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.
現在のコンピューターアルゴリズムは 素晴らしい仕事をしています 人間のような知能を持ち 膨大なデータを 高い精度で処理しています このコンピューターの知能は よく「AI」 あるいは「人工知能」と呼ばれます AIは 人々の将来の暮らしに 素晴らしい影響を及ぼそうとしています しかし 私達は今でも 感染症やがんなどの 命に関わる病気を 発見や診断をする際に 数多くの課題に直面しています 毎年 何千人もの患者が 肝臓がんや口腔がんで 亡くなっています
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.
これらの患者を救う 最善の方策は がんの早期発見と診断を 行うことです 現在 病気はどう検出されているでしょう? AIは活用可能でしょうか? 不幸にも 患者にこれらの 病気の疑いがある際には 専門医が最初に指示するのは 蛍光イメージング、CT、MRIなどの とても高価な 医用画像技術の使用です 画像が集まったら また別の専門医が画像を診断し 患者に診断を告げます お分かりのように この過程は 膨大なリソースを要します 2人の専門医、高価な医用画像技術 発展途上国では 実用的ではありません 実際は 多くの先進国でも同じです
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.
ではAIを使って この問題を 解決できるでしょうか? 現在 もし私が従来の AIの仕組みを使って この問題を解決しようとしたなら 1万枚もの― 繰り返しますが 万単位の とても高価な医用画像が まず必要になります その後 私は 専門医のところに行き これらの画像を 分析してもらいます そして これら2つの 情報を用いて 患者を診断するために 標準的な ディープニューラルネットワーク または ディープラーニングネットワークに 学習させることができます 最初のアプローチと同じように AIを使った従来のアプローチでは 同じ問題に突き当たります 膨大なデータ、専門医 専門医用画像技術
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.
では より広めやすく、より効果的で より価値のある AIを構築し 現在私達が直面する 重要な課題を 解決することは可能でしょうか? それがまさに MITメディアラボで 私のグループが取り組んでいる内容です 現在 医用画像や臨床試験で直面する 最も重要な課題のいくつかを解決するために いくつかの斬新な AIの仕組みを開発しました
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?
今日皆さんにお伝えした例では 2つの目標がありました 最初の目標は AIのアルゴリズムの 学習に必要な画像の 枚数を減らすことでした 2つ目の目標は より野心的で 患者をスクリーニングする際の 高価な医用画像技術の使用を 減らしたいと考えました 私達は どう取り組んだでしょう?
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.
最初の目標については 従来のAIのように 数万枚もの高価な医用画像から 取りかかるのではなく 1枚の医用画像から 始めることにしました 私のチームは この画像から 何十億もの 情報パケットを抽出する 賢い方法を見つけました これら情報パケットに含まれるのは 色、画素、位置関係— そして医用画像に 病巣をレンダリングしたものです ある意味 1枚の画像を何十億もの 学習用データへ変換できたことで 学習に必要なデータ量の 大幅減が可能になりました
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.
二つ目の目標 スクリーニングの目的で 高価な医用画像検査の使用を減らすために 患者のためにデジタル一眼レフカメラや 携帯電話で撮影された 標準的な白色光の写真から始めました 先程の何十億もの 情報パケットを覚えていますか? 医用画像から得たそれらの情報を この画像の上に重ね いわゆる 合成写真を作りました かなり驚いたことに わずか50枚で十分でした 繰り返しますが わずか50枚の 合成写真で 効率よくアルゴリズムに 学習させることができました
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.
私達のアプローチをまとめると 1万枚の とても高価な医用画像を 使うのではなく AIアルゴリズムを画期的な 方法で学習させることが可能になりました デジタル一眼レフカメラや 携帯電話で撮影した 標準的な高解像度写真が たった50枚あれば 診断ができます より重要なことに 私達のアルゴリズムは 将来 そして今でも 高価な医用画像技術ではなく 患者が持つ ごくシンプルな 白色光写真を 活用できます
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.
AIが私達の将来に 素晴らしい影響を及ぼす 時代に入ろうとしていると 私は考えています データはたくさんあれど 運用が不便だった 従来のAIのことを考えると 特に医療分野において 少量のデータを活用し 私達が現在直面する 最も大切な課題を解決できる 斬新なAIの仕組みについて 引き続き考えていくべきです
Thank you very much.
どうもありがとうございました
(Applause)
(拍手)