Компютърните алгоритми днес изпълняват невероятни задачи с висока точност и в огромен мащаб, използвайки интелект, подобен на човешкия. Този компютърен интелект често бива наричан AI или изкуствен интелект.
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.
Изкуственият интелект е на път да окаже невероятно въздействие върху нашия живот в бъдещето. Днес, обаче, все още сме изправени пред огромни предизвикателства при откриването и диагностицирането на няколко живото-застрашаващи заболявания, като например инфекциозните заболявания и рака. Хиляди пациенти всяка година губят живота си поради рак на черния дроб и на устната кухина.
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.
Най-добрият начин да помогнем на тези пациенти е ранното откриване и диагностициране на тези заболявания. Как откриваме тези заболявания днес и би ли могъл изкуственият интелект да помогне? При пациентите, при които, за съжаление, има съмнение за такава болест, лекарят специалист първо предписва много скъпи медицински образни технологии, като например флуоресцентни образи, компютърна томография, магнитен резонанс. Когато образите са готови, друг специалист ги използва за диагностициране и ги обсъжда с пациента. Както виждате, този процес изисква много ресурси - експерти и скъпи медицински технологии, и не е практичен в развиващите се страни. В интерес на инстината, също така и в много индустрализирани страни.
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.
Можем ли да разрешим този проблем, използвайки изкуствен интелект? Ако трябва да използвам традиционната архитектура за изкуствен интелект, за да реша този проблем, ще са ми необходими 10 000, повтарям 10 000 от тези скъпи медицински образи, които трябва да бъдат генерирани. След това, ще трябва да отида при специалист, който ще анализира тези образи. С тези два вида информация, мога да обуча стандартна дълбока невронна мрежа или мрежа за дълбоко обучение, за да предоставя диагноза на пациентите. Както и при първия подход, традиционните подходи, включващи изкуствен интелект, страдат от същия проблем. Големи количества данни, специалисти и специализирани технологии за медицински образи.
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.
Можем ли да създадем по-достъпна, ефективна и стойностна архитектура за изкуствен интелект, за да се справим с тези сериозни проблеми, с които се сблъскваме? Това е задачата, с която се занимава моята група в Медийната лаборатория на Технологичния Институт в Масачузец. Ние изобретихме различни нестандартни AI архитектури, за да решим най-сериозните проблеми, с които се сблъскваме днес във връзка с медицинските образи и и клинични изпитвания.
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.
Във връзка с примера, който споделих днес с вас, ние имахме две цели. Първата ни цел беше да намалим броя изображения, необходими, за да бъдат обучени алгоритмите на изкуствения интелект. Втората ни цел - по-амбициозна - беше да намалим използването на скъпа медицинска образна технология за преглед на пациенти. Как го направихме?
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?
За първата ни цел, вместо да започнем с десетки хиляди от тези скъпи медицински образи, както при традиционния изкуствен интелект, започнахме с едно единствено медицинско изображение, От това изображение, моят екип и аз намерихме оригинален начин, за да извлечем милиарди информационни пакети. Тези информационни пакети включваха цветове, пиксели, геометрия и изобразяване на болестта върху медицинския образ. В известен смисъл, ние превърнахме едно изображение в милиарди източници за обучение и така намалихме количеството данни, необходими за обучението.
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.
За втората ни цел, намаляването на използването на скъпи медицински образни технологии за преглед на пациенти, ние започнахме със стандартна снимка с бяла светлина, създадена или с DSLR фотоапарат, или мобилен телефон, за пациента. Помните ли онези милиарди информационни пакети? Насложихме ги върху тази снимка, създавайки по този начин нещо, което се нарича композитно ичображение. За наша изненада се нуждаехме от само 50, потварям, само 50 от тези композитни изображения, за да обучим нашите алгоритми до висока ефективност.
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.
За да обобщя нашия подход, вместо да използваме 10 000 много скъпи медицински образи, можехме да обучим AI алгоритмите по нестандартен начин, използвайки само 50 от тези стандартни снимки с висока резолюция, направени с DSLR фотоапарати и мобилни телефони и да предоставим диагноза. Още по-важно, нашите алгоритми могат да получат в бъдещето и дори в момента, много обикновени снимки с бяла светлина от пациентите, вместо скъпите медицински образни технологии.
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.
Вярвам, че сме на прага на епоха, в която изкуственият интелект ще има невероятно въздействие върху бъдещето. И смятам, че когато мислим за традиционния изкуствения интелект, който е богат на данни, но беден на приложения, ние също трябва да продължим да мислим за нестандартни архитектури за изкуствен интелект, които могат да получават малки количества данни и да решават проблемите, с които се сблъскваме днес, особено свързани със здравеопазването.
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.
Благодаря ви много.
Thank you very much.
(Аплодисменти)
(Applause)