EdTechArtiklar

Maskininlärning och hur det kan användas för att rädda liv

En introduktion till maskininlärning och hur det kan användas för att hjälpa läkare rädda liv.
Apr 14
Författare: Fredrik Gustafsson (Uppsala universitet)

Många har kanske hört talas om maskininlärning och hur det används i olika sociala medier och streamingtjänster, eller hur det används av banker och av många andra storföretag runt om i världen. Men hur fungerar egentligen maskininlärning? Och hur kan maskininlärning användas för att hjälpa läkare rädda liv? Dessa frågor har jag och två doktorand-kollegor vid Uppsala universitet försökt besvara genom att skapa ett kort videoklipp, som ni hittar nedan:

 

I videoklippet försöker vi introducera grunderna för maskininlärning på ett så enkelt och tydligt sätt som möjligt. Vi förklarar sedan också hur maskininlärning kan användas för att hjälpa läkare upptäcka hjärtinfarkter. Vår förklaring baseras på räta linjens ekvation och är därmed särskilt anpassad för högstadieelever. Efter en kort repetition av räta linjens ekvation börjar vi med att visa hur en rät linje kan anpassas till insamlad data, och hur denna linje sedan kan användas för att prediktera olika saker. Som ett enkelt exempel studerar vi hur detta skulle kunna användas för att på förhand prediktera hur mycket glass en viss mataffär kommer sälja under en dag.

Därefter förklarar vi vad ett elektrokardiogram (EKG) är och hur dessa används av läkare när en patient kommer till ett sjukhus och har ont i bröstet. Ett EKG är en bild som visar hjärtats aktivitet hos patienten, och genom att noggrant studera denna bild kan läkare sedan avgöra huruvida patienten har en hjärtinfarkt.

Slutligen generaliserar vi vårt enkla glassförsäljningsexempel och förklarar på så vis hur maskininlärning kan användas för att prediktera hjärtinfarkts-risken för olika EKG, och hur detta därmed kan användas av läkare för att hjälpa dem upptäcka patienter som har en hjärtinfarkt.

Vi hoppas att videoklippet kan vara användbart i matematikundervisningen på högstadie- och gymnasienivå. Maskininlärning är inte något magiskt utan består helt enkelt i att någon typ av matematisk modell anpassas till insamlad data. Denna data-drivna metod är mycket kraftfull och kan användas för att lösa intressanta problem inom en mängd olika tillämpningsområden. Maskininlärning är alltså ett bra exempel på vad matematik kan användas till i praktiken, och det är dessutom någonting som många elever kommer stöta på i sina framtida studier ifall de väljer att läsa vidare inom matematik/teknik/naturvetenskap. I och med att maskininlärning används allt mer i olika delar av samhället kan det också vara nyttigt för folk i allmänhet att tidigt införskaffa en grundläggande förståelse för metoden. Inte minst med tanke på att data-drivna metoder som maskininlärning också medför risker och kan ha negativa konsekvenser. Ifall data samlas in utan närmare eftertanke kan en anpassad maskininlärningsmodell t.ex. komma att fungera dåligt för olika underrepresenterade samhällsgrupper och därmed förstärka redan befintliga strukturella orättvisor. För att kunna inta ett sunt, delvis kritiskt, förhållningssätt till maskininlärning krävs först en grundläggande förståelse, vilket vi hoppas att vårt videoklipp kan ge.

EdTechArtiklar

Maskininlärning och hur det kan användas för att rädda liv

En introduktion till maskininlärning och hur det kan användas för att hjälpa läkare rädda liv.
Apr 14
Författare: Fredrik Gustafsson (Uppsala universitet)

Många har kanske hört talas om maskininlärning och hur det används i olika sociala medier och streamingtjänster, eller hur det används av banker och av många andra storföretag runt om i världen. Men hur fungerar egentligen maskininlärning? Och hur kan maskininlärning användas för att hjälpa läkare rädda liv? Dessa frågor har jag och två doktorand-kollegor vid Uppsala universitet försökt besvara genom att skapa ett kort videoklipp, som ni hittar nedan:

 

I videoklippet försöker vi introducera grunderna för maskininlärning på ett så enkelt och tydligt sätt som möjligt. Vi förklarar sedan också hur maskininlärning kan användas för att hjälpa läkare upptäcka hjärtinfarkter. Vår förklaring baseras på räta linjens ekvation och är därmed särskilt anpassad för högstadieelever. Efter en kort repetition av räta linjens ekvation börjar vi med att visa hur en rät linje kan anpassas till insamlad data, och hur denna linje sedan kan användas för att prediktera olika saker. Som ett enkelt exempel studerar vi hur detta skulle kunna användas för att på förhand prediktera hur mycket glass en viss mataffär kommer sälja under en dag.

Därefter förklarar vi vad ett elektrokardiogram (EKG) är och hur dessa används av läkare när en patient kommer till ett sjukhus och har ont i bröstet. Ett EKG är en bild som visar hjärtats aktivitet hos patienten, och genom att noggrant studera denna bild kan läkare sedan avgöra huruvida patienten har en hjärtinfarkt.

Slutligen generaliserar vi vårt enkla glassförsäljningsexempel och förklarar på så vis hur maskininlärning kan användas för att prediktera hjärtinfarkts-risken för olika EKG, och hur detta därmed kan användas av läkare för att hjälpa dem upptäcka patienter som har en hjärtinfarkt.

Vi hoppas att videoklippet kan vara användbart i matematikundervisningen på högstadie- och gymnasienivå. Maskininlärning är inte något magiskt utan består helt enkelt i att någon typ av matematisk modell anpassas till insamlad data. Denna data-drivna metod är mycket kraftfull och kan användas för att lösa intressanta problem inom en mängd olika tillämpningsområden. Maskininlärning är alltså ett bra exempel på vad matematik kan användas till i praktiken, och det är dessutom någonting som många elever kommer stöta på i sina framtida studier ifall de väljer att läsa vidare inom matematik/teknik/naturvetenskap. I och med att maskininlärning används allt mer i olika delar av samhället kan det också vara nyttigt för folk i allmänhet att tidigt införskaffa en grundläggande förståelse för metoden. Inte minst med tanke på att data-drivna metoder som maskininlärning också medför risker och kan ha negativa konsekvenser. Ifall data samlas in utan närmare eftertanke kan en anpassad maskininlärningsmodell t.ex. komma att fungera dåligt för olika underrepresenterade samhällsgrupper och därmed förstärka redan befintliga strukturella orättvisor. För att kunna inta ett sunt, delvis kritiskt, förhållningssätt till maskininlärning krävs först en grundläggande förståelse, vilket vi hoppas att vårt videoklipp kan ge.

More episodes

No items found.