Estoy realmente conmovido por la razón de que elijas Machine Learning. Y también estoy muy feliz de que alguien te ame y tenga a alguien a quien amar.
No tengo información de fondo con respecto a la enfermedad de células falciformes. Aún así, creo que la respuesta a su pregunta es optimista. En términos generales, el aprendizaje automático, como el reconocimiento de patrones, anteriormente no era tan efectivo como la gente supone. Podemos ver ejemplos sorprendentes de que el aprendizaje automático funciona de manera perfecta, mientras que también podemos ver otros ejemplos de que el resultado no es tan satisfactorio.
Lo que respondo puede parecer no tan directamente relacionado con la pregunta, pero realmente creo que es más relevante para su preocupación.
La efectividad del aprendizaje automático realmente depende del problema.
Si el problema está relacionado con la regresión, la clasificación y la agrupación en un escenario relativamente simplificado, felicitaciones, hay una gran cantidad de técnicas y métodos útiles disponibles en este momento. Sin embargo, si tiene la intención de estudiar el fenómeno del escenario social y económico, generalmente es una tarea difícil.
La diferencia radica principalmente en dos aspectos, 1) la complicación del problema, y 2) las herramientas de medición de los seres humanos hacia el fenómeno. Ej: en un problema económico, pueden existir cientos de factores que interactúan con el objetivo que desea estudiar. Por lo tanto, es realmente difícil simplemente construir una función con estos factores. La teoría estadística, especialmente las teorías de Bayesian, es una herramienta muy poderosa para esto. En lo que respecta a la medición, lo siento, lo que están haciendo los científicos de machine learning es tratar de obtener mejores resultados, ya que pueden limitarse a la disponibilidad de mediciones anteriores.
Una cosa que vale la pena mencionar es que el aprendizaje profundo se ha demostrado poderoso y se ha desarrollado rápidamente en estos años. Cada vez más casos exitosos han sido promovidos y confirmados recientemente. Si está usando esta herramienta, es algo bueno. Aún así, en mi opinión, es importante enfocarse en su propio campo principal y de investigación: la razón es simple, la ruptura del aprendizaje profundo es un resultado seguro después del estudio persistente y continuo de los investigadores durante décadas. Ahora estamos al borde de la explosión tecnológica, por lo tanto, podemos aprovechar muchas cosas que ya se han encontrado e inventado. Cosas similares son, BM3D denoising / deblurring, variaciones de drones, comunicación cuántica, …
Volvamos a tu pregunta. Según entiendo, sus tareas no son solo desarrollar algoritmos y técnicas efectivas para el diagnóstico de enfermedades, sino probablemente un paso más en el desarrollo de dispositivos rápidos y fáciles de usar con su algoritmo integrado. Con respecto a los algoritmos de aprendizaje automático, creo que actualmente podemos recopilar conjuntos de datos de apoyo para el diagnóstico de la enfermedad. Y lo que podemos hacer es desarrollar métodos cada vez más efectivos para esto. Para el dispositivo, sería más que ciencia, incluso una oportunidad económica para usted o una empresa.
Finalmente, deseémosle lo mejor a usted y a su hermano.
