Heute verrichten Computeralgorithmen unglaubliche Aufgaben mit großer Präzision, von enormem Umfang, durch menschenähnliche Intelligenz. Diese Intelligenz von Computern wird oft als KI bezeichnet oder künstliche Intelligenz. KI wird eine unglaubliche Auswirkung auf unser Leben in der Zukunft zu haben. Heute stehen wir jedoch enormen Herausforderungen gegenüber beim Erkennen und der Diagnose von einigen lebensgefährlichen Krankheiten, so wie Infektionskrankheiten und Krebs. Jedes Jahr verlieren tausende Patienten ihr Leben wegen Leber- und Mundkrebs.
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.
Unser bester Weg, diesen Patienten zu helfen, ist eine Früherkennung und Diagnose dieser Krankheiten durchzuführen. Wie entdecken wir also diese Krankheiten und kann künstliche Intelligenz helfen? Bei Patienten mit Verdacht auf eine solche Krankheit weist ein Facharzt zuerst sehr teure Technologien der Bilddiagnose wie fluoreszierende Bildgebung, CTs, MRTs, zur Ausführung an. Sobald diese Bilder gesammelt worden sind, macht ein anderer Experte die Bilddiagnose und spricht mit dem Patienten. Wie Sie sehen, ist dies ein sehr ressourcenintensiver Prozess, der sowohl Fachärzte als auch teure Bildgebungsverfahren benötigt und für Entwicklungsländer als ungeeignet angesehen wird. Und im Grunde auch in vielen Industrieländern.
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.
Können wir also dieses Problem lösen, indem wir künstliche Intelligenz nutzen? Wenn ich heute traditionelle Architektur künstlicher Intelligenz nutzen würde, um dieses Problem zu lösen, würde ich 10.000 brauchen -- Ich wiederhole, etwa 10.000 von diesen sehr teuren medizinischen Bildern müssen zuerst erstellt werden. Danach ginge ich zu einem Facharzt, der für mich diese Bilder analysieren würde. Indem ich diese zwei Informationen nutze, kann ich ein normales "Deep Learning"-Netzwerk trainieren, Diagnosen für Patienten zu erstellen. Ähnlich wie beim ersten Ansatz leiden Ansätze traditioneller KI unter dem gleichen Problem. Große Datenmengen, Fachärzte und High-Tech in der Bilddiagnostik.
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.
Können wir also skalierbare, effektivere und wertvollere Architekturen künstlicher Intelligenz erfinden, um diese sehr wichtigen Probleme zu lösen, vor denen wir heute stehen? Genau das macht meine Gruppe beim MIT Media Lab. Wir erfanden eine Reihe an unorthodoxen KI-Architekturen, um einige der wichtigsten Herausforderungen bei Bilddiagnostik und klinischen Prozessen zu lösen.
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.
In dem Beispiel, das ich heute nannte, hatten wir zwei Ziele. Unser erstes Ziel war es, die Anzahl der Bilder zu reduzieren, die benötigt werden, um KI-Algorithmen zu trainieren. Unser zweites Ziel war ambitionierter, nämlich den Einsatz der teuren Bilddiagnose zu reduzieren, um die Patienten zu screenen. Wie haben wir das gemacht?
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?
Für unser erstes Ziel haben wir, statt wie traditionelle KI mit Tausenden dieser sehr teuren medizinischen Bilder zu starten, mit einem einzelnen medizinischen Bild angefangen. Von diesem Bild aus fanden mein Team und ich einen cleveren Weg, Milliarden dieser Informationspakete zu extrahieren. Diese Informationspakete beinhalteten Farben, Pixel, Geometrie und die Darstellung der Krankheiten auf den medizinischen Bildern. Wir haben quasi ein Bild in Milliarden Trainingsdaten gewandelt und die Datenmenge massiv reduziert, die für das Training benötigt wird.
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.
Für unser zweites Ziel, die Nutzung teurer medizinischer Bildtechnologien beim Screening zu verringern, starteten wir mit einer normalen Weißlichtaufnahme, aufgenommen mit einer DSLR Kamera oder mit einer Telefonkamera für den Patienten. Erinnern Sie sich an die Milliarden Informationspakete? Wir haben diese mit den medizinischen Bildern überlagert und etwas erschaffen, das wir Verbund-Bild nennen. Zum unserem großen Erstaunen benötigten wir nur 50 -- Ich wiederhole, nur 50 -- dieser Verbund-Bilder, um die Algorithmen auf hohe Effizienz zu bringen.
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.
Zusammenfassend gesagt: anstatt 10,000 dieser sehr teuren Bilder zu verwenden, können wir nun die KI-Algorithmen auf unkonventionelle Art trainieren, indem wir nur 50 dieser hochauflösenden Standard-Fotos verwenden, die von DSLR-Kameras und Mobiltelefonen aufgenommen worden sind, und Diagnosen erstellen. Wichtiger noch, unsere Algorithmen können in der Zukunft und sogar schon jetzt, ein paar simple Weißlichtaufnahmen des Patienten annehmen, anstelle von teuren medizinischen Bildtechnologien.
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.
Ich glaube, dass wir jetzt in eine Ära gelangen, wo künstliche Intelligenz eine unglaubliche Auswirkung auf unsere Zukunft hat. Und ich glaube, dass wir neben dem Nachdenken über traditionelle KI, die reich an Daten, aber arm an Anwendungen ist, wir auch weiter nachdenken sollten über ungewöhnliche KI-Architekturen, die kleine Mengen an Daten akzeptieren können und ein paar der wichtigsten Probleme, vor denen wir stehen, lösen kann, insbesondere im Gesundheitswesen.
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.
Vielen Dank.
Thank you very much.
(Applaus)
(Applause)