อะไร:ระบบอาหารและการเกษตรของโลกอยู่ภายใต้ความเครียดอย่างรุนแรงจากการรุกรานยูเครนของรัสเซีย การเปลี่ยนแปลงสภาพภูมิอากาศ และโควิด-19 ซึ่งส่งผลกระทบร้ายแรงต่อความมั่นคงทางอาหาร การเติบโตของผลผลิตทางการเกษตรทั่วโลกกำลังลดลงอย่างมาก และความพยายามในปัจจุบันที่จะขยายการผลิตทางการเกษตรเพื่อเลี้ยงประชากรโลกที่เพิ่มขึ้นนั้นไม่เพียงพอที่จะรับมือกับ
ความท้าทายที่โลกเผชิญ ตามการค้นพบใหม่จากรายงานผลผลิต
ทางการเกษตรทั่วโลกปี 2565 (รายงาน GAP) . หากไม่มีการดำเนินการอย่างรวดเร็วและการแก้ไขในระยะยาว ระบบจะยังคงมีความเสี่ยงต่อคลื่นกระแทกทางสิ่งแวดล้อม เศรษฐกิจ และสังคม ใคร:ที่งานแบบผสมผสานนี้ซึ่งจัดโดยGlobal Agricultural Productivity Initiative ที่ Virginia Tech (GAP Initiative) , the Coalition on Sustainable Productivity Growth for Food Security and Resource Conservation (SPG Coalition) , และUS Department of Agriculture ,ผู้กำหนดนโยบาย , ภาคเอกชน นักประดิษฐ์และผู้นำการวิจัยจะหารือเกี่ยวกับความจำเป็นในการเร่งการเติบโตของผลผลิตทางการเกษตรและการดำเนินการที่เป็นรูปธรรมในการทำเช่นนั้น งานดังกล่าวจะรวมถึงการเปิดตัวรายงาน Global Agricultural Productivity Report ประจำปี 2565 ซึ่งจัดทำโดย CALS Global ในวิทยาลัยเกษตรศาสตร์และวิทยาศาสตร์สิ่งมีชีวิตที่เวอร์จิเนียเทคDanfeng “Daphne” Yao ศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์ที่ Virginia Tech ต้องการปรับปรุงความแม่นยำในการทำนายของโมเดลแมชชีนเลิร์นนิงในแอปพลิเคชันทางการแพทย์ ผลการวิจัยของเธอได้รับการตีพิมพ์เมื่อเร็วๆ นี้ใน Communications Medicineซึ่งเป็นวารสารแบบเปิดที่คัดเลือกจาก Nature Portfolio
“การทำนายที่ไม่ถูกต้องอาจก่อให้เกิดผลที่ตามมาที่คุกคามชีวิต” เหยา ซึ่งเป็นทั้งเอลิซาเบธและเจมส์ อี. เทิร์นเนอร์ จูเนียร์ ’56 คณะและเพื่อนคณะ CACI ในวิทยาลัยวิศวกรรมศาสตร์กล่าว ข้อผิดพลาดในการคาดคะเนเหล่านี้อาจส่งผลให้คำนวณโอกาสของผู้ป่วยที่จะเสียชีวิตในห้องฉุกเฉินหรือรอดชีวิตจากมะเร็งผิดพลาด ชุดข้อมูลทางคลินิกหลายชุดมีความไม่สมดุลอย่างแท้จริง เหยากล่าว เนื่องจากข้อมูลเหล่านี้ถูกครอบงำโดยกลุ่มคนส่วนใหญ่ “ในกระบวนทัศน์แบบหนึ่ง-แมชชีนเลิร์นนิงที่เหมาะกับทุกคน ความแตกต่างทางเชื้อชาติและอายุมีแนวโน้มที่จะมีอยู่แต่ไม่มีการรายงาน ” เธอกล่าว
Yao และทีมนักวิจัยของเธอได้ร่วมมือกับ Charles B. Nemeroff
ซึ่งเป็นสมาชิกของ National Academy of Medicine และศาสตราจารย์ในภาควิชาจิตเวชศาสตร์และพฤติกรรมศาสตร์แห่งมหาวิทยาลัยเทกซัสที่ Dell Medical Schoolในเมืองออสติน เพื่อศึกษาว่าความลำเอียงในการฝึกอบรมเป็นอย่างไร ผลการทำนายผลกระทบของข้อมูล โดยเฉพาะผลกระทบต่อผู้ป่วยที่มีบทบาทน้อย เช่น ผู้ป่วยอายุน้อยหรือผู้ป่วยผิวสี
“ฉันรู้สึกยินดีเป็นอย่างยิ่งที่ได้ร่วมงานกับ Daphne Yao ซึ่งเป็นผู้นำระดับโลกในด้านการเรียนรู้ของเครื่องขั้นสูง” Nemeroff กล่าว “เธอคุยกับฉันถึงความคิดที่ว่าความก้าวหน้าใหม่ๆ ในการเรียนรู้ด้วยเครื่องสามารถนำไปใช้กับปัญหาที่สำคัญมากที่นักวิจัยทางคลินิกพบเจออยู่บ่อยๆ ซึ่งก็คือชนกลุ่มน้อยทางชาติพันธุ์จำนวนค่อนข้างน้อยที่มักจะลงทะเบียนในการทดลองทางคลินิก”
เขากล่าวว่าจำนวนการลงทะเบียนต่ำเหล่านี้ส่งผลให้ข้อสรุปทางการแพทย์ส่วนใหญ่มาจากผู้ป่วยผิวขาวเชื้อสายยุโรป ซึ่งอาจใช้ไม่ได้กับชนกลุ่มน้อยทางชาติพันธุ์
“รายงานฉบับใหม่นี้มีวิธีการในการปรับปรุงความแม่นยำในการทำนายสำหรับชนกลุ่มน้อย” Nemeroff กล่าว “เห็นได้ชัดว่าการค้นพบดังกล่าวมีนัยสำคัญอย่างมากต่อการปรับปรุงการดูแลทางคลินิกของผู้ป่วยที่เป็นสมาชิกของชนกลุ่มน้อย”
ทีมเวอร์จิเนียเทคของ Yao ประกอบด้วย นักศึกษาปริญญาเอก ภาควิชาวิทยาการคอมพิวเตอร์ Sharmin Afrose และ Wenjia Song พร้อมด้วย Chang Lu ศาสตราจารย์ Fred W. Bull ในภาควิชาวิศวกรรมเคมี ในการดำเนินการวิจัย พวกเขาทำการทดลองเกี่ยวกับการพยากรณ์โรคที่แตกต่างกันสี่งานในชุดข้อมูลสองชุดโดยใช้วิธีการแก้ไขอคติแบบ Double Prioritized (DP) แบบใหม่ ซึ่งจะฝึกโมเดลที่กำหนดเองสำหรับกลุ่มชาติพันธุ์หรือกลุ่มอายุที่เฉพาะเจาะจง
“งานของเรานำเสนอเทคนิคความยุติธรรมของปัญญาประดิษฐ์แบบใหม่เพื่อแก้ไขข้อผิดพลาดในการทำนาย” ซ่ง ปริญญาเอกชั้นปีที่สี่กล่าว นักศึกษาที่มีสาขาการวิจัย ได้แก่ การเรียนรู้ของเครื่องในสุขภาพดิจิทัลและความปลอดภัยในโลกไซเบอร์ “วิธี DP ของเราช่วยปรับปรุงประสิทธิภาพของกลุ่มชนกลุ่มน้อยได้มากถึง 38 เปอร์เซ็นต์ และลดความเหลื่อมล้ำของการคาดการณ์ในกลุ่มประชากรต่างๆ ได้อย่างมาก ซึ่งดีกว่าวิธีการสุ่มตัวอย่างอื่นๆ ถึง 88 เปอร์เซ็นต์”
Song ร่วมกับเพื่อนนักศึกษาระดับบัณฑิตศึกษา Afrose ทำงานร่วมกับชุดข้อมูลเฉพาะเพื่อทำการทดลอง Song ใช้ ชุด ข้อมูล Surveillance, Epidemiology และ End Resultsในการทำงานเกี่ยวกับมะเร็งเต้านมและมะเร็งปอด ขณะที่ Afrose ปริญญาเอกปีที่ 5 นักเรียนทำงานกับชุดข้อมูลจากศูนย์การแพทย์ Beth Israel Deaconess ในบอสตันสำหรับงานทำนายการตายในโรงพยาบาลและงานทำนายการลดค่าชดเชย
“เรารู้สึกตื่นเต้นที่ได้พบวิธีแก้ปัญหาในการลดอคติ” Afrose กล่าว ซึ่งเน้นการวิจัยรวมถึงการเรียนรู้ของเครื่องในการดูแลสุขภาพและความปลอดภัยของซอฟต์แวร์ “เทคนิคการแก้ไขอคติ DP ของเราจะลดข้อผิดพลาดในการคาดการณ์ที่อาจเป็นอันตรายต่อชีวิตสำหรับประชากรกลุ่มน้อย”
ด้วยการค้นพบนี้ที่เผยแพร่และสามารถเข้าถึงได้อย่างเปิดเผย ทีมงานจึงกระตือรือร้นที่จะร่วมมือกับผู้ตรวจสอบคนอื่นๆ เพื่อใช้วิธีการเหล่านี้ในการวิเคราะห์ข้อมูลทางคลินิกของตนเอง
“วิธีการของเราปรับใช้กับโมเดลแมชชีนเลิร์นนิงต่างๆ ได้ง่าย และสามารถช่วยปรับปรุงประสิทธิภาพของงานพยากรณ์โรคที่มีอคติเชิงเป็นตัวแทน” ซองกล่าว
Communications Medicine ทุ่มเทให้กับการเผยแพร่งานวิจัย บทวิจารณ์ และความเห็นที่มีคุณภาพสูงในสาขาการวิจัยทางคลินิก การแปล และสาธารณสุขทั้งหมด
credit : ronaldredito.org cheapcustomsale.net trinitycafe.net faultyvision.net luxurylacewigsheaven.net norpipesystems.com devrimciproletarya.info derrymaine.net tomsbuildit.org taboocartoons.net
