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.
Компьютерные алгоритмы сегодня выполняют невероятные задачи с высокой точностью, в широких масштабах, используя похожий на людской интеллект. Вычислительную способность компьютеров часто называют ИИ, или искусственный интеллект. ИИ окажет невероятное влияние влияние на нашу будущую жизнь. Однако мы по-прежнему сталкиваемся с серьёзными проблемами в выявлении и диагностировании ряда опасных для жизни болезней, таких как рак и инфекционные заболевания. Тысячи пациентов каждый год умирают из-за рака печени и полости рта.
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.
Лучший способ помочь этим пациентам — выявить и диагностировать заболевание на ранней стадии. Как мы выявляем эти болезни сегодня и как нам может помочь искусственный интеллект? Для пациентов, у которых, к сожалению, есть подозрения на эти заболевания, эксперт-медик сначала заказывает очень дорогие медицинские анализы, такие как флуоресцентная визуализация: томография ТТ и МРТ. Как только изображения готовы, следующий эксперт анализирует изображения и сообщает диагноз пациенту. Как вы заметили, это очень ресурсоёмкий процесс, требующий как экспертного мнения, так и дорогостоящих технологий томографии. Не самый практичный подход для развивающихся стран. Фактически, даже для многих промышленно развитых стран.
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.
Итак, можно ли решить эту проблему с помощью искусственного интеллекта? Сегодня, если использовать традиционные модели искусственного интеллекта для решения этой задачи, потребуется 10 000 — повторюсь, потребуется порядка 10 000 дорогостоящих изображений, которые сначала надо сгенерировать. Затем передать их эксперту-медику для проведения анализа полученных результатов. Используя эти две части информации, я могу запрограммировать стандартную нейронную сеть на выявление диагноза пациента. Подобно первому подходу, традиционные методы искусственного интеллекта сталкиваются с той же проблемой: огромные объёмы данных, работа экспертов и технологии томографии.
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.
Можем ли мы изобрести масштабируемые, эффективные и более действенные модели искусственного интеллекта для решения проблем первоочередной важности, стоящих перед нами сегодня? Этим вопросом мы занимаемся в моей группе в Медиа-лаборатории MIT. Мы изобрели множество неортодоксальных форм ИИ для решения не всех, но наиболее важных задач, стоящих перед нами в области томографии и клинических испытаний.
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?
В примере, которым я поделился сегодня, мы преследовали две цели. Наша первая цель заключается в уменьшении количества изображений, необходимых для обучения алгоритмов искусственного интеллекта. Вторая цель более амбициозна: мы хотим уменьшить использование дорогостоящих медицинских процедур для обследования пациентов. Итак, как нам это удалось?
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.
Для достижения первой цели вместо обработки десятков или тысяч дорогостоящих скринингов, как при традиционной форме ИИ, мы начали с единственного изображения. На основе снимка мы с моей командой разработали очень рациональный способ извлечения миллиардов блоков информации. Эти блоки информации содержат цвет, пиксели, геометрию, визуализируя саму болезнь на изображении. Мы превратили одну картинку в миллиарды точек данных, значительно уменьшив объём данных, необходимых для обучения алгоритма.
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.
Для достижения второй цели — сокращения использования дорогих технологий скрининга — мы берём стандартную цифровую фотографию, сделанную либо на фотоаппарате, либо с помощью смартфона. Помните про миллиарды блоков информации? Мы наложили на них изображения, создав так называемое составное изображение. К нашему удивлению, нам потребовалось всего лишь 50 — повторяю, всего 50 — составных изображений для наделения наших алгоритмов большей эффективностью.
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.
Описывая наш подход: вместо использования 10 000 дорогостоящих изображений мы настраиваем алгоритм ИИ нестандартным образом, для чего требуется всего 50 стандартных снимков с высоким разрешением, полученных с цифровых фотоаппаратов и телефонов. Так мы обеспечиваем диагностику. Что ещё более важно, наши алгоритмы в будущем, и даже уже сегодня, могут использовать самые обычные фотографии, сделанные пациентом, вместо дорогостоящих технологий скрининга.
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.
Я считаю, что мы готовы вступить в эпоху, где искусственный интеллект окажет невероятное влияние на наше будущее. Думаю, что наряду с привычной формой искусственного интеллекта, богатой данными, но малофункциональной в приложениях, нужно продолжать работать над новыми формами искусственного интеллекта, которые принимают небольшой объём данных, но решают некоторые из наиболее важных проблем сегодняшнего дня, особенно в здравоохранении.
Thank you very much.
Большое спасибо.
(Applause)
(Аплодисменты)