वाटसनले डाक्टरलाई टोकेनन्, र धेरै राम्रो
यद्यपि, अन्य धेरै क्षेत्रहरूमा जस्तै, एआईसँग डाक्टरहरू प्रतिस्थापन गर्ने उत्साह डायग्नोस्टिक विफलताहरूको श्रृंखला पछि केही हदसम्म घटेको छ, एआई-आधारित औषधिको विकासमा काम अझै जारी छ। किनभने, जे होस्, तिनीहरू अझै पनि उत्कृष्ट अवसरहरू र यसका धेरै क्षेत्रहरूमा सञ्चालनको दक्षता सुधार गर्ने अवसर प्रदान गर्छन्।
IBM को 2015 मा घोषणा गरिएको थियो, र 2016 मा यसले चार प्रमुख रोगी डेटा कम्पनीहरू (1) बाट डेटामा पहुँच प्राप्त गर्यो। सबैभन्दा प्रसिद्ध, धेरै मिडिया रिपोर्टहरूको लागि धन्यवाद, र एकै समयमा IBM बाट उन्नत कृत्रिम बुद्धिमत्ता प्रयोग गरेर सबैभन्दा महत्वाकांक्षी परियोजना ओन्कोलोजीसँग सम्बन्धित थियो। वैज्ञानिकहरूले डेटाको विशाल स्रोतहरूलाई प्रशोधन गर्न प्रयोग गर्ने प्रयास गरिरहेका छन् ताकि तिनीहरूलाई राम्रोसँग अनुकूलित एन्टि-क्यान्सर उपचारहरूमा परिणत गर्न सकिन्छ। लामो समयको लक्ष्य वाटसनलाई रेफ्री बनाउनु थियो क्लिनिकल परीक्षणहरू र परिणाम डाक्टरको रूपमा हुनेछ।
1. वाटसन स्वास्थ्य चिकित्सा प्रणाली को एक दृश्य
तर, यस्तो भयो वाटसन स्वतन्त्र रूपमा चिकित्सा साहित्यलाई सन्दर्भ गर्न सक्दैन, र बिरामीहरूको इलेक्ट्रोनिक मेडिकल रेकर्डबाट जानकारी पनि निकाल्न सक्दैन। तर, उनीमाथि सबैभन्दा गम्भीर आरोप यही थियो नयाँ बिरामीलाई अन्य पुराना क्यान्सर रोगीहरूसँग प्रभावकारी रूपमा तुलना गर्न र पहिलो नजरमा अदृश्य लक्षणहरू पत्ता लगाउन असफल.
त्यहाँ, स्वीकार्य रूपमा, केही ओन्कोलोजिस्टहरू थिए जसले उहाँको निर्णयमा विश्वास गरेको दाबी गरे, यद्यपि मानक उपचारको लागि वाटसनको सुझावहरूको सन्दर्भमा, वा थप, अतिरिक्त चिकित्सा रायको रूपमा। धेरैले औंल्याएका छन् कि यो प्रणाली चिकित्सकहरूको लागि उत्कृष्ट स्वचालित पुस्तकालय हुनेछ।
IBM बाट धेरै चापलूसी समीक्षाहरूको नतिजाको रूपमा अमेरिकी चिकित्सा संस्थाहरूमा वाटसन प्रणालीको बिक्रीको साथ समस्याहरू। IBM बिक्री प्रतिनिधिहरूले यसलाई भारत, दक्षिण कोरिया, थाइल्याण्ड र अन्य देशहरूमा केही अस्पतालहरूमा बेच्न व्यवस्थित गरे। भारतमा, डाक्टरहरूले () स्तन क्यान्सरको 638 केसहरूको लागि वाटसनको सिफारिसहरूको मूल्याङ्कन गरे। उपचार सिफारिसहरूको अनुपालन दर 73% हो। नराम्रो वाटसन दक्षिण कोरियाको ग्याचोन मेडिकल सेन्टरमा छाडियो, जहाँ 656 कोलोरेक्टल क्यान्सर रोगीहरूका लागि उनको उत्कृष्ट सिफारिसहरू विज्ञहरूको सिफारिसहरूसँग मात्र 49 प्रतिशतले मेल खायो। चिकित्सकहरुले त्यसको मूल्याङ्कन गरेका छन् वाटसनले वृद्ध बिरामीहरूसँग राम्रो काम गरेनन्उनीहरूलाई निश्चित मानक औषधिहरू प्रस्ताव नगरेर, र मेटास्टेटिक रोग भएका केही बिरामीहरूको लागि आक्रामक उपचार निगरानी गर्ने महत्वपूर्ण गल्ती गरे।
अन्ततः, यद्यपि एक निदानकर्ता र चिकित्सकको रूपमा उनको काम असफल मानिन्छ, त्यहाँ क्षेत्रहरू छन् जसमा उनले धेरै उपयोगी साबित भएका छन्। उत्पादन जेनोमिक्सका लागि वाटसन, जुन नर्थ क्यारोलिना विश्वविद्यालय, येल विश्वविद्यालय र अन्य संस्थाहरूसँगको सहकार्यमा विकसित गरिएको थियो, प्रयोग गरिन्छ। आनुवंशिक प्रयोगशालाहरू ओन्कोलोजिस्टहरूको लागि रिपोर्टहरू तयार गर्नका लागि। वाटसन डाउनलोड सूची फाइल आनुवंशिक उत्परिवर्तन बिरामीमा र सबै महत्त्वपूर्ण औषधिहरू र क्लिनिकल परीक्षणहरूको लागि सुझावहरू समावेश गर्ने मिनेटमा रिपोर्ट उत्पन्न गर्न सक्छ। वाटसनले आनुवंशिक जानकारीलाई सापेक्षिक सहजताका साथ ह्यान्डल गर्छकिनभने तिनीहरू संरचित फाइलहरूमा प्रस्तुत गरिएका छन् र अस्पष्टताहरू समावेश गर्दैनन् - या त त्यहाँ उत्परिवर्तन छ वा त्यहाँ कुनै उत्परिवर्तन छैन।
उत्तरी क्यारोलिना विश्वविद्यालयका आईबीएम साझेदारहरूले 2017 मा दक्षतामा एउटा पेपर प्रकाशित गरे। वाटसनले सम्भावित रूपमा महत्त्वपूर्ण उत्परिवर्तनहरू फेला पारे जुन तिनीहरूमध्ये 32% मा मानव अध्ययनले पहिचान नगरेको थियो। बिरामीहरूले अध्ययन गरे, उनीहरूलाई नयाँ औषधिको लागि राम्रो उम्मेद्वार बनाउँदै। यद्यपि, त्यहाँ अझै पनि कुनै प्रमाण छैन कि प्रयोगले राम्रो उपचार परिणामहरू निम्त्याउँछ।
प्रोटीन को घरेलू
यो र अन्य धेरै उदाहरणहरूले बढ्दो विश्वासमा योगदान पुर्याउँछन् कि स्वास्थ्य सेवामा भएका सबै कमीहरूलाई सम्बोधन गरिएको छ, तर हामीले त्यस्ता क्षेत्रहरू खोज्न आवश्यक छ जहाँ यसले वास्तवमै मद्दत गर्न सक्छ, किनकि त्यहाँ मानिसहरूले राम्रो काम गरिरहेका छैनन्। यस्तो क्षेत्र, उदाहरणका लागि, प्रोटीन अनुसन्धान। गत वर्ष, जानकारी देखा पर्यो कि यसले तिनीहरूको अनुक्रम (2) को आधारमा प्रोटीनहरूको आकार सही रूपमा भविष्यवाणी गर्न सक्छ। यो एक परम्परागत कार्य हो, केवल मानिसहरूको शक्ति भन्दा बाहिर, तर शक्तिशाली कम्प्युटरहरू पनि। यदि हामीले प्रोटीन अणुहरू घुमाउने सटीक मोडेलिङमा मास्टर गर्यौं भने, त्यहाँ जीन थेरापीको लागि ठूलो अवसरहरू हुनेछन्। वैज्ञानिकहरूले आशा गर्छन् कि अल्फाफोल्डको मद्दतले हामीले हजारौंको कार्यहरू अध्ययन गर्नेछौं, र यसले हामीलाई धेरै रोगहरूको कारणहरू बुझ्न अनुमति दिनेछ।
चित्र २. DeepMind को AlphaFold सँग मोडल गरिएको प्रोटीन ट्विस्टिङ।
अहिले हामीलाई दुई सय मिलियन प्रोटिन थाहा छ, तर हामी तिनीहरूको सानो भागको संरचना र कार्यलाई पूर्ण रूपमा बुझ्छौं। प्रोटीन यो जीवित जीवहरूको आधारभूत निर्माण ब्लक हो। तिनीहरू कक्षहरूमा हुने अधिकांश प्रक्रियाहरूको लागि जिम्मेवार छन्। तिनीहरूले कसरी काम गर्छन् र तिनीहरूले के गर्छन् भन्ने कुरा तिनीहरूको 50D संरचनाद्वारा निर्धारण गरिन्छ। तिनीहरू कुनै पनि निर्देशन बिना उपयुक्त फारम लिन्छन्, भौतिक विज्ञानको नियमहरूद्वारा निर्देशित। दशकौंको लागि, प्रायोगिक विधिहरू प्रोटीनको आकार निर्धारण गर्न मुख्य विधि भएको छ। XNUMXs मा, प्रयोग एक्स-रे क्रिस्टलोग्राफिक विधिहरू। पछिल्लो दशकमा, यो छनौटको अनुसन्धान उपकरण भएको छ। क्रिस्टल माइक्रोस्कोपी। 80 र 90 को दशकमा, प्रोटिनको आकार निर्धारण गर्न कम्प्युटरहरू प्रयोग गर्ने काम सुरु भयो। यद्यपि, नतिजाहरूले अझै पनि वैज्ञानिकहरूलाई सन्तुष्ट पार्न सकेनन्। केही प्रोटिनहरूको लागि काम गर्ने तरिकाहरू अरूको लागि काम गर्दैनन्।
पहिले नै 2018 मा अल्फाफोल्ड मा विज्ञहरु बाट मान्यता प्राप्त प्रोटीन मोडलिङ। यद्यपि, त्यस समयमा यसले अन्य कार्यक्रमहरूसँग मिल्दोजुल्दो विधिहरू प्रयोग गर्यो। वैज्ञानिकहरूले रणनीति परिवर्तन गरे र अर्को सिर्जना गरे, जसले प्रोटीन अणुहरूको तहमा भौतिक र ज्यामितीय प्रतिबन्धहरूको बारेमा जानकारी पनि प्रयोग गर्यो। अल्फाफोल्ड असमान परिणाम दिए। कहिले उसले राम्रो गर्यो, कहिले नराम्रो। तर उनको भविष्यवाणीको लगभग दुई तिहाई प्रयोगात्मक विधिहरू द्वारा प्राप्त परिणामहरूसँग मेल खायो। वर्ष २ को सुरुमा, एल्गोरिदमले SARS-CoV-2 भाइरसका धेरै प्रोटिनहरूको संरचना वर्णन गर्यो। पछि, यो फेला पर्यो कि Orf3a प्रोटिनको लागि भविष्यवाणीहरू प्रयोगात्मक रूपमा प्राप्त परिणामहरूसँग अनुरूप छन्।
यो प्रोटीन फोल्ड गर्ने आन्तरिक तरिकाहरू अध्ययन गर्ने बारे मात्र होइन, तर डिजाइनको बारेमा पनि हो। NIH BRAIN पहलका अनुसन्धानकर्ताहरूले प्रयोग गरे मेसिन शिक्षा वास्तविक समयमा मस्तिष्क सेरोटोनिन स्तरहरू ट्र्याक गर्न सक्ने प्रोटीन विकास गर्नुहोस्। सेरोटोनिन एक न्यूरोकेमिकल हो जसले मस्तिष्कले हाम्रा विचार र भावनाहरूलाई कसरी नियन्त्रण गर्छ भन्नेमा मुख्य भूमिका खेल्छ। उदाहरणका लागि, धेरै एन्टीडिप्रेसन्टहरू सेरोटोनिन संकेतहरू परिवर्तन गर्न डिजाइन गरिएका छन् जुन न्यूरोन्सहरू बीच प्रसारित हुन्छन्। सेल जर्नलको एक लेखमा, वैज्ञानिकहरूले उनीहरूले कसरी उन्नत प्रयोग गर्छन् भनेर वर्णन गरे आनुवंशिक ईन्जिनियरिङ् विधिहरू ब्याक्टेरियल प्रोटिनलाई नयाँ अनुसन्धान उपकरणमा परिणत गर्नुहोस् जसले सेरोटोनिन ट्रान्समिशनलाई हालको विधिहरू भन्दा बढी शुद्धताका साथ ट्र्याक गर्न मद्दत गर्न सक्छ। प्रिक्लिनिकल प्रयोगहरू, प्रायजसो मुसाहरूमा, देखाइएको छ कि सेन्सरले निद्रा, डर र सामाजिक अन्तरक्रियाको समयमा मस्तिष्क सेरोटोनिन स्तरहरूमा सूक्ष्म परिवर्तनहरू पत्ता लगाउन सक्छ, र नयाँ साइकोएक्टिभ औषधिहरूको प्रभावकारिता परीक्षण गर्न सक्छ।
महामारी विरुद्धको लडाई सधैं सफल हुन सकेको छैन
आखिर, हामीले MT मा लेखेको यो पहिलो महामारी थियो। यद्यपि, उदाहरणका लागि, यदि हामी महामारीको विकासको प्रक्रियाको बारेमा कुरा गर्छौं भने, प्रारम्भिक चरणमा, एआई असफल भएको जस्तो देखिन्थ्यो। विद्वानहरुले गुनासो गरेका छन् कृत्रिम बुद्धिमत्ता यसअघिका महामारीका तथ्यांकका आधारमा कोरोना भाइरसको फैलावटको सही अनुमान गर्न सकिँदैन। "यी समाधानहरूले केहि क्षेत्रहरूमा राम्रोसँग काम गर्दछ, जस्तै आँखा र कानहरूको निश्चित संख्या भएका अनुहारहरू पहिचान गर्ने। SARS-CoV-2 महामारी यी पहिले अज्ञात घटनाहरू र धेरै नयाँ चरहरू हुन्, त्यसैले यसलाई प्रशिक्षण दिन प्रयोग गरिएको ऐतिहासिक डेटामा आधारित कृत्रिम बुद्धिमत्ताले राम्रोसँग काम गर्दैन। महामारीले देखाएको छ कि हामीले अन्य प्रविधिहरू र दृष्टिकोणहरू खोज्नु आवश्यक छ, "स्कोल्टेकका म्याक्सिम फेडोरोभले रूसी मिडियालाई अप्रिल २०२० को बयानमा भने।
समयसँगै थिए यद्यपि एल्गोरिदमहरू जसले COVID-19 विरुद्धको लडाईमा AI को ठूलो उपयोगिता प्रमाणित गर्दछ। अमेरिकाका वैज्ञानिकहरूले 2020 को पतनमा COVID-19 भएका मानिसहरूमा अन्य लक्षणहरू नभए पनि, खोकीको लक्षण पहिचान गर्न एउटा प्रणाली विकास गरे।
जब खोपहरू देखा पर्यो, यो विचार जनसंख्यालाई खोप लगाउन मद्दत गर्नको लागि जन्मिएको थियो। उनले उदाहरणका लागि सक्थे भ्याक्सिनहरूको ढुवानी र रसद मोडेल मद्दत गर्नुहोस्। साथै महामारीको छिटो सामना गर्न कुन जनसंख्यालाई पहिले खोप लगाउनु पर्छ भनेर निर्धारण गर्न। यसले मागको पूर्वानुमान गर्न र रसदमा समस्या र बाधाहरू छिटो पहिचान गरेर खोपको समय र गतिलाई अनुकूलन गर्न मद्दत गर्नेछ। निरन्तर निगरानीको साथ एल्गोरिदमको संयोजनले सम्भावित साइड इफेक्टहरू र स्वास्थ्य घटनाहरूको बारेमा पनि द्रुत रूपमा जानकारी प्रदान गर्न सक्छ।
यी एआई प्रयोग गर्ने प्रणालीहरू स्वास्थ्य सेवालाई अप्टिमाइज र सुधार गर्न पहिले नै थाहा छ। तिनीहरूको व्यावहारिक फाइदाहरू सराहना गरियो; उदाहरणका लागि, अमेरिकाको स्ट्यानफोर्ड विश्वविद्यालयमा म्याक्रो-आइजले विकास गरेको स्वास्थ्य सेवा प्रणाली। अन्य धेरै चिकित्सा संस्थाहरूमा जस्तै, समस्या नियुक्तिको लागि नदेखाउने बिरामीहरूको अभाव थियो। म्याक्रो आँखा एक प्रणाली निर्माण गरियो जसले भरपर्दो रूपमा भविष्यवाणी गर्न सक्छ कि कुन बिरामीहरू त्यहाँ नहुने सम्भावना थियो। केही परिस्थितिहरूमा, उसले क्लिनिकहरूको लागि वैकल्पिक समय र स्थानहरू पनि सुझाव दिन सक्छ, जसले बिरामी देखाउने सम्भावना बढाउँछ। पछि, यस्तै प्रविधिलाई अर्कान्सासदेखि नाइजेरियासम्मको सहयोगमा विभिन्न ठाउँहरूमा लागू गरियो, विशेष गरी, अन्तर्राष्ट्रिय विकासका लागि अमेरिकी एजेन्सी i।
तान्जानियामा, म्याक्रो-आइजले एउटा परियोजनामा काम गर्यो बढ्दो बाल खोप दर। सफ्टवेयरले दिइएको खोप केन्द्रमा कति डोजको खोप पठाउन आवश्यक छ भनी विश्लेषण गर्यो। कुन-कुन परिवारहरू आफ्ना बालबालिकाहरूलाई खोप लगाउन अनिच्छुक हुन सक्छन् भन्ने कुराको पनि मूल्याङ्कन गर्न सक्नुहुन्थ्यो, तर उनीहरूलाई उपयुक्त तर्क र सुविधाजनक स्थानमा खोप केन्द्रको स्थानका साथ मनाउन सकिन्छ। यो सफ्टवेयर प्रयोग गरेर, तान्जानिया सरकारले आफ्नो खोप कार्यक्रमको प्रभावकारिता 96% ले वृद्धि गर्न सक्षम भएको छ। र खोपको फोहोरलाई प्रति 2,42 व्यक्तिमा 100 मा घटाउनुहोस्।
सिएरा लियोनमा, जहाँ बासिन्दाहरूको स्वास्थ्य डेटा हराइरहेको थियो, कम्पनीले यसलाई शिक्षाको बारेमा जानकारीसँग मिलाउन खोज्यो। शिक्षक र उनीहरूका विद्यार्थीको सङ्ख्याले मात्रै ७० प्रतिशत अनुमान गर्न पर्याप्त भएको देखियो । स्थानीय क्लिनिकमा सफा पानीको पहुँच छ कि छैन भन्ने शुद्धता, जुन त्यहाँ बस्ने मानिसहरूको स्वास्थ्यमा डेटाको पदचिह्न हो (३)।
3. अफ्रिकामा एआई-संचालित स्वास्थ्य सेवा कार्यक्रमहरूको म्याक्रो-आँखा चित्रण।
मेसिन डाक्टरको मिथक हराउँदैन
असफलताका बावजुद वाटसन नयाँ निदान दृष्टिकोणहरू अझै विकसित भइरहेका छन् र अधिक र अधिक उन्नत मानिन्छ। सेप्टेम्बर २०२० मा स्वीडेनमा गरिएको तुलना। स्तन क्यान्सरको इमेजिङ निदानमा प्रयोग गरिन्छ देखाइयो कि तिनीहरू मध्ये सबै भन्दा राम्रो एक रेडियोलोजिस्ट जस्तै काम गर्दछ। नियमित स्क्रिनिङको क्रममा प्राप्त गरिएका करिब नौ हजार म्यामोग्राफिक तस्बिरहरू प्रयोग गरेर एल्गोरिदमहरूको परीक्षण गरिएको छ। AI-1, AI-2 र AI-3 को रूपमा नामित तीन प्रणालीहरूले 81,9%, 67% को शुद्धता हासिल गरे। र 67,4%। तुलनाको लागि, यी तस्बिरहरूलाई पहिलो रूपमा व्याख्या गर्ने रेडियोलोजिस्टहरूको लागि, यो संख्या 77,4% थियो, र को मामला मा रेडियोलोजिस्टहरूयो वर्णन गर्ने दोस्रो को थियो, यो 80,1 प्रतिशत थियो। सबै भन्दा राम्रो एल्गोरिदमले रेडियोलोजिस्टहरूले स्क्रीनिङको क्रममा छुटेका केसहरू पत्ता लगाउन पनि सक्षम थिए, र महिलाहरू एक वर्ष भन्दा कममा बिरामी भएको निदान गरियो।
अनुसन्धानकर्ताहरूका अनुसार यी नतिजाहरूले त्यसलाई प्रमाणित गर्छन् कृत्रिम बुद्धिमत्ता एल्गोरिदम रेडियोलोजिस्टहरूद्वारा गरिएका गलत-नकारात्मक निदानहरू सही गर्न मद्दत गर्नुहोस्। औसत रेडियोलोजिस्टसँग AI-1 को क्षमताहरू संयोजन गर्दा पत्ता लागेको स्तन क्यान्सरको संख्या 8% बढ्यो। यो अध्ययन सञ्चालन गर्ने रोयल इन्स्टिच्युटको टोलीले एआई एल्गोरिदमको गुणस्तर बढ्दै जाने अपेक्षा गरेको छ। प्रयोगको पूर्ण विवरण जामा ओन्कोलोजीमा प्रकाशित भएको थियो।
पाँच-बिन्दु स्केलमा W। हाल, हामी एक महत्त्वपूर्ण प्राविधिक प्रवेग देखिरहेका छौं र IV स्तर (उच्च स्वचालन) मा पुगिरहेका छौं, जब प्रणालीले स्वतन्त्र रूपमा प्राप्त डाटालाई स्वचालित रूपमा प्रशोधन गर्दछ र विशेषज्ञलाई पूर्व-विश्लेषण जानकारी प्रदान गर्दछ। यसले समय बचत गर्छ, मानव त्रुटिबाट बच्न र अधिक कुशल बिरामी हेरचाह प्रदान गर्दछ। केही महिनाअघि उनले यही कुराको न्याय गरेका थिए Stan A.I. चिकित्सा क्षेत्रमा उनी नजिकका प्रा. Janusz Braziewicz न्युक्लियर मेडिसिनका लागि पोलिश समाजबाट पोलिश प्रेस एजेन्सीलाई एक बयानमा।
4. चिकित्सा छविहरूको मेसिन अवलोकन
एल्गोरिदम, विज्ञहरूका अनुसार प्रो. ब्राजिभिचयो उद्योग मा पनि अपरिहार्य। कारण डायग्नोस्टिक इमेजिङ परीक्षणहरूको संख्यामा द्रुत वृद्धि हो। केवल 2000-2010 अवधि को लागी। एमआरआई परीक्षण र परीक्षाको संख्या दश गुणा बढेको छ। दुर्भाग्यवश, उपलब्ध विशेषज्ञ डाक्टरहरूको संख्या जसले तिनीहरूलाई छिटो र भरपर्दो रूपमा पूरा गर्न सक्छ। दक्ष प्राविधिकको पनि अभाव छ । AI-आधारित एल्गोरिदमहरूको कार्यान्वयनले समय बचत गर्छ र प्रक्रियाहरूको पूर्ण मानकीकरण गर्न अनुमति दिन्छ, साथै मानव त्रुटिबाट बच्न र बिरामीहरूको लागि थप प्रभावकारी, व्यक्तिगत उपचारहरू।
यो बाहिर निस्कियो, पनि फोरेंसिक चिकित्सा लाभ उठाउन सक्छ कृत्रिम बुद्धिको विकास। यस क्षेत्रका विशेषज्ञहरूले मृत तन्तुहरूमा खुवाउने कीरा र अन्य जीवहरूको स्रावको रासायनिक विश्लेषण गरेर मृतकको मृत्युको सही समय निर्धारण गर्न सक्छन्। समस्या उत्पन्न हुन्छ जब विभिन्न प्रकारका नेक्रोफेजहरूबाट स्रावको मिश्रण विश्लेषणमा समावेश गरिन्छ। यो जहाँ मेसिन शिक्षा खेलमा आउँछ। अल्बानी विश्वविद्यालयका वैज्ञानिकहरूले विकास गरेका छन् एक कृत्रिम बुद्धिमत्ता विधि जसले कीरा प्रजातिहरूको छिटो पहिचान गर्न अनुमति दिन्छ तिनीहरूको "रासायनिक फिंगरप्रिन्टहरू" मा आधारित। टोलीले छ वटा प्रजातिका झिंगाबाट निस्कने विभिन्न रासायनिक स्रावको मिश्रण प्रयोग गरेर आफ्नो कम्प्युटर प्रोग्रामलाई तालिम दियो। उनले मास स्पेक्ट्रोमेट्री प्रयोग गरेर कीट लार्भाको रासायनिक हस्ताक्षरहरू बुझे, जसले आयनको विद्युतीय चार्जमा द्रव्यमानको अनुपात सही रूपमा नाप्दै रसायनहरू पहिचान गर्दछ।
त्यसोभए, तपाईले देख्न सक्नुहुन्छ, तथापि एआई एक खोजी जासूस को रूप मा धेरै राम्रो छैन, यो एक फोरेंसिक प्रयोगशाला मा धेरै उपयोगी हुन सक्छ। सायद हामीले यस चरणमा उनीबाट धेरै आशा गरेका थियौं, एल्गोरिदमहरू प्रत्याशा गर्दै जसले डाक्टरहरूलाई कामबाट बाहिर राख्छ (5)। जब हामी हेर्छौं कृत्रिम बुद्धिमत्ता अझ यथार्थवादी रूपमा, सामान्य भन्दा विशेष व्यावहारिक लाभहरूमा ध्यान केन्द्रित गर्दै, चिकित्सामा उनको क्यारियर फेरि धेरै आशाजनक देखिन्छ।
5. डाक्टरको कारको दर्शन
