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.
În prezent, algoritmii îndeplinesc sarcini incredibile cu mare acuratețe, la o scară enormă, având o inteligență ca cea a oamenilor. Aceasta inteligență a computerelor e adesea denumită IA sau inteligență artificială. IA va avea un impact incredibil asupra vieților noastre în viitor. Astăzi, totuși, încă ne confruntăm cu provocări enorme în detectarea și diagnosticarea câtorva boli care pun viețile în pericol, cum ar fi bolile infecțioase și cancerul. În fiecare an, mii de pacienți își pierd viața din cauza cancerului de ficat sau oral.
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.
Cea mai bună metodă de a ajuta acești pacienți este să performăm o diagnosticare și o detectare precoce a acestor boli. Așadar, cum detectăm aceste boli astăzi și cum ne poate ajuta IA? Pacienților care, din păcate, sunt suspectați de una dintre aceste boli, un medic specialist cere prima oară tehnologii medicale de imagistică foarte scumpe, cum ar fi imagistica fluorescentă, CT, RMN. Odată ce sunt colectate aceste imagini, un alt medic specialist interpretează aceste imagini și vorbește cu pacientul. După cum vedeți, este un proces care presupune multe resurse, necesitând medici specialiști și tehnologie medicală imagistică scumpă, și nu este considerat practic pentru lumea în curs de dezvoltare. De fapt, și în multe țări industrializate.
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.
Deci, putem rezolva această problemă folosind inteligența artificială? Astăzi, dacă ar fi să folosim arhitectura tradițională a IA pentru a rezolva problema, aș avea nevoie de 10.000 -- repet, la un ordin de 10.000 din aceste imagini medicale foarte scumpe să fie generate mai întâi. După aceea, m-aș duce la un medic specialist, care ar analiza acele imagini pentru mine. Și folosind aceste informații, pot pregăti o rețea standard neurală profundă sau o rețea de învățare profundă pentru a stabili diagnosticul pacientului. Similar cu prima abordare, abordările tradiționale ale IA prezintă aceeași problemă. Cantitate mare de date, medici specialiști și tehnologii imagistice de specialitate.
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.
Deci, putem inventa arhitecturi artificiale inteligente mai accesibile, mai eficiente și mai valoroase pentru a rezolva aceste probleme cu care ne confruntăm astăzi? Și asta e exact cu ce se ocupă grupul meu de la MIT Media Lab. Am inventat o varietate de arhitecturi IA neortodoxe pentru a rezolva câteva provocări cu care ne confruntăm astăzi în imagistica medicală și studiile clinice.
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?
În exemplul pe care vi l-am arătat azi, am avut două țeluri. Primul țel a fost să reducem numărul imaginilor care se cer pentru a antrena algoritmii inteligenței artificiale. Al doilea țel - suntem și mai ambițioși, am vrut să reducem uzul de tehnologie imagistică medicală scumpă pentru a consulta pacienții. Cum am făcut-o?
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.
Pentru primul nostru țel, în loc să începem cu zeci și mii de imagini medicale foarte scumpe cum e tradiționala IA, am început cu o singură imagine medicală. Din această imagine, eu și echipa mea am găsit o cale isteață de a extrage miliarde de pachete de informații. Aceste pachete de informații includ culori, pixeli, geometrie și redarea bolii în imaginea medicală. Într-un sens, am convertit o imagine în miliarde de puncte de formare, reducând masiv cantitatea de date necesară pentru pregătire.
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.
Pentru al doilea țel, reducerea utilizării de tehnologie medicală imagistică scumpă pentru a examina pacienții, s-a început cu fotografie standard de lumină albă, achiziționată fie de la camera DSLR sau de la telefonul mobil al pacientului. Rețineți acele miliarde de pachete de informații? Le-am suprapus pe acelea din imaginea medicală pe această imagine, creând ceva ce numim o imagine compusă. Spre surprinderea noastră, am avut nevoie de doar 50 - repet, doar 50 - de astfel de imagini compuse ca să facem algoritmul mai eficient.
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.
Ca să rezum, în loc de 10.000 de imagini medicale foarte scumpe, acum putem antrena algoritmii IA într-un mod neortodox, folosind doar 50 de fotografii standard de rezoluție mare, achiziționate de la camere DSLR și telefoane mobile, și putem stabili diagnostice. Mai important, algoritmii noștri pot accepta, în viitor sau chiar și acum, fotografii foarte simple cu lumină albă, de la pacient, în loc de tehnologie medicală imagistică foarte scumpă.
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.
Cred că suntem pregătiți pentru a intra într-o eră în care inteligența artificială o să aibă un impact incredibil asupra viitorului nostru. Cred că, gândindu-ne la IA tradițională, care e bogată în date, dar săracă în aplicații, ar trebui să continuăm să ne gândim la aceste neortodoxe arhitecturi de inteligență artificială, care pot accepta mici cantități de date și pot rezolva câteva dintre problemele cu care ne confruntăm, în special în domeniul sănătății.
Thank you very much.
Vă mulțumesc foarte mult.
(Applause)
(Aplauze)