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.
لە ئەمڕۆدا، ئەلگۆریتمی کۆمپیوتەرەکان چەندین کاری سەرسوڕهێنەر دەکەن ،بە وردیەکی بەرز و پێوەرێکی باڵا .و بە بەکارهێنانی ژیری مرۆڤئاسا ئەم ژیرییەی کە کۆمپیوتەر هەیەتی ناو دەبرێت بە -ئەی ئای .یان ژیری دروستکراو ئەی ئای - وا ئامادەکراوە کاریگەریەکی .گەورەی هەبێت لەسەر داهاتوومان ،بەڵام تا ئێستەش چەندین بەربەستی گەورەمان لەبەردەمە لە دۆزینەوە و دیاریکردنی ،چەندین نەخۆشی کوشندە .وەک هەوکردن و شێرپەنجە ساڵانە هەزاران نەخۆش ژیانیان لەدەست دەدەن بەهۆی .شێرپەنجەی جگەر و ناودەم
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.
باشترین ڕێگە بۆ یارمەتی ئەم نەخۆشانە ئەوەیە هەوڵی دۆزینەوەی پێشوەختی .ئەم نەخۆشیانە بدەین چۆن لە ئێستەدا ئەم نەخۆشیانە دەدۆزینەوە، ئایا ژیری دروستکراو دەکرێت بەسوود بێت؟ لە ئەو نەخۆشانەی کە بە داخەوە، گومانی ،ئەم نەخۆشییەیان لێدەکرێت دکتۆرێکی شارەزا، داوای چەندین تەکنیکی وێنەگرتنی پزیشکی گران دەکات ،وەک وێنەکردنی تیشکدانەوەی فلۆریدی .سی تی سکان و ئێم ئاڕ ئای بکرێن ،کاتێک ئەو وێنانە کۆ دەکرێنەوە دکتۆرێکی تر ئەو نەخۆشیانە دەدۆزێتەوە و .لەگەڵ نەخۆشەکەدا قسە دەکات ،وەک دەبینن ،ئەمە پرۆسەیەکە کە سەرچاوەی زۆری دەوێت پێویستەی بە دکتۆری شارەزا و ،تەکنەلۆجیای وێنەکردنی پزیشکی گران و بە شتێکی پراکتیکی لە وڵاتە .هەژارنشینەکان نابینرێن لەڕاستیدا، بۆ چەندین .وڵاتی پیشەسازیش، هەمان بارودۆخیان هەیە
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.
ئایا دەتوانین چارەسەری ئەم کێشانە بکەین بە بەکارهێنانی ژیری دروستکراو؟ لە ئێستەدا، ئەگەر بمەوێت بە بونیادی ژیری ،دروستکراوی ئەم سەردەمە بەکاربهێنم ،بۆ چارەسەری ئەم کێشەیە --پێویستەم بە ١٠ هەزار دەبێت دووبارەی دەکەمەوە، ١٠ هەزار لەم وێنە پزیشکیە گرانبەهایانە .بۆ ئەوەی دروست بکرێت لە دوای ئەوەش، بڕوات ،بۆ دکتۆرێکی شارەزا بۆ ئەوەی ئەو وێنانە .شیبکاتەوە بۆمن ،و بە بەکارهێنانی ئەو دوو زانیاریە دەتوانم تۆڕێکی قووڵی دەماری یان تۆڕێکی فێربوونی قووڵ ڕابهێنم .بۆ پێدانی شیکاری نەخۆشیەکە ،نزیک لە یەکەم بیرۆکە ژیری دروستکراوی ئەم سەردەمە هەمان کێشەیان هەیە بڕێکی زۆری زانیاری، دکتۆری شارەزا تەکنەلۆجیای پێشکەوتووی وێنەگرتن
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.
ئەگەر بتوانین، جۆرێکی کارامەتر، باشتر ژیریەکی دروستکراوی بەبەهاتر ،و پێشکەوتوتر دروست بکەین بۆ چارەسەری کێشە گرنگەکانی ئەم سەردەمە؟ ئەمە بە دیاریکراوی کاری گروپەکەمە لە تاقیگەی میدیای ئێم ئای تی چەندین جۆری ئەی - ئای نا ئاسایمان بونیاد ناوە بۆ چارەسەرکردنی ئەو بەربەستانەی کە ڕوبەڕومان دەبنەوە لەمڕۆدا لە وێنەگرتنی پزیشکی و تاقیگە پزیشکیەکان
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?
لەو نمونەیەی کە پیشانمدان ئەمڕۆ .دوو ئامانجمان هەبوو یەکەم ئامانج بە کەمکردنەوە ژمارەی ئەو وێنانە دەبێت کە پێویستە بۆ ڕاهێنانی .ئەلگۆریتمەکانی ژیری دروستکراو ئامانجی دووهەمان - کە زۆر بە پەرۆش بووین دەمانویست بەکارهێنانی تەکنیکی وێنەکاری پزیشکی کەم بکەینەوە .کە وێنەی نەخۆشەکان دەگرێت چۆن ئەمەمان کرد؟
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.
،بۆ یەکەم ئامانجمان لە جیاتی ئەوەی بە هەزاران و دەیان هەزار لەم وێنە گرانبەهایانە بەکاربێنین ،وەک (ئەی- ئای)ەکانی پێشتر .بە یەک وێنەی پزیشکی دەستمان پێکرد لەم وێنەیەوە، خۆم و تیمەکەم، ڕێگەیەکی زۆر زیرەکانەمان دۆزیەوە بۆ دۆزینەوە و دەرهێنانی .ملیارەها جۆری زانیاری ئەم زانیاریانە، لە ڕەنگ ،پێکسڵەکان و شێوەی ئەندازەیی پێکهاتبوون و دوبارە ڕێکخستنەوەی ئەم نەخۆشیانە .لەڕێگەی ئەم وێنە پزیشکییەوە بە شێوەیەک، ئێمە یەک وێنەمان ،گۆڕی بۆ ملیارەها خاڵی ڕاهێنان بە ئەمەش بڕێکی زۆری کەمدەکاتەوە لەو زانیاریانەی کە پێویستە بۆ ڕاهێنان.
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.
،ئامانجی دووهەم بۆ کەمکردنەوەی بەکارهێنانی تەکنەلۆجیای وێنەکردنی پزیشکی بۆ نەخۆشەکان بە یەک وێنەی ئاسایی دەستمانپێکرد کە لە مۆبایل یان کامێرا دەگیرێت .بۆ نەخۆشەکە بیری ئەو ملیار پاکێتی زانیاریانت هەیە؟ ،ئەو وێنە پزیشکیانەمان خستە سەر ئەم وێنەیە کە شتێک پێکدێنێت پێی دەوترێت .وێنەیەکی ئاوێتە ،بە شێوەیەکی سەرسامکەر تەنها ٥٠ دانەمان پێویستە بوو دووبارەی دەکەمەوە تەنها ٥٠ دانە لە ئەو وێنانە بۆ ئەوەی ئەلگۆریتمەکانمان .بە شێوەیەکی باش ڕابهێنین
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.
،بۆ ئەوەی ئەم بیرۆکەیە کورت بکەینەوە لەجیاتی بەکارهێنانی وێنەی پزیشکی گرانبەها ئێستا، ئێمە دەتوانین ئەلگۆریتمەکانی ،ئەی-ئای بە شێوەیەکی نائاسایی ڕابهێنین بە بەکارهێنانی ٥٠ وێنەی ،ئاسایی کوالیتی بەرز لە وێنەی ئاسایی کامێرای(دی ئێس ئێڵ ئاڕ)و کامێرای مۆبایل وەردەگیرێت .بۆ دەستنیشانکردنی نەخۆشی ،لە ئەوەش گرنگتر ئەلگۆریتمەکانمان، لە ئێستە و داهاتوودا دەتوانن ،وێنەی سادە لە نەخۆشەکان وەربگرن لەجیاتی چەندین تەکنەلۆجیای .گرانبەهای وێنەگرتنی پزیشکی
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.
باوەڕم وایە، کە ئەوەی ئێمە بەرەو سەردەمێک دەڕۆین کە ژیری دروستکراو .کاریگەریەکی گەورەی لەسەر داهاتوومان دەبێت باوەڕم وایە کە ئەی - ئای نەوەی پێشوو کە زانیاری زۆری تێدایە بەڵام بەکارهێنانێکی لاواز دەبێت بەردەوام بیربکەینەوە دەربارەی بونیادی ژیری دروستکراوی نائاسایی کە دەتوانێت بە ژمارەیەکی کەمی زانیاری چارەسەری کێشە کرنگەکانی ئەمڕۆ بکات بەتایبەتی لە تەندروستیدا.
Thank you very much.
زۆر سوپاس.
(Applause)
(چەپڵە)