تقوم خوارزميات الحاسوب اليوم بمهام هائلة بدقة عالية، على نطاق واسع، وباستخدام ذكاء يشبه ذكاء الإنسان وغالباً ما يعرف ذكاء الحواسيب بال"أيه آي" أو الذكاء الاصطناعي والذي سيكون له تأثير كبير على حياتنا في المستقبل لكننا ما زلنا نواجه اليوم تحديات كثيرة في كشف وتشخيص العديد من الأمراض التي تهدد الحياة مثل الأمراض المُعدية والسرطان الآلاف من المرضى في كل عام يخسرون حياتهم بسبب سرطان الكبد والفم
Computer algorithms today are performing incredible tasks with high accuracies, at a massive scale, using human-like intelligence. And this intelligence of computers is often referred to as AI or artificial intelligence. AI is poised to make an incredible impact on our lives in the future. Today, however, we still face massive challenges in detecting and diagnosing several life-threatening illnesses, such as infectious diseases and cancer. Thousands of patients every year lose their lives due to liver and oral cancer.
أفضل طريقة لمساعدة هؤلاء المرضى هي إجراء الكشف المبكر وتشخيص هذه الأمراض. إذن كيف نكتشف هذه الأمراض اليوم، وهل يمكن للذكاء الاصطناعي أن يساعد؟ للأسف، فالمرضى الذين يشتبه بإصابتهم بهذه الأمراض، يطلب منهم الطبيب أولاً إجراء صور شعاعية متطورة ومكلفة جداً مثل التصوير الفلوري والأشعة المقطعية والرنين المغناطيسي وبمجرد جمع هذه الصور يقوم طبيب آخر بتشخيص تلك الصور والتحدث إلى المريض. كما ترون، تتطلب هذه العملية الكثير من الموارد كما تتطلب أطباء ذوي خبرة، وتقنيات تصوير طبي مكلفة، وهذا الحل ليس عملياً للعالم النامي وفي الحقيقة، للكثير من الدول الصناعية كذلك.
Our best way to help these patients is to perform early detection and diagnoses of these diseases. So how do we detect these diseases today, and can artificial intelligence help? In patients who, unfortunately, are suspected of these diseases, an expert physician first orders very expensive medical imaging technologies such as fluorescent imaging, CTs, MRIs, to be performed. Once those images are collected, another expert physician then diagnoses those images and talks to the patient. As you can see, this is a very resource-intensive process, requiring both expert physicians, expensive medical imaging technologies, and is not considered practical for the developing world. And in fact, in many industrialized nations, as well.
إذاً هل نستطيع حل هذه المشكلة، باستخدام الذكاء الاصطناعي؟ اليوم، إذا ما أردنا استخدام نقنيات الذكاء الاصطناعي التقليدي لحل هذه المشكلة فإننا بحاجة إلى عشرة آلاف... أكرر، بحدود 10 آلاف صورة من هذه الصور الطبية المكلفة يجب أن تكون جاهزة أولاً بعد ذلك، نحن بحاجة لأطباء ذوي خبرة لتحليل هذه الصور لنا. وباستخدامنا لهذه المعلومات، يمكننا تدريب شبكة عصبونية عميقة نموذجية أو شبكة تعلم عميق لتوفير التشخيص للمريض على غرار النهج الأول، فإن أساليب الذكاء الاصطناعي التقليدي تعاني من نفس المشكلة. كميات كبيرة من البيانات والأطباء الخبراء وتقنيات تصوير طبي متطورة.
So, can we solve this problem using artificial intelligence? Today, if I were to use traditional artificial intelligence architectures to solve this problem, I would require 10,000 -- I repeat, on an order of 10,000 of these very expensive medical images first to be generated. After that, I would then go to an expert physician, who would then analyze those images for me. And using those two pieces of information, I can train a standard deep neural network or a deep learning network to provide patient's diagnosis. Similar to the first approach, traditional artificial intelligence approaches suffer from the same problem. Large amounts of data, expert physicians and expert medical imaging technologies.
هل يمكننا إذًا إيجاد أساليب أكثر فعالية وقابلة للتوسع إضافة إلى طرق ذكاء اصطناعي قيمة لحل هذه المشاكل التي تواجهنا اليوم؟ هذا تماماً هو ما تعمل عليه مجموعتنا في مختبر "إم آي تي ميديا لاب". اختراع مجموعة متنوعة من أساليب الذكاء الاصطناعي غير التقليدية لحل الكثير من التحديات التي تواجهنا اليوم في مجال التصوير الطبي والتجارب السريرية
So, can we invent more scalable, effective and more valuable artificial intelligence architectures to solve these very important problems facing us today? And this is exactly what my group at MIT Media Lab does. We have invented a variety of unorthodox AI architectures to solve some of the most important challenges facing us today in medical imaging and clinical trials.
في المثال الذي عرضته اليوم، كان لدينا هدفان الهدف الأول كان تقليص عدد الصور الطبية المطلوبة لتدريب خوارزميات الذكاء الاصطناعي. أما الهدف الثاني، فهو أكثر طموحاً، كنا نريد التقليل من استخدام تقنيات التصوير الطبي عالية الكلفة لفحص المرضى إذاً كيف فعلنا ذلك؟
In the example I shared with you today, we had two goals. Our first goal was to reduce the number of images required to train artificial intelligence algorithms. Our second goal -- we were more ambitious, we wanted to reduce the use of expensive medical imaging technologies to screen patients. So how did we do it?
بالنسبة لهدفنا الأول، بدلاً من البدء بالعشرات والآلاف من هذه الصور الطبية المكلفة، واستعمال الذكاء الاصطناعي التقليدي بدأنا بصورة طبية واحدة ومن خلال هذه الصورة، استطعت أنا وفريقي أن نجد أسلوبًا ذكيًّا لاستخراج المليارات من حزم المعلومات. تتضمن حزم المعلومات هذه: الألوان والبكسلات والأبعاد وتوصيفات المرض على الصورة الطبية. بمعنى آخر، قمنا بتحويل صورة واحدة إلى مليارات النقاط من بيانات التدريب، مما قلل بشكل كبير من كمية البيانات اللازمة للتدريب
For our first goal, instead of starting with tens and thousands of these very expensive medical images, like traditional AI, we started with a single medical image. From this image, my team and I figured out a very clever way to extract billions of information packets. These information packets included colors, pixels, geometry and rendering of the disease on the medical image. In a sense, we converted one image into billions of training data points, massively reducing the amount of data needed for training.
بالنسبة للهدف الثاني، أي الحد من استخدام الصور الطبية المكلفة لفحص المرضى، بدأنا بصورة الضوء الأبيض القياسية، الملتقطة للمريض إما من آلة تصوير رقمية ذات عدسة أحادية عاكسة أو من هاتف محمول. المليارات من حزم المعلومات الذي ذكرناها قبل قليل؟ قمنا بتركيبها على هذه الصورة، وأنشأنا ما نسميه صورة مركبة. وما أدهشنا هو أننا احتجنا فقط إلى 50 صورة أكرر، فقط خمسون صورة من هذه الصور المركبة، من أجل تدريب خوارزمياتنا لفعالية عالية
For our second goal, to reduce the use of expensive medical imaging technologies to screen patients, we started with a standard, white light photograph, acquired either from a DSLR camera or a mobile phone, for the patient. Then remember those billions of information packets? We overlaid those from the medical image onto this image, creating something that we call a composite image. Much to our surprise, we only required 50 -- I repeat, only 50 -- of these composite images to train our algorithms to high efficiencies.
لتلخيص طريقتنا، بدلاً من استخدام عشرة آلاف صورة طبية عالية التكلفة يمكننا الآن تدريب خوارزميات الذكاء الاصطناعي بطريقة غير تقليدية باستخدام فقط 50 صورة قياسية عالية الجودة، ملتقطة بآلات تصوير رقمية ذات عدسة أحادية عاكسة وهواتف محمولة. لتوفير التشخيص. والأهم من هذا، فخوارزمياتنا يمكنها أن تقبل، في المستقبل وحتى في الوقت الحالي بعض الصور البسيطة جداً للمريض بتقنية الضوء الأبيض، عوضاً عن تقنيات التصوير الطبي المكلفة.
To summarize our approach, instead of using 10,000 very expensive medical images, we can now train the AI algorithms in an unorthodox way, using only 50 of these high-resolution, but standard photographs, acquired from DSLR cameras and mobile phones, and provide diagnosis. More importantly, our algorithms can accept, in the future and even right now, some very simple, white light photographs from the patient, instead of expensive medical imaging technologies.
أعتقد أننا مستعدون لدخول عصر حيث يمكن للذكاء الاصطناعي أن يؤثر فيه بشكل هائل على مستقبلنا وأعتقد أن التفكير في الذكاء الاصطناعي التقليدي الذي يعتبر غنيًّا بالبيانات وفقيرًا في التطبيق يجب علينا أيضاً متابعة التفكير، في طرق غير تقليدية لتطوير الذكاء الاصطناعي التي تتطلب فقط كمية محدودة من البيانات لحل بعض المشاكل الكبيرة التي تواجهنا اليوم خاصة في الرعاية الصحية.
I believe that we are poised to enter an era where artificial intelligence is going to make an incredible impact on our future. And I think that thinking about traditional AI, which is data-rich but application-poor, we should also continue thinking about unorthodox artificial intelligence architectures, which can accept small amounts of data and solve some of the most important problems facing us today, especially in health care.
شكراً جزيلاً لكم.
Thank you very much.
(تصفيق)
(Applause)