Watson က ဆရာဝန်ကို မကိုက်ဘူး၊ အရမ်းကောင်းတယ်။

အခြားနယ်ပယ်များစွာတွင်ကဲ့သို့ပင် AI ဖြင့် ဆရာဝန်များကို အစားထိုးရန် စိတ်အားထက်သန်မှုသည် ရောဂါရှာဖွေမှုမအောင်မြင်ပြီးနောက် အနည်းငယ်လျော့သွားသော်လည်း AI အခြေခံဆေးပညာဆိုင်ရာ ဖွံ့ဖြိုးတိုးတက်မှုဆိုင်ရာ အလုပ်များကို ဆက်လက်လုပ်ဆောင်နေဆဲဖြစ်သည်။ မည်သို့ပင်ဆိုစေကာမူ၊ ၎င်းတို့သည် ကြီးမားသောအခွင့်အလမ်းများနှင့် ၎င်း၏နယ်ပယ်အများအပြားတွင် လုပ်ငန်းဆောင်ရွက်မှုများ၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် အခွင့်အလမ်းကောင်းများကို ပေးဆောင်နေဆဲဖြစ်သည်။

IBM သည် 2015 ခုနှစ်တွင်ကြေငြာခဲ့ပြီး 2016 ခုနှစ်တွင်၎င်းသည်အဓိကလူနာဒေတာကုမ္ပဏီလေးခု (1) ထံမှဒေတာများကိုဝင်ရောက်ခွင့်ရရှိခဲ့သည်။ များပြားလှသော မီဒီယာအစီရင်ခံမှုများကြောင့် အကျော်ကြားဆုံးဖြစ်ပြီး တစ်ချိန်တည်းတွင် IBM မှ အဆင့်မြင့်ဥာဏ်ရည်တုကို အသုံးပြုသည့် ရည်မှန်းချက်အရှိဆုံး ပရောဂျက်သည် ကင်ဆာရောဂါနှင့် ဆက်စပ်နေသည်။ သိပ္ပံပညာရှင်များသည် ၎င်းတို့ကို ကောင်းစွာလိုက်လျောညီထွေရှိသော ကင်ဆာရောဂါကုထုံးများအဖြစ်သို့ ပြောင်းလဲနိုင်ရန် များပြားလှသော ဒေတာအရင်းအမြစ်များကို အသုံးပြုရန် ကြိုးပမ်းနေပါသည်။ ရေရှည်ရည်မှန်းချက်မှာ Watson ကို ဒိုင်လူကြီးအဖြစ် ခံယူရန်ဖြစ်သည်။ လက်တွေ့စမ်းသပ်မှု ရလဒ်က ဆရာဝန်အလိုအတိုင်းပါပဲ။

1. Watson Health ဆေးဘက်ဆိုင်ရာစနစ်၏ စိတ်ကူးပုံဖော်ချက်များထဲမှ တစ်ခု

သို့သော်၊ ထိုသို့ဖြစ်ခဲ့သည်။ Watson ဆေးဘက်ဆိုင်ရာစာပေများကို အမှီအခိုကင်းစွာ ကိုးကား၍မရသည့်အပြင် လူနာများ၏ အီလက်ထရွန်နစ်ဆေးဘက်ဆိုင်ရာမှတ်တမ်းများမှ အချက်အလက်များကိုလည်း ထုတ်ယူ၍မရပါ။ သို့သော် သူ့အပေါ် အဆိုးရွားဆုံးသော စွဲချက်မှာ ထိုအရာဖြစ်သည်။ လူနာအသစ်ကို အခြားကင်ဆာလူနာဟောင်းများနှင့် ထိရောက်စွာ နှိုင်းယှဉ်ရန် ပျက်ကွက်ပြီး ပထမတစ်ချက်တွင် မမြင်နိုင်သော လက္ခဏာများကို ရှာဖွေတွေ့ရှိနိုင်သည်။.

အများအားဖြင့် Watson ၏စံကုသမှုများအတွက် အကြံပြုချက်များ သို့မဟုတ် အပိုဆောင်းဆေးဘက်ဆိုင်ရာထင်မြင်ချက်တစ်ခုအနေဖြင့်သော်လည်းကောင်း ၎င်း၏တရားစီရင်ခြင်းအပေါ် ယုံကြည်စိတ်ချမှုရှိသည်ဟု အခိုင်အမာဆိုခဲ့သော ကင်ဆာဗေဒပညာရှင်အချို့ရှိခဲ့ပါသည်။ ဤစနစ်သည် သမားတော်များအတွက် ကြီးကျယ်သော အလိုအလျောက် စာကြည့်တိုက်မှူး ဖြစ်လာမည်ဟု လူအများက ထောက်ပြကြသည်။

IBM မှ အလွန်ချော့မော့သော သုံးသပ်ချက်များကြောင့် ဖြစ်သည်။ US ဆေးဘက်ဆိုင်ရာအဖွဲ့အစည်းများတွင် Watson စနစ်ရောင်းချခြင်းနှင့်ပြဿနာများ. IBM အရောင်းကိုယ်စားလှယ်များသည် အိန္ဒိယ၊ တောင်ကိုရီးယား၊ ထိုင်းနှင့် အခြားနိုင်ငံများရှိ ဆေးရုံအချို့ထံ ရောင်းချနိုင်ခဲ့သည်။ အိန္ဒိယနိုင်ငံတွင် ရင်သားကင်ဆာဖြစ်ပွားမှု 638 ခုအတွက် Watson ၏ အကြံပြုချက်များကို ဆရာဝန်များက အကဲဖြတ်ခဲ့သည်။ ကုသမှုအကြံပြုချက်များအတွက် လိုက်နာမှုနှုန်းသည် 73% ဖြစ်သည်။ ပိုဆိုးတယ်။ Watson အူမကြီးကင်ဆာလူနာ ၆၅၆ ဦးအတွက် သူ့ရဲ့အကောင်းဆုံးအကြံပြုချက်ဟာ ကျွမ်းကျင်သူတွေရဲ့ ထောက်ခံချက် ၄၉ ရာခိုင်နှုန်းနဲ့ ကိုက်ညီတဲ့ တောင်ကိုရီးယားနိုင်ငံ Gachon Medical Center မှာ ထွက်ခဲ့ပါတယ်။ ဒါကို ဆရာဝန်တွေက အကဲဖြတ်တယ်။ Watson သည် သက်ကြီးလူနာများကို ကောင်းကောင်းမလုပ်နိုင်ပါ။အချို့သော စံဆေးဝါးများကို မပေးဆောင်ခြင်းဖြင့်၊ ပြင်းထန်သော ပြင်းထန်သော ကုသရေး စောင့်ကြည့်မှု ပြုလုပ်ခြင်း၏ အရေးကြီးသော အမှားကို ပြုလုပ်ခဲ့သည်။

အဆုံးစွန်အားဖြင့်၊ သူ၏ရောဂါရှာဖွေသူနှင့် သမားတော်တစ်ဦးအဖြစ် သူ၏အလုပ်သည် မအောင်မြင်ဟု မှတ်ယူသော်လည်း၊ သူအလွန်အသုံးဝင်ကြောင်း သက်သေပြခဲ့သော နယ်ပယ်များရှိပါသည်။ ထုတ်ကုန် Genomics အတွက် Watsonမြောက်ကာရိုလိုင်းနားတက္ကသိုလ်၊ ယေးလ်တက္ကသိုလ်နှင့် အခြားအဖွဲ့အစည်းများနှင့် ပူးပေါင်း၍ တီထွင်ထားသည့်အရာကို အသုံးပြုသည်။ ကင်ဆာရောဂါဗေဒ ပညာရှင်များအတွက် အစီရင်ခံစာများ ပြင်ဆင်ရန်အတွက် မျိုးရိုးဗီဇဓာတ်ခွဲခန်းများ. Watson သည် စာရင်းဖိုင်ကို ဒေါင်းလုဒ်လုပ်သည်။ မျိုးရိုးဗီဇပြောင်းလဲမှုများ လူနာတစ်ဦးတွင် အရေးကြီးသောဆေးဝါးများနှင့် လက်တွေ့စမ်းသပ်မှုများအတွက် အကြံပြုချက်များပါ၀င်သည့် မိနစ်ပိုင်းအတွင်း အစီရင်ခံစာကို ဖန်တီးနိုင်သည်။ Watson သည် မျိုးရိုးဗီဇဆိုင်ရာ အချက်အလက်များကို နှိုင်းရလွယ်ကူစွာဖြင့် ကိုင်တွယ်သည်။အဘယ်ကြောင့်ဆိုသော် ၎င်းတို့ကို တည်ဆောက်ထားသော ဖိုင်များတွင် တင်ပြထားပြီး ရှုပ်ထွေးမှုများ မပါဝင်သောကြောင့် - ဗီဇပြောင်းလဲခြင်း သို့မဟုတ် ဗီဇပြောင်းလဲမှု မရှိခြင်းတို့ကြောင့် ဖြစ်သည်။

မြောက်ကာရိုလိုင်းနားတက္ကသိုလ်မှ IBM မိတ်ဖက်များသည် 2017 ခုနှစ်တွင် ထိရောက်မှုဆိုင်ရာစာတမ်းကို ထုတ်ပြန်ခဲ့သည်။ Watson သည် ၎င်းတို့အနက်မှ ၃၂% တွင် လူသားလေ့လာမှုများက မဖော်ထုတ်နိုင်သော အရေးကြီးသော ဗီဇပြောင်းလဲမှုများကို တွေ့ရှိခဲ့သည်။ လူနာများကို လေ့လာခဲ့ပြီး ၎င်းတို့အား ဆေးအသစ်အတွက် ကိုယ်စားလှယ်ကောင်းများ ဖြစ်စေခဲ့သည်။ သို့သော်လည်း ပိုမိုကောင်းမွန်သော ကုသမှုရလဒ်များကို ဖြစ်ပေါ်စေသည့် အထောက်အထား မတွေ့ရှိရသေးပါ။

ပရိုတင်းဓာတ်ကို ထိန်းညှိပေးခြင်း

ဤအရာနှင့် အခြားဥပမာများစွာသည် ကျန်းမာရေးစောင့်ရှောက်မှုတွင် ချို့ယွင်းချက်အားလုံးကို ကိုင်တွယ်ဖြေရှင်းနေရသည်ဟု ယုံကြည်ချက်ကြီးထွားလာစေရန် အထောက်အကူဖြစ်စေသော်လည်း ၎င်းသည် အမှန်တကယ်ကူညီနိုင်သည့်နေရာများကို ရှာဖွေရန် လိုအပ်သည်၊ အကြောင်းမှာ ထိုနေရာတွင် လူများသည် အလွန်ကောင်းမွန်ခြင်းမရှိသောကြောင့်ဖြစ်သည်။ ဥပမာ နယ်ပယ်တစ်ခု၊ ပရိုတိန်းသုတေသန. ပြီးခဲ့သောနှစ်တွင် ပရိုတင်းများ၏ ပုံသဏ္ဍာန်ကို အတိအကျ ခန့်မှန်းနိုင်ခဲ့ကြောင်း သိရှိရသည်မှာ ၎င်းတို့၏ နံပါတ် (၂) ကို အခြေခံထားသည်။ ဤသည်မှာ လူများသာမက အစွမ်းထက်သော ကွန်ပျူတာများပင်လျှင် ရိုးရာအလုပ်တစ်ခုဖြစ်သည်။ ကျွန်ုပ်တို့သည် ပရိုတင်းမော်လီကျူးများ လှည့်ပတ်ခြင်း၏ တိကျသောပုံစံကို ကျွမ်းကျင်ပါက၊ မျိုးဗီဇကုထုံးအတွက် ကြီးမားသောအခွင့်အလမ်းများရှိလာမည်ဖြစ်သည်။ AlphaFold ၏အကူအညီဖြင့် ထောင်ပေါင်းများစွာသော လုပ်ငန်းဆောင်တာများကို ကျွန်ုပ်တို့ လေ့လာနိုင်မည်ဟု သိပ္ပံပညာရှင်များက မျှော်လင့်ထားပြီး ၎င်းသည် ရောဂါများစွာ၏အကြောင်းရင်းများကို နားလည်နိုင်စေမည်ဟု မျှော်လင့်ပါသည်။

ပုံ 2။ DeepMind ၏ AlphaFold ဖြင့် ပုံစံထုတ်ထားသော ပရိုတင်းလိမ်လှည့်ခြင်း။

အခုအချိန်မှာ ပရိုတင်း သန်းနှစ်ရာကို ငါတို့သိတယ်။ဒါပေမယ့် သူတို့ထဲက သေးငယ်တဲ့ အစိတ်အပိုင်းတစ်ခုရဲ့ ဖွဲ့စည်းပုံနဲ့ လုပ်ဆောင်မှုတွေကို ကျွန်ုပ်တို့ အပြည့်အဝ နားလည်ပါတယ်။ ပရိုတိန်း ၎င်းသည် သက်ရှိသက်ရှိများ၏ အခြေခံအဆောက်အဦများဖြစ်သည်။ ၎င်းတို့သည် ဆဲလ်များတွင် ဖြစ်ပေါ်သည့် ဖြစ်စဉ်အများစုအတွက် တာဝန်ရှိသည်။ သူတို့ ဘယ်လိုအလုပ်လုပ်သလဲ ဆိုတာကို သူတို့ရဲ့ 50D ဖွဲ့စည်းပုံက ဆုံးဖြတ်ပါတယ်။ ရူပဗေဒဥပဒေများဖြင့် လမ်းညွှန်ထားသည့် မည်သည့်ညွှန်ကြားချက်မှမပါဘဲ သင့်လျော်သောပုံစံကို ယူကြသည်။ ဆယ်စုနှစ်များစွာကြာ စမ်းသပ်မှုနည်းလမ်းများသည် ပရိုတင်းများ၏ပုံသဏ္ဍာန်ကို ဆုံးဖြတ်ရန်အတွက် အဓိကနည်းလမ်းဖြစ်ခဲ့သည်။ XNUMXs များတွင်အသုံးပြုသည်။ ဓာတ်မှန် ပုံဆောင်ခဲနည်းများ. ပြီးခဲ့သောဆယ်စုနှစ်များအတွင်း၊ ၎င်းသည် ရွေးချယ်စရာ သုတေသနကိရိယာ ဖြစ်လာခဲ့သည်။ crystal microscopy. 80s နှင့် 90s များတွင် ပရိုတင်းများ၏ ပုံသဏ္ဍာန်ကို ဆုံးဖြတ်ရန် ကွန်ပျူတာများကို အသုံးပြု၍ အလုပ်စတင်ခဲ့သည်။ သို့သော်လည်း ရလဒ်များသည် သိပ္ပံပညာရှင်များကို ကျေနပ်မှုမရှိသေးပေ။ အချို့သော ပရိုတင်းများအတွက် လုပ်ဆောင်သော နည်းလမ်းများသည် အခြားသူများအတွက် အလုပ်မဖြစ်ပါ။

2018 မှာ ဖြစ်နေပါပြီ။ မေြလိပ်စာ ကျွမ်းကျင်သူများထံမှ အသိအမှတ်ပြုမှု ရရှိခဲ့သည်။ ပရိုတိန်းမော်ဒယ်လ်. သို့သော် ထိုအချိန်က အခြားပရိုဂရမ်များနှင့် အလွန်ဆင်တူသော နည်းလမ်းများကို အသုံးပြုခဲ့သည်။ သိပ္ပံပညာရှင်များသည် နည်းဗျူဟာများကို ပြောင်းလဲကာ ပရိုတင်းမော်လီကျူးများကို ခေါက်ရာတွင် ရုပ်ပိုင်းဆိုင်ရာနှင့် ဂျီဩမေတြီဆိုင်ရာ ကန့်သတ်ချက်များဆိုင်ရာ အချက်အလက်များကိုလည်း အသုံးပြုကာ အခြားတစ်ခုကို ဖန်တီးခဲ့သည်။ မေြလိပ်စာ မညီမညာသောရလဒ်များပေးသည်။ တစ်ခါတလေ ပိုကောင်းအောင် လုပ်တယ်၊ တစ်ခါတလေ ပိုဆိုးတယ်။ ဒါပေမယ့် သူ့ရဲ့ခန့်မှန်းချက်တွေရဲ့ သုံးပုံနှစ်ပုံနီးပါးဟာ စမ်းသပ်နည်းတွေနဲ့ ရရှိတဲ့ရလဒ်တွေနဲ့ တိုက်ဆိုင်နေပါတယ်။ သက္ကရာဇ် 2 တွင်၊ အယ်လဂိုရီသမ်သည် SARS-CoV-3 ဗိုင်းရပ်စ်၏ပရိုတင်းများစွာ၏ဖွဲ့စည်းပုံကိုဖော်ပြခဲ့သည်။ နောက်ပိုင်းတွင်၊ Orf2020a ပရိုတင်းအတွက် ခန့်မှန်းချက်များသည် လက်တွေ့စမ်းသပ်ရရှိသောရလဒ်များနှင့် ကိုက်ညီကြောင်း တွေ့ရှိခဲ့သည်။

၎င်းသည် ပရိုတင်းခေါက်ခြင်း၏ အတွင်းပိုင်းနည်းလမ်းများကို လေ့လာရုံသာမက ဒီဇိုင်းအကြောင်းလည်း ဖြစ်သည်။ NIH BRAIN ပဏာမခြေလှမ်းမှ သုတေသီများ အသုံးပြုခဲ့သည်။ စက်သင်ယူမှု ဦးနှောက်ဆီရိုတိုနင်ပမာဏကို အချိန်နှင့်တပြေးညီ ခြေရာခံနိုင်သော ပရိုတင်းတစ်မျိုးကို ဖော်ထုတ်ပါ။ Serotonin သည် ကျွန်ုပ်တို့၏ အတွေးများနှင့် ခံစားချက်များကို ဦးနှောက်က ထိန်းချုပ်ရာတွင် အဓိက အခန်းကဏ္ဍမှ ပါဝင်သည့် အာရုံကြောဓာတုပစ္စည်းဖြစ်သည်။ ဥပမာအားဖြင့်၊ စိတ်ကျရောဂါ တိုက်ဖျက်ရေးဆေး အများအပြားသည် အာရုံကြောများကြားမှ ကူးစက်သည့် serotonin အချက်ပြမှုများကို ပြောင်းလဲရန် ဒီဇိုင်းထုတ်ထားသည်။ Cell ဂျာနယ်ပါ ဆောင်းပါးတစ်ပုဒ်တွင် သိပ္ပံပညာရှင်များသည် ၎င်းတို့ အဆင့်မြင့်အသုံးပြုပုံကို ဖော်ပြခဲ့သည်။ မျိုးရိုးဗီဇအင်ဂျင်နီယာနည်းများ ဘက်တီးရီးယားပရိုတင်းကို လက်ရှိနည်းလမ်းများထက် ပိုမိုတိကျသော serotonin ထုတ်လွှင့်မှုကို ခြေရာခံရန် ကူညီပေးမည့် သုတေသနကိရိယာအသစ်တစ်ခုအဖြစ် ပြောင်းလဲသည်။ ကြွက်များတွင် အများအားဖြင့် လက်တွေ့စမ်းသပ်ချက်များအရ အာရုံခံကိရိယာသည် အိပ်နေစဉ်အတွင်း ဦးနှောက်ဆီရိုတိုနင်အဆင့်၏ မသိမသာပြောင်းလဲမှုများကို ချက်ချင်းသိရှိနိုင်ပြီး စိတ်ဓာတ်တက်ကြွစေသော ဆေးဝါးအသစ်များ၏ ထိရောက်မှုကို စမ်းသပ်နိုင်ကြောင်း ပြသခဲ့သည်။

ကပ်ရောဂါကို တိုက်ဖျက်ရန် အမြဲတမ်း မအောင်မြင်ခဲ့ပါ။

ပြီးနောက်၊ ဤသည်မှာ MT တွင်ကျွန်ုပ်တို့ရေးသားခဲ့သောပထမဆုံးကပ်ရောဂါဖြစ်သည်။ သို့သော်လည်း ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် ကပ်ရောဂါ၏ ဖွံ့ဖြိုးတိုးတက်မှုဖြစ်စဉ်အကြောင်း ပြောဆိုပါက၊ ကနဦးအဆင့်တွင် AI သည် ရှုံးနိမ့်မှုတစ်ခုဟု ထင်ရသည်။ ပညာရှင်တွေက ဒါကို စောဒကတက်ကြတယ်။ ဉာဏ်ရည်တု ယခင်ကူးစက်ရောဂါများမှ အချက်အလက်များအပေါ်အခြေခံ၍ ကိုရိုနာဗိုင်းရပ်ပျံ့နှံ့မှုအတိုင်းအတာကို မှန်ကန်စွာခန့်မှန်း၍မရပါ။ “ဤဖြေရှင်းနည်းများသည် အချို့သောနေရာများတွင် ကောင်းစွာလုပ်ဆောင်နိုင်ပြီး၊ အချို့သောမျက်လုံးများနှင့် နားများရှိသော မျက်နှာများကို အသိအမှတ်ပြုခြင်းကဲ့သို့သော နယ်ပယ်များတွင် ကောင်းစွာလုပ်ဆောင်နိုင်သည်။ SARS-CoV-2 ကပ်ရောဂါ ၎င်းတို့သည် ယခင်က မသိရသေးသော ဖြစ်ရပ်များ နှင့် ပြောင်းလဲနိုင်သော အသစ်အဆန်းများ ဖြစ်သောကြောင့် လေ့ကျင့်ရန် အသုံးပြုခဲ့သည့် သမိုင်းဝင် အချက်အလက်များအပေါ် အခြေခံထားသော ဥာဏ်ရည်တုသည် ကောင်းစွာ အလုပ်မလုပ်ပါ။ ကပ်ရောဂါသည်ကျွန်ုပ်တို့သည်အခြားနည်းပညာများနှင့်ချဉ်းကပ်မှုများကိုရှာဖွေရန်လိုအပ်ကြောင်းပြသခဲ့သည်” ဟု Skoltech မှ Maxim Fedorov ကရုရှားမီဒီယာသို့ ဧပြီလ 2020 ခုနှစ်ထုတ်ပြန်ချက်တွင်ပြောကြားခဲ့သည်။

အချိန်ကြာလာတာနဲ့အမျှ ရှိခဲ့တယ်။ သို့သော်လည်း COVID-19 ကို တိုက်ဖျက်ရာတွင် AI ၏ ကြီးမားသောအသုံးဝင်မှုကို သက်သေပြသည့် algorithms များ. အမေရိကန်ရှိ သိပ္ပံပညာရှင်များသည် COVID-2020 ရှိသူများတွင် အခြားရောဂါလက္ခဏာများ မရှိသော်လည်း ချောင်းဆိုးခြင်းပုံစံများကို အသိအမှတ်ပြုရန် 19 ခုနှစ် ဆောင်းဦးတွင် တီထွင်ခဲ့သည်။

ကာကွယ်ဆေးများ ပေါ်ပေါက်လာသောအခါ လူဦးရေကို ကာကွယ်ဆေးထိုးရန် အကြံဉာဏ် ပေါ်ပေါက်ခဲ့သည်။ ဥပမာ၊ သူမလုပ်နိုင်တယ်။ ကာကွယ်ဆေးများ၏ သယ်ယူပို့ဆောင်ရေးနှင့် ထောက်ပံ့ပို့ဆောင်ရေးပုံစံများကို ကူညီပေးသည်။. ကပ်ရောဂါကို ပိုမိုမြန်ဆန်စွာ ကိုင်တွယ်ဖြေရှင်းရန် မည်သည့်လူဦးရေကို ဦးစွာ ကာကွယ်ဆေးထိုးသင့်သည်ကို ဆုံးဖြတ်ရာတွင်လည်း ဖြစ်သည်။ ၎င်းသည် ထောက်ပံ့ပို့ဆောင်ရေးတွင် ပြဿနာများနှင့် ပိတ်ဆို့မှုများကို လျင်မြန်စွာ ဖော်ထုတ်ခြင်းဖြင့် လိုအပ်ချက်ကို ကြိုတင်ခန့်မှန်းနိုင်ပြီး ကာကွယ်ဆေးထိုးချိန်နှင့် အရှိန်ကို အကောင်းဆုံးဖြစ်အောင် ကူညီပေးမည်ဖြစ်သည်။ စဉ်ဆက်မပြတ်စောင့်ကြည့်ခြင်းနှင့် အယ်လဂိုရီသမ်များ ပေါင်းစပ်ခြင်းသည် ဖြစ်နိုင်ခြေရှိသော ဘေးထွက်ဆိုးကျိုးများနှင့် ကျန်းမာရေးဆိုင်ရာ အဖြစ်အပျက်များဆိုင်ရာ အချက်အလက်များကို လျင်မြန်စွာ ပေးစွမ်းနိုင်သည်။

ဤ AI ကိုအသုံးပြုသောစနစ်များ ကျန်းမာရေးစောင့်ရှောက်မှုကို အကောင်းဆုံးဖြစ်အောင် မြှင့်တင်ရာမှာ သိထားပြီးသားပါ။ သူတို့၏ လက်တွေ့ကျသော အကျိုးကျေးဇူးများကို တန်ဖိုးထားခဲ့သည်။ ဥပမာအားဖြင့်၊ US ရှိ Stanford University မှ Macro-Eyes မှ ထုတ်လုပ်သော ကျန်းမာရေးစောင့်ရှောက်မှုစနစ်။ အခြားဆေးဘက်ဆိုင်ရာအဖွဲ့အစည်းများကဲ့သို့ပင်၊ ချိန်းဆိုမှုများအတွက် လာမပြသော လူနာများမရှိခြင်းမှာ ပြဿနာဖြစ်သည်။ Macro မျက်လုံး မည်သည့်လူနာမျှ ထိုနေရာတွင် ရှိနေနိုင်ဖွယ်မရှိဟု ယုံကြည်စိတ်ချစွာ ခန့်မှန်းနိုင်သော စနစ်တစ်ခုကို တည်ဆောက်ခဲ့သည်။ အချို့သောအခြေအနေများတွင်၊ လူနာပြသနိုင်ခြေကို တိုးစေမည့် ဆေးခန်းများအတွက် အစားထိုးအချိန်များနှင့် နေရာများကိုလည်း အကြံပြုနိုင်သည်။ နောက်ပိုင်းတွင်၊ အထူးသဖြင့် US Agency for International Development i ၏ပံ့ပိုးကူညီမှုဖြင့် Arkansas မှ နိုင်ဂျီးရီးယားအထိ အလားတူနည်းပညာကို နေရာအမျိုးမျိုးတွင် အသုံးချခဲ့သည်။

တန်ဇန်းနီးယားတွင် Macro-Eyes သည် ရည်ရွယ်သည့် ပရောဂျက်တစ်ခုကို လုပ်ဆောင်ခဲ့သည်။ ကလေး ကာကွယ်ဆေးထိုးနှုန်းကို တိုးမြင့်စေသည်။. ဆော့ဖ်ဝဲလ်သည် ပေးထားသော ကာကွယ်ဆေးထိုးစင်တာသို့ ပေးပို့ရန် လိုအပ်သော ကာကွယ်ဆေးအရေအတွက်ကို ပိုင်းခြားစိတ်ဖြာထားသည်။ မည်သည့်မိသားစုများသည် ၎င်းတို့၏ကလေးများကို ကာကွယ်ဆေးထိုးရန် ဝန်လေးနေနိုင်သည်ကို အကဲဖြတ်နိုင်သော်လည်း ၎င်းတို့အား သင့်လျော်သော ငြင်းခုံမှုများနှင့် အဆင်ပြေသောနေရာတွင် ကာကွယ်ဆေးထိုးစင်တာတည်နေရာကို သဘောကျနိုင်သည်။ ဤဆော့ဖ်ဝဲကို အသုံးပြု၍ တန်ဇန်းနီးယားအစိုးရသည် ၎င်း၏ ကာကွယ်ဆေးထိုးခြင်းအစီအစဉ်၏ ထိရောက်မှုကို 96% တိုးမြှင့်နိုင်ခဲ့သည်။ လူ ၁၀၀ လျှင် ကာကွယ်ဆေးစွန့်ပစ်မှုကို ၂.၄၂ လျှော့ချပါ။

Sierra Leone တွင် နေထိုင်သူများ၏ ကျန်းမာရေးဒေတာများ ပျောက်ဆုံးနေသည့်အတွက် ကုမ္ပဏီသည် ၎င်းကို ပညာရေးဆိုင်ရာ အချက်အလက်များနှင့် ကိုက်ညီစေရန် ကြိုးစားခဲ့သည်။ ဆရာများနှင့် ၎င်းတို့၏ ကျောင်းသားဦးရေ ၇၀ ရာခိုင်နှုန်းခန့်ကို ခန့်မှန်းရန် လုံလောက်ကြောင်း တွေ့ရှိရပါသည်။ ဒေသန္တရဆေးခန်းသည် သန့်ရှင်းသောရေကို သုံးစွဲနိုင်မှု ရှိ၊ မရှိ မှန်ကန်မှု ရှိ၊ မရှိ မှန်ကန်မှု ရှိ၊ မရှိ၊ ထိုနေရာ၌ နေထိုင်သော ပြည်သူများ၏ ကျန်းမာရေးဆိုင်ရာ အချက်အလက်များ၏ ခြေရာတစ်ခု (၃)။

3. အာဖရိကရှိ AI မောင်းနှင်သော ကျန်းမာရေးစောင့်ရှောက်မှုပရိုဂရမ်များ၏ Macro-Eyes သရုပ်ဖော်ပုံ။

စက်ဆရာဝန်ရဲ့ ဒဏ္ဍာရီက ပျောက်ကွယ်မသွားပါဘူး။

ကျရှုံးနေသော်လည်း Watson ရောဂါရှာဖွေရေးနည်းလမ်းအသစ်များကို တီထွင်နေဆဲဖြစ်ပြီး ပိုမိုအဆင့်မြင့်လာသည်ဟု ယူဆကြသည်။ 2020 ခုနှစ် စက်တင်ဘာလတွင် ဆွီဒင်တွင် ပြုလုပ်ခဲ့သော နှိုင်းယှဉ်ချက်။ ရင်သားကင်ဆာရောဂါရှာဖွေရေးတွင် အသုံးပြုသည်။ ၎င်းတို့ထဲမှ အကောင်းဆုံးများသည် ဓာတ်မှန်ရိုက်ဆရာဝန်ကဲ့သို့ အလားတူလုပ်ဆောင်ကြောင်း ပြသခဲ့သည်။ အယ်လဂိုရီသမ်များကို ပုံမှန်စစ်ဆေးနေစဉ်အတွင်း ရရှိသော မက်မွန်ဂရပ်ဖစ်ရုပ်ပုံ ကိုးထောင်နီးပါးကို အသုံးပြု၍ စမ်းသပ်ထားသည်။ AI-1၊ AI-2 နှင့် AI-3 ဟုသတ်မှတ်ထားသော စနစ်သုံးခုသည် တိကျမှု 81,9%, 67% ရရှိခဲ့သည်။ နှင့် 67,4% ။ နှိုင်းယှဉ်မှုအရ၊ ဤရုပ်ပုံများကို ပထမဆုံးအဖြစ် အဓိပ္ပာယ်ဖွင့်ဆိုသော ဓာတ်မှန်ဗေဒပညာရှင်များအတွက်၊ ဤကိန်းဂဏန်းသည် 77,4% ဖြစ်ပြီး၊ ဓာတ်မှန်ဗေဒပညာရှင်ဒုတိယဖော်ပြသူမှာ 80,1 ရာခိုင်နှုန်းဖြစ်သည်။ အယ်လဂိုရီသမ်များ၏ အကောင်းဆုံးသည် စစ်ဆေးမှုအတွင်း ဓာတ်မှန်ဗေဒပညာရှင်များမှ လွဲချော်ခဲ့သော ကိစ္စရပ်များကို ရှာဖွေတွေ့ရှိနိုင်ကာ အမျိုးသမီးများသည် တစ်နှစ်အောက်အတွင်း ဖျားနာကြောင်း စစ်ဆေးတွေ့ရှိခဲ့သည်။

သုတေသီတွေရဲ့ အဆိုအရ ဒီရလဒ်တွေက သက်သေပြနေပါတယ်။ ဥာဏ်ရည်တု အယ်ဂိုရီသမ်များ ဓာတ်မှန်ဗေဒ ပညာရှင်များမှ ပြုလုပ်သော မှားယွင်းသော အနုတ်လက္ခဏာ ရောဂါလက္ခဏာများကို ပြုပြင်ရန် ကူညီပေးပါ။ AI-1 ၏စွမ်းရည်များကို ပျမ်းမျှဓာတ်မှန်ရိုက်ပညာရှင်တစ်ဦးနှင့် ပေါင်းစပ်ခြင်းဖြင့် တွေ့ရှိသောရင်သားကင်ဆာအရေအတွက်ကို 8% တိုးစေပါသည်။ ဤလေ့လာမှုကိုလုပ်ဆောင်နေသောတော်ဝင်အင်စတီကျုမှအဖွဲ့သည် AI အယ်လဂိုရီသမ်များ၏အရည်အသွေးကိုဆက်လက်တိုးတက်စေရန်မျှော်လင့်ထားသည်။ စမ်းသပ်မှု၏ ရှင်းလင်းချက်အပြည့်အစုံကို JAMA Oncology တွင် ထုတ်ဝေခဲ့သည်။

W သည် ငါးမှတ်စကေးရှိသည်။ လက်ရှိတွင်၊ စနစ်သည် ရရှိလာသောဒေတာကို အမှီအခိုကင်းစွာဖြင့် အလိုအလျောက်လုပ်ဆောင်ပြီး ကျွမ်းကျင်သူအား ကြိုတင်ခွဲခြမ်းစိတ်ဖြာထားသောအချက်အလက်များကို ပံ့ပိုးပေးသောအခါတွင် သိသာထင်ရှားသောနည်းပညာဆိုင်ရာအရှိန်အဟုန်နှင့် IV အဆင့် (အလိုအလျောက်စနစ်မြင့်မားသော) သို့ရောက်ရှိနေသည်ကို ကျွန်ုပ်တို့တွေ့မြင်နေရပါသည်။ ၎င်းသည် အချိန်ကုန်သက်သာစေပြီး လူ၏အမှားကို ရှောင်ရှားကာ ပိုမိုထိရောက်သော လူနာစောင့်ရှောက်မှုကို ပေးပါသည်။ အဲဒါကို လွန်ခဲ့တဲ့ လအနည်းငယ်က သူဆုံးဖြတ်ခဲ့တယ်။ Stan A.I. သူနဲ့နီးစပ်တဲ့ ဆေးပညာနယ်ပယ်မှာ ပါမောက္ခ၊ Janusz Braziewicz ပိုလန်နျူကလီးယားဆေးပညာဆိုင်ရာအဖွဲ့အစည်းမှ ပိုလန်သတင်းအေဂျင်စီသို့ ကြေညာချက်ထုတ်ပြန်ခဲ့သည်။

4. ဆေးဘက်ဆိုင်ရာပုံများကို စက်ဖြင့်ကြည့်ရှုခြင်း။

အယ်လ်ဂိုရီသမ်များပါရှိကြောင်း ပညာရှင်များဖြစ်သည့် prof. Brazievichဒီလုပ်ငန်းမှာတောင် မရှိမဖြစ်ပါ။ အကြောင်းရင်းမှာ ရောဂါရှာဖွေရေး ပုံရိပ်ဖော်စမ်းသပ်မှု အရေအတွက် တဟုန်ထိုး တိုးလာခြင်းကြောင့် ဖြစ်သည်။ 2000-2010 ကာလအတွက်သာ။ MRI စစ်ဆေးမှုနှင့် စစ်ဆေးမှု အရေအတွက်သည် ဆယ်ဆတိုးလာခဲ့သည်။ ကံမကောင်းစွာဖြင့်၊ ၎င်းတို့ကို မြန်မြန်ဆန်ဆန် စိတ်ချယုံကြည်စွာ သယ်ဆောင်နိုင်သည့် အထူးကုဆရာဝန်များ အရေအတွက် တိုးမလာသေးပါ။ အရည်အချင်းပြည့်မီသော နည်းပညာရှင်များ ရှားပါးမှုလည်း ရှိနေသည်။ AI-based algorithms များကို အကောင်အထည်ဖော်ခြင်းသည် အချိန်ကုန်သက်သာစေပြီး လုပ်ထုံးလုပ်နည်းများ၏ စံနှုန်းသတ်မှတ်ချက်ကို အပြည့်အဝခွင့်ပြုပေးသည့်အပြင် လူ၏အမှားအယွင်းကို ရှောင်ရှားကာ လူနာများအတွက် ပိုမိုထိရောက်သော၊ ပုဂ္ဂိုလ်ရေးဆန်သော ကုသမှုများကို ခွင့်ပြုပေးပါသည်။

ထွက်လာသည့်အတိုင်းပင် မှုခင်းဆေးပညာ တို့မှ အကျိုးပြုနိုင်သည်။ ဉာဏ်ရည်တု ဖွံ့ဖြိုးတိုးတက်ရေး. ဤနယ်ပယ်မှ ကျွမ်းကျင်သူများသည် သန်ကောင်များနှင့် တစ်ရှူးအသေများတွင် အစာကျွေးသော အခြားသတ္တဝါများ၏ လျှို့ဝှက်ချက်များကို ဓာတုဗေဒ ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် သေဆုံးသူ၏ သေဆုံးချိန်အတိအကျကို ဆုံးဖြတ်နိုင်သည်။ ခွဲခြမ်းစိတ်ဖြာမှုတွင် မတူညီသော necrophages အမျိုးအစားများမှ လျှို့ဝှက်ချက်အရောအနှောများပါ၀င်သောအခါ ပြဿနာတစ်ခု ဖြစ်ပေါ်လာသည်။ ဤသည်မှာ စက်သင်ယူမှုတွင် ပါဝင်လာပါသည်။ University of Albany မှ သိပ္ပံပညာရှင်များ တီထွင်နိုင်ခဲ့သည်။ သန်ကောင်မျိုးစိတ်များကို ပိုမိုမြန်ဆန်စွာ ဖော်ထုတ်နိုင်စေမည့် ဉာဏ်ရည်တုနည်းလမ်း ၎င်းတို့၏ "ဓာတုလက်ဗွေရာ" ကိုအခြေခံသည်။ အဖွဲ့သည် ယင်ကောင်ခြောက်မျိုးမှ ဓာတုအဆိပ်အတောက်များ ပေါင်းစပ်ပေါင်းစပ်ထားသော ပေါင်းစပ်ကွန်ပျူတာပရိုဂရမ်ကို အသုံးပြု၍ ၎င်းတို့၏ ကွန်ပျူတာပရိုဂရမ်ကို လေ့ကျင့်သင်ကြားပေးခဲ့သည်။ သူသည် အိုင်းယွန်းတစ်ခု၏ ဒြပ်ထုနှင့် လျှပ်စစ်ဓာတ်အား အချိုးအစားကို တိကျစွာ တိုင်းတာခြင်းဖြင့် ဓာတုပစ္စည်းများကို ခွဲခြားသတ်မှတ်ပေးသည့် အစုလိုက်အပြုံလိုက် တိုင်းတာမှုကို အသုံးပြု၍ အင်းဆက်သားလောင်းများ၏ ဓာတုလက္ခဏာများကို ပုံဖော်ခဲ့သည်။

ဒါပေမယ် မင်းမြင်တဲ့အတိုင်းပဲ။ AI သည် စုံစမ်းစစ်ဆေးရေး စုံထောက်တစ်ဦးဖြစ်သည်။ သိပ်မကောင်းဘူး၊ မှုခင်းဆေးပညာဓာတ်ခွဲခန်းမှာ အလွန်အသုံးဝင်ပါတယ်။ ဒီအဆင့်မှာ သူ့ဆီက အရမ်းမျှော်လင့်ထားသလို ဖြစ်ကောင်းဖြစ်နိုင်တယ်၊ ဆရာဝန်တွေကို အလုပ်ဖြုတ်ပစ်မယ့် algorithms (5) ခုကို မျှော်မှန်းထားပါတယ်။ ကြည့်လိုက်တော့ ဉာဏ်ရည်တု ပိုလက်တွေ့ကျကျ၊ ယေဘူယျထက် တိကျတဲ့ လက်တွေ့ကျတဲ့ အကျိုးကျေးဇူးတွေကို အာရုံစိုက်ပြီး သူမရဲ့ ဆေးပညာမှာ အသက်မွေးဝမ်းကြောင်းက အရမ်းအလားအလာကောင်းနေပြန်တယ်။

5. ရူပါရုံဆရာဝန်၏ကား