Počítačové algoritmy v současnosti předvádí neuvěřitelné výkony s vysokou přesností a v obrobském měřítku díky inteligenci, která se podobá lidské. Této inteligenci počítačů se často říká AI, neboli umělá inteligence. AI je připravená mít v budoucnu obrovský dopad na naše životy. V současnosti ovšem stále čelíme obrovským problémům při rozpoznání a diagnostice některých životu ohrožujících nemocí, například infekční onemocnění a rakovina. Tisíce pacientů ročně umírá na rakovinu jater a ústní dutiny.
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.
Pacientům můžeme nejlépe pomoci brzkým rozpoznáním a diagnostikou těchto nemocí. Takže jak rozpoznáváme tyto nemoci dnes? A může nám s tím umělá inteligence pomoci? Pacienti, u kterých je bohužel podezření na tyto nemoci, nejprve podstoupí velice drahá zobrazovací vyšetření, například fluorescenční snímkování, CT či magnetickou resonanci. Jakmile se snímky vytvoří, další lékař poté tyto snímky zhodnotí, určí diagnózu a sdělí ji pacientovi. Jak vidíte, je to velice náročný proces, kde jsou zapotřebí specialisté a drahé zobrazovací přístroje. Tento postup tedy není vhodný pro rozvojové země. A není vlastně vhodný ani pro mnoho industrializovaných zemí.
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.
Jak tedy můžeme tento problém vyřešit s umělou inteligenci? Kdybych nyní na tento problém použil tradiční architektury umělé inteligence, potřeboval bych jich 10 000 -- Ano, nejrve bychom museli vytvořit 10 000 těchto drahých snímků. Poté bych je zanesl specialistovi, který by je vyhodnotil. Pomocí těchto dvou informací mohu trénovat standardní hluboké neuronové sítě nebo sítě hlubokého učení, zjistit pacientovu diagnózu. Stejně jako první přístup mají tradiční přístupy umělé inteligence stejný problém. Velké objemy dat, přítomnost specialistů a specializovaných zobrazovacích zařízení.
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.
Můžeme tedy vyvinout dokonalejší, účinnější a hodnotnější architektury umělé inteligence, abychom tak vyřešili důležité problémy, kterým nyní čelíme? A to je přesně to, co dělá můj tým při MIT Media Lab. Vyvinuli jsme různé netradiční architektury umělé inteligence, abychom vyřešili ty největší problémy, kterým nyní čelíme při zobrazovacích a klinických testech.
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 příkladu, který jsem vám dnes ukázal, jsme měli dva cíle. Naším prvním cílem bylo snížit počet snímků, které jsou zapotřebí pro vytrénování algoritmů umělé inteligence. Naším druhý cílel bylo -ambicióznějším - menší využívání drahých zdravotnických zobrazovacích technologií ke screeningu pacientů. Tak jak jsme to dokázali?
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?
Pro náš první cíl, namísto začínání s desítkami a tisíci drahých zdravotnických snímků, jako tradiční umělá inteligence, začali jsme u jednoho zdravotnického snímku. Z tohoto snímku jsem spolu s týmem dokázali chytře získat miliardy informačních souborů. Tyto soubory obsahují informace o barvách, pixelech, uspořádání a podobě nemoci na zdravotnickém snímku. Vlastně jsme jen změnili jeden obrázek na miliardy zkušebních datových bodů, což značně snížilo množství dat, která jsou pro učení zapotřebí.
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.
Pro náš druhý cil, omezit využívání drahých zdravotnických snímkovacích technologií, jsme začali se standardní fotografií s bílým světlem, kterou jsme pořídili buď zrcadlovkou, nebo mobilním telefonem. Vzpomínáte si na ty miliardy informačních souborů? Vložili jsme zdravotnický snímek na tento obrázek a vytvořili něco, čemu říkáme složený snímek. K našemu překvapení jsme jich potřebovali pouze 50. Opravdu jen 50 těchto složených snímků, aby byly naše algoritmy účinné.
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.
Abych shrnul náš přístup, nepoužíváme 10 000 drahých zdravotnických snímků, můžeme natrénovat AI algoritmy neortodoxním způsobem, z pouze 50 standardních fotografií s vysokým rozlišením, které jsme pořídili zrcadlovkou nebo mobilem a provedeme diagnózu. Důležitější ovšem je, že naše algoritmy budou moci a již nyní mohou analyzovat některé jednoduché, přirozeně osvětlené fotografie pacienta, namísto drahých zobrazovacích zařízení.
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.
Věřím, že jsme připravení vstoupit do doby, kdy bude mít umělá inteligence velký vliv na naši budoucnost. A myslím si, že namísto tradiční umělé inteligence, která zpracovává velké objemy dat, ale je málo využitelná, bychom se měli zamyset nad netradičními architekturami umělé inteligence, které potřebují pouze malé množství dat a dokážou vyřešit některé z největších problémů, kterým nyní ve zdravotnictví čelíme.
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.
Děkuji vám.
Thank you very much.
(potlesk)
(Applause)