Kompjuterski algoritmi čine nevjerojatne stvari danas sa visokim nivoom preciznosti, koristeći inteligenciju sličnu ljudskoj. Ova kompjuterska inteligencija se često naziva UI ili umjetna inteligencija. UI je predodređena da ostavi veliki utjecaj na naše živote. Ipak, danas se susrećemo sa velikim izazovima u otkrivanju i dijagnosticiranju mnogih opasnih oboljenja, kao što su zarazne bolesti i rak. Hiljade pacijenata svake godine izgube život zbog raka jetre i usne šupljine.
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.
Najbolji način na koji možemo pomoći ovim pacijentima je da ranije otkrijemo i dijagnosticiramo ova oboljenja. Pa kako možemo otkriti ta oboljenja danas, i može li umjetna inteligencija pomoći? Nažalost, za pacijente koji sumnjaju da boluju od ovih oboljenja stručnjaci prvo preporučuju vrlo skupe tehnologije zdravstvenog snimanja kao flourescentna snimanja, rendgene i magnetne rezonance. Kada se ta snimanja obave, drugi stručnjak dijagnosticira te snimke i razgovara sa pacijentom. Kao što vidite, ovo je jako skup i iscrpljujući proces, koji zahtijeva i medicinske stručnjake i skupe tehnologije snimanja, te nije uopće praktičan za zemlje u razvoju. Odnosno, nije ni za razvijenije zemlje, također.
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.
Možemo li riješiti ovaj problem umjetnom inteligencijom? Danas, ako bi htio koristiti tradicionalne metode umjetne inteligencije kako bi riješio ovaj problem, bilo bi mi potrebno 10.000 - ponovit ću, 10.000 ovih skupih medicinskih snimaka bi se moralo napraviti. Nakon toga, otišao bi kod stručnog doktora, koji bi tada analizirao te snimke za mene. Koristeći te dvije informacije mogao bi istrenirati duboku neuralnu mrežu ili duboku samo-učeću mrežu da dijagnosticira pacijenta. Slično kao i u prvom pristupu, tradicionalne metode umjetne inteligencije imaju isti problem. Velike količine podataka, stručni doktori i stručne tehnologije snimanja.
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.
Možemo li izumiti učinkovitije i vrjednije metode umjetne inteligencije kako bi riješili ove bitne probleme s kojim smo suočeni danas? Tačno to radi moja grupa u MIT Media Lab-u. Mi smo osmislili niz neuobičajenih UI metoda kako bi riješili neke od najvažnijih izazova s kojim se susrećemo u medicinskom snimanju i kliničkom ispitivanju.
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.
U primjeru koji sam podijelio s vama, imali smo dva cilja. Prvi cilj je da se smanji broj snimaka potrebnih za treniranje algoritama umjetne inteligencije. Naš drugi cilj - bili smo ambiciozniji, željeli smo smanjiti upotrebu skupih tehnologija snimanja za snimanje pacijenata. Pa kako smo to uspjeli?
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?
Za naš prvi cilj, umjesto da počnemo sa desetinama hiljada ovih skupih medicinskih snimaka, kao tradicionalna UI, počeli smo sa samo jednom snimkom. Iz te snimke, moj tim i ja smo na pametan način uspjeli izvući milijarde paketa informacija. Ti paketi uključuju boje, piksele, oblike i predstavljaju oboljenja na tom snimku. Na neki način, pretvorili smo jedan snimak u milijardu podatkovnih tačaka za trening, značajno smanjujući količinu podataka potrebnih za trening.
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.
Za naš drugi cilj, smanjiti upotrebu skupih tehnologija snimanja kod pacijenata, počeli smo sa standardnom, fotografijom sa bijelim svijetlom, napravljenom profesionalnom kamerom ili mobilnim uređajem, za pacijenta. Sjećate li se onih milijardi paketa informacija? Spojili smo ih iz medicinskog snimka sa ovom slikom, i napravili nešto što zovemo kompozitna slika. Na naše iznenađenje, bilo je potrebno samo 50 - ponovit ću, samo 50 - ovih kompozitnih slika kako bi algoritme učinili jako efikasnim.
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.
Da rezimiramo naš pristup, umjesto da koristimo 10.000 vrlo skupih medicinskih snimaka, možemo istrenirati algoritme UI, na jedan neobičan način, koristeći samo 50 ovih slika visoke rezolucije, snimljenih profesionalnom kamerom i mobitelom, i postaviti dijagnozu. Još bitnije, naši algoritmi mogu prihvatiti, u budućnosti ali i sada, jednostavne fotografije sa bijelim svijetlom od pacijenta, umjesto koristiti skupe tehnologije snimanja.
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.
Vjerujem da postepeno ulazimo u vrijeme gdje umjetna inteligencija predstavlja veliki značaj za našu budućnost. I mislim da uz razmišljanje o tradicionalnoj UI, koja je bogata informacijama, ali siromašna primjenama, trebamo nastaviti razmišljati o neobičnim metodama umjetne inteligencije, koje koriste mali skup informacija i rješavaju neke od najvažnijih problema današnjice, posebno u zdravstvu.
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.
Mnogo vam hvala.
Thank you very much.
(Aplauz)
(Applause)