້ຕ້ານໂລກລະບາດບໍ່ໄດ້ປະສົບຜົນ ສຳ ເລັດສະ ເໝີ ໄປ
ຫຼັງຈາກທີ່ທັງຫມົດ, ນີ້ແມ່ນການລະບາດຄັ້ງທໍາອິດທີ່ພວກເຮົາຂຽນກ່ຽວກັບ MT. ຢ່າງໃດກໍຕາມ, ສໍາລັບຕົວຢ່າງ, ຖ້າພວກເຮົາສົນທະນາກ່ຽວກັບຂະບວນການພັດທະນາຂອງໂລກລະບາດ, ຫຼັງຈາກນັ້ນ, ໃນຂັ້ນຕອນທໍາອິດ, AI ເບິ່ງຄືວ່າເປັນຄວາມລົ້ມເຫລວ. ນັກວິຊາການໄດ້ຈົ່ມວ່າ ປັນຍາທຽມ ບໍ່ສາມາດຄາດເດົາໄດ້ຢ່າງຖືກຕ້ອງເຖິງຂອບເຂດຂອງການແຜ່ລະບາດຂອງໂຣກ coronavirus ໂດຍອີງໃສ່ຂໍ້ມູນຈາກການລະບາດທີ່ຜ່ານມາ. “ວິທີແກ້ໄຂເຫຼົ່ານີ້ເຮັດວຽກໄດ້ດີໃນບາງຂົງເຂດ, ເຊັ່ນການຮັບຮູ້ໃບໜ້າທີ່ມີຕາ ແລະຫູຈຳນວນໜຶ່ງ. ການລະບາດຂອງ SARS-CoV-2 ເຫຼົ່ານີ້ແມ່ນເຫດການທີ່ບໍ່ຮູ້ຈັກກ່ອນຫນ້ານີ້ແລະຕົວແປໃຫມ່ຈໍານວນຫຼາຍ, ດັ່ງນັ້ນປັນຍາປະດິດໂດຍອີງໃສ່ຂໍ້ມູນປະຫວັດສາດທີ່ໃຊ້ໃນການຝຶກອົບຮົມມັນບໍ່ເຮັດວຽກດີ. ໂລກລະບາດໄດ້ສະແດງໃຫ້ເຫັນວ່າພວກເຮົາຈໍາເປັນຕ້ອງຊອກຫາເຕັກໂນໂລຢີແລະວິທີການອື່ນໆ, "Maxim Fedorov ຈາກ Skoltech ກ່າວໃນເດືອນເມສາ 2020 ໃນຖະແຫຼງການຕໍ່ສື່ມວນຊົນລັດເຊຍ.
ເມື່ອເວລາຜ່ານໄປມີ ແນວໃດກໍ່ຕາມ algorithms ທີ່ເບິ່ງຄືວ່າຈະພິສູດໄດ້ຜົນປະໂຫຍດອັນໃຫຍ່ຫຼວງຂອງ AI ໃນການຕໍ່ສູ້ກັບ COVID-19. ນັກວິທະຍາສາດໃນສະຫະລັດໄດ້ພັດທະນາລະບົບໃນລະດູໃບໄມ້ປົ່ງຂອງປີ 2020 ເພື່ອຮັບຮູ້ລັກສະນະຂອງອາການໄອໃນຜູ້ທີ່ເປັນພະຍາດ COVID-19, ເຖິງແມ່ນວ່າພວກເຂົາບໍ່ມີອາການອື່ນກໍຕາມ.
ເມື່ອຢາວັກຊີນປະກົດຂຶ້ນ, ຄວາມຄິດດັ່ງກ່າວໄດ້ເກີດມາເພື່ອຊ່ວຍສັກຢາປ້ອງກັນປະຊາກອນ. ນາງສາມາດ, ສໍາລັບການຍົກຕົວຢ່າງ ຊ່ວຍເປັນຕົວແບບການຂົນສົ່ງ ແລະການຂົນສົ່ງຂອງວັກຊີນ. ທັງນີ້ໃນການກໍານົດປະຊາກອນຄວນໄດ້ຮັບການສັກຢາປ້ອງກັນກ່ອນເພື່ອຮັບມືກັບໂລກລະບາດໄວຂຶ້ນ. ມັນຍັງຈະຊ່ວຍໃຫ້ການຄາດຄະເນຄວາມຕ້ອງການແລະເພີ່ມປະສິດທິພາບໄລຍະເວລາແລະຄວາມໄວຂອງການສັກຢາປ້ອງກັນໂດຍການກໍານົດບັນຫາແລະຂໍ້ບົກຜ່ອງໃນການຂົນສົ່ງຢ່າງໄວວາ. ການປະສົມປະສານຂອງ algorithms ກັບການຕິດຕາມຄົງທີ່ຍັງສາມາດໃຫ້ຂໍ້ມູນຢ່າງໄວວາກ່ຽວກັບຜົນຂ້າງຄຽງທີ່ເປັນໄປໄດ້ແລະເຫດການສຸຂະພາບ.
ເຫຼົ່ານີ້ ລະບົບການນໍາໃຊ້ AI ໃນການເພີ່ມປະສິດທິພາບແລະການປັບປຸງການດູແລສຸຂະພາບແມ່ນເປັນທີ່ຮູ້ຈັກແລ້ວ. ຂໍ້ໄດ້ປຽບໃນການປະຕິບັດຂອງພວກເຂົາໄດ້ຮັບການຍົກຍ້ອງ; ຕົວຢ່າງ, ລະບົບການດູແລສຸຂະພາບທີ່ພັດທະນາໂດຍ Macro-Eyes ທີ່ມະຫາວິທະຍາໄລ Stanford ໃນສະຫະລັດ. ເຊັ່ນດຽວກັນກັບຫຼາຍໆສະຖາບັນການແພດອື່ນໆ, ບັນຫາແມ່ນການຂາດຄົນເຈັບທີ່ບໍ່ສະແດງການນັດຫມາຍ. Macro ຕາ ສ້າງລະບົບທີ່ສາມາດຄາດເດົາໄດ້ຢ່າງໝັ້ນໃຈວ່າຄົນເຈັບຄົນໃດທີ່ບໍ່ໜ້າຈະຢູ່ທີ່ນັ້ນ. ໃນບາງສະຖານະການ, ລາວຍັງສາມາດແນະນໍາເວລາທາງເລືອກແລະສະຖານທີ່ສໍາລັບຄລີນິກ, ເຊິ່ງຈະຊ່ວຍເພີ່ມໂອກາດຂອງຄົນເຈັບ. ຕໍ່ມາ, ເຕັກໂນໂລຊີທີ່ຄ້າຍຄືກັນໄດ້ຖືກນໍາໃຊ້ໃນສະຖານທີ່ຕ່າງໆຈາກ Arkansas ກັບໄນຈີເລຍໂດຍສະຫນັບສະຫນູນ, ໂດຍສະເພາະ, ອົງການສະຫະລັດເພື່ອການພັດທະນາສາກົນ i.
ໃນ Tanzania, Macro-Eyes ໄດ້ເຮັດວຽກກ່ຽວກັບໂຄງການທີ່ມີຈຸດປະສົງ ເພີ່ມອັດຕາການສັກຢາກັນພະຍາດໃຫ້ເດັກ. ຊອບແວໄດ້ວິເຄາະວ່າຢາວັກຊີນຈໍານວນເທົ່າໃດທີ່ຈໍາເປັນຕ້ອງຖືກສົ່ງໄປຫາສູນສັກຢາກັນພະຍາດ. ລາວຍັງສາມາດປະເມີນວ່າຄອບຄົວໃດທີ່ອາດຈະລັງເລທີ່ຈະສັກຢາວັກຊີນເດັກນ້ອຍຂອງເຂົາເຈົ້າ, ແຕ່ເຂົາເຈົ້າສາມາດໄດ້ຮັບການຊັກຊວນດ້ວຍການໂຕ້ຖຽງທີ່ເຫມາະສົມແລະສະຖານທີ່ຂອງສູນສັກຢາປ້ອງກັນໃນສະຖານທີ່ສະດວກ. ການນໍາໃຊ້ຊອບແວນີ້, ລັດຖະບານ Tanzanian ສາມາດເພີ່ມປະສິດທິພາບຂອງໂຄງການປ້ອງກັນຂອງຕົນໂດຍ 96%. ແລະຫຼຸດຜ່ອນສິ່ງເສດເຫຼືອຂອງວັກຊີນໃຫ້ 2,42 ຕໍ່ 100 ຄົນ.
ໃນ Sierra Leone, ບ່ອນທີ່ຂໍ້ມູນສຸຂະພາບຂອງປະຊາຊົນຂາດຫາຍໄປ, ບໍລິສັດໄດ້ພະຍາຍາມຈັບຄູ່ນີ້ກັບຂໍ້ມູນກ່ຽວກັບການສຶກສາ. ມັນໄດ້ຫັນອອກວ່າຈໍານວນຄູສອນແລະນັກຮຽນຂອງພວກເຂົາຢ່າງດຽວແມ່ນພຽງພໍທີ່ຈະຄາດຄະເນ 70 ສ່ວນຮ້ອຍ. ຄວາມຖືກຕ້ອງວ່າຄລີນິກທ້ອງຖີ່ນມີການເຂົ້າເຖິງນໍ້າສະອາດຫຼືບໍ່, ເຊິ່ງເປັນຮ່ອງຮອຍຂອງຂໍ້ມູນສຸຂະພາບຂອງປະຊາຊົນທີ່ອາໄສຢູ່ນັ້ນ (3).
3. ຮູບແຕ້ມ Macro-Eyes ຂອງໂຄງການດູແລສຸຂະພາບທີ່ຂັບເຄື່ອນດ້ວຍ AI ໃນອາຟຣິກາ.
myth ຂອງທ່ານຫມໍເຄື່ອງຈັກບໍ່ໄດ້ຫາຍໄປ
ເຖິງວ່າຈະມີຄວາມລົ້ມເຫລວ Watson ວິທີການວິນິດໄສໃຫມ່ຍັງຖືກພັດທະນາແລະຖືວ່າມີຄວາມກ້າວຫນ້າຫຼາຍກວ່າເກົ່າ. ການປຽບທຽບທີ່ເຮັດໃນສວີເດນໃນເດືອນກັນຍາ 2020. ໃຊ້ໃນຮູບພາບການວິນິດໄສຂອງມະເຮັງເຕົ້ານົມ ສະແດງໃຫ້ເຫັນວ່າສິ່ງທີ່ດີທີ່ສຸດຂອງພວກເຂົາເຮັດວຽກໃນລັກສະນະດຽວກັນກັບ radiologist. ສູດການຄິດໄລ່ໄດ້ຖືກທົດສອບໂດຍໃຊ້ເກືອບເກົ້າພັນຮູບ mammographic ທີ່ໄດ້ຮັບໃນລະຫວ່າງການກວດແບບປົກກະຕິ. ສາມລະບົບ, ກໍານົດເປັນ AI-1, AI-2 ແລະ AI-3, ບັນລຸຄວາມຖືກຕ້ອງຂອງ 81,9%, 67%. ແລະ 67,4%. ສໍາລັບການປຽບທຽບ, ສໍາລັບ radiologists ທີ່ຕີຄວາມຫມາຍຮູບພາບເຫຼົ່ານີ້ເປັນຄັ້ງທໍາອິດ, ຕົວເລກນີ້ແມ່ນ 77,4%, ແລະໃນກໍລະນີຂອງ. ແພດສາດຜູ້ທີ່ເປັນທີສອງທີ່ຈະອະທິບາຍມັນ, ມັນແມ່ນ 80,1 ສ່ວນຮ້ອຍ. ທີ່ດີທີ່ສຸດຂອງສູດການຄິດໄລ່ຍັງສາມາດກວດພົບກໍລະນີທີ່ radiologists ພາດໃນລະຫວ່າງການກວດ, ແລະແມ່ຍິງໄດ້ຖືກວິນິດໄສວ່າເຈັບປ່ວຍໃນເວລາຫນ້ອຍກວ່າຫນຶ່ງປີ.
ອີງຕາມນັກຄົ້ນຄວ້າ, ຜົນໄດ້ຮັບເຫຼົ່ານີ້ພິສູດວ່າ ສູດການຄິດໄລ່ທາງປັນຍາທຽມ ຊ່ວຍແກ້ໄຂການກວດຫາທາງລົບທີ່ບໍ່ຖືກຕ້ອງໂດຍນັກລັງສີ. ການລວມເອົາຄວາມສາມາດຂອງ AI-1 ກັບ radiologist ໂດຍສະເລ່ຍໄດ້ເພີ່ມຈໍານວນຂອງມະເຮັງເຕົ້ານົມທີ່ກວດພົບໂດຍ 8%. ທີມງານຂອງ Royal Institute ທີ່ດໍາເນີນການສຶກສານີ້ຄາດວ່າຄຸນນະພາບຂອງ AI algorithms ຈະສືບຕໍ່ຂະຫຍາຍຕົວ. ຄໍາອະທິບາຍຢ່າງເຕັມທີ່ຂອງການທົດລອງໄດ້ຖືກຈັດພີມມາຢູ່ໃນ JAMA Oncology.
W ໃນລະດັບຫ້າຈຸດ. ໃນປັດຈຸບັນ, ພວກເຮົາກໍາລັງເຫັນການເລັ່ງດ້ານເຕັກໂນໂລຢີທີ່ສໍາຄັນແລະເຖິງລະດັບ IV (ອັດຕະໂນມັດສູງ), ເມື່ອລະບົບອັດຕະໂນມັດປະມວນຜົນຂໍ້ມູນທີ່ໄດ້ຮັບແລະໃຫ້ຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນກ່ອນການວິເຄາະ. ນີ້ຊ່ວຍປະຢັດເວລາ, ຫຼີກເວັ້ນຄວາມຜິດພາດຂອງມະນຸດແລະສະຫນອງການດູແລຄົນເຈັບທີ່ມີປະສິດທິພາບຫຼາຍຂຶ້ນ. ນັ້ນແມ່ນສິ່ງທີ່ລາວໄດ້ຕັດສິນສອງສາມເດືອນກ່ອນຫນ້ານີ້ Stan A.I. ໃນຂະແຫນງການຢາທີ່ໃກ້ຊິດກັບພຣະອົງ, prof. Janusz Braziewicz ຈາກສະມາຄົມການແພດນິວເຄຼຍຂອງໂປແລນໃນຖະແຫຼງການຕໍ່ອົງການຂ່າວໂປແລນ.
4. ເຄື່ອງເບິ່ງຮູບພາບທາງການແພດ
ສູດການຄິດໄລ່, ອີງຕາມຜູ້ຊ່ຽວຊານເຊັ່ນ prof. Brazievichເຖິງແມ່ນວ່າສິ່ງທີ່ຂາດບໍ່ໄດ້ໃນອຸດສາຫະກໍານີ້. ເຫດຜົນແມ່ນການເພີ່ມຂື້ນຢ່າງໄວວາຂອງຈໍານວນການທົດສອບການວິນິດໄສ. ສະເພາະແຕ່ປີ 2000-2010 ເທົ່ານັ້ນ. ຈໍານວນຂອງການກວດສອບ MRI ແລະການກວດສອບໄດ້ເພີ່ມຂຶ້ນສິບເທົ່າ. ແຕ່ຫນ້າເສຍດາຍ, ຈໍານວນແພດຊ່ຽວຊານທີ່ມີຢູ່ທີ່ສາມາດປະຕິບັດພວກມັນໄດ້ໄວແລະເຊື່ອຖືໄດ້ບໍ່ໄດ້ເພີ່ມຂຶ້ນ. ຍັງຂາດແຄນນັກວິຊາການທີ່ມີຄຸນວຸດທິ. ການປະຕິບັດລະບົບ AI-based algorithms ຊ່ວຍປະຫຍັດເວລາແລະອະນຸຍາດໃຫ້ມີມາດຕະຖານຢ່າງເຕັມທີ່ຂອງຂັ້ນຕອນ, ເຊັ່ນດຽວກັນກັບການຫຼີກເວັ້ນຄວາມຜິດພາດຂອງມະນຸດແລະປະສິດທິພາບຫຼາຍ, ການປິ່ນປົວສ່ວນບຸກຄົນສໍາລັບຄົນເຈັບ.
ຍ້ອນວ່າມັນຫັນອອກ, ຍັງ ແພດສາດ ສາມາດໄດ້ຮັບຜົນປະໂຫຍດຈາກ ການພັດທະນາຂອງປັນຍາປະດິດ. ຜູ້ຊ່ຽວຊານໃນດ້ານນີ້ສາມາດກໍານົດເວລາທີ່ແນ່ນອນຂອງຜູ້ຕາຍໂດຍການວິເຄາະທາງເຄມີຂອງຄວາມລັບຂອງແມ່ທ້ອງແລະສັດອື່ນໆທີ່ລ້ຽງເນື້ອເຍື່ອຕາຍ. ບັນຫາເກີດຂື້ນໃນເວລາທີ່ປະສົມຂອງຄວາມລັບຈາກປະເພດຕ່າງໆຂອງ necrophages ຖືກລວມເຂົ້າໃນການວິເຄາະ. ນີ້ແມ່ນບ່ອນທີ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກເຂົ້າມາ. ນັກວິທະຍາສາດຢູ່ມະຫາວິທະຍາໄລ Albany ໄດ້ພັດທະນາ ວິທີການທາງປັນຍາທຽມທີ່ຊ່ວຍໃຫ້ການກໍານົດຊະນິດຂອງແມ່ທ້ອງໄດ້ໄວຂຶ້ນ ອີງໃສ່ "ລາຍນິ້ວມືເຄມີ". ທີມງານໄດ້ຝຶກອົບຮົມໂຄງການຄອມພິວເຕີຂອງພວກເຂົາໂດຍນໍາໃຊ້ການປະສົມຂອງສານສະກັດຈາກສານເຄມີຕ່າງໆຈາກ XNUMX ຊະນິດຂອງແມງວັນ. ລາວໄດ້ຖອດລະຫັດລາຍເຊັນທາງເຄມີຂອງຕົວອ່ອນຂອງແມງໄມ້ໂດຍໃຊ້ spectrometry ມະຫາຊົນ, ເຊິ່ງກໍານົດສານເຄມີໂດຍການວັດແທກອັດຕາສ່ວນຂອງມະຫາຊົນຕໍ່ກັບຄ່າໄຟຟ້າຂອງ ion ໄດ້ຢ່າງຖືກຕ້ອງ.
ດັ່ງນັ້ນ, ຕາມທີ່ທ່ານສາມາດເຫັນໄດ້, ຢ່າງໃດກໍຕາມ AI ເປັນນັກສືບສືບສວນ ບໍ່ດີຫຼາຍ, ມັນສາມາດເປັນປະໂຫຍດຫຼາຍໃນຫ້ອງທົດລອງ forensic. ບາງທີພວກເຮົາຄາດຫວັງຫຼາຍເກີນໄປຈາກນາງໃນຂັ້ນຕອນນີ້, ຄາດວ່າ algorithms ທີ່ຈະເຮັດໃຫ້ທ່ານຫມໍອອກຈາກວຽກ (5). ເມື່ອພວກເຮົາເບິ່ງ ປັນຍາທຽມ ຕົວຈິງແລ້ວ, ສຸມໃສ່ຜົນປະໂຫຍດດ້ານການປະຕິບັດສະເພາະຫຼາຍກ່ວາທົ່ວໄປ, ອາຊີບຂອງຢາປົວພະຍາດເບິ່ງຄືວ່າມີແນວໂນ້ມຫຼາຍອີກເທື່ອຫນຶ່ງ.
5. ວິໄສທັດຂອງລົດຂອງທ່ານຫມໍ
