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.
Dnešné počítačové algoritmy dokážu vyriešiť neuveriteľne ťažké úlohy s vysokou presnosťou a v masovom meradle vďaka inteligencii podobnej ľudskej. Počítačovej inteligencii sa často hovorí UI alebo umelá inteligencia. UI je pripravená mať v budúcnosti výrazný vplyv na náš život. Dnes však stále stojíme tvárou v tvár veľkým výzvam, ktoré sa týkajú odhaľovania a diagnostiky niekoľkých život ohrozujúcich ochorení ako sú infekčné choroby či rakovina. Tisícky pacientov každý rok prichádzajú o život pre rakovinu pečene alebo ústnej dutiny.
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.
Najlepší spôsob, ako týmto pacientom pomôcť, je včas odhaliť a diagnostikovať ich ochorenia. Ako dnes diagnostikujeme tieto ochorenia a dokáže nám umelá inteligencia pomôcť? Pacientov, u ktorých je podozrenie na niektorú z týchto chorôb, najskôr špecialista pošle na veľmi drahé vyšetrenie pomocou zobrazovacích metód ako napr. fluorescenčné zobrazovanie CT, MRI... Po získaní snímok ich ďalší špecialista musí zhodnotiť a porozprávať sa s pacientom. Ako vidíte, tento proces je veľmi náročný na zdroje, ktorými sú obaja lekári špecialisti a drahé zobrazovacie technológie, Tento proces je nemysliteľný v rozvojových krajinách. A v skutočnosti aj v mnohých rozvinutých krajinách.
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.
Môže nám teda umelá inteligencia pomôcť tento problém vyriešiť? Ak by som dnes použil tradičnú architektúru umelej inteligencie na vyriešenie tohto problému, potreboval by som 10 000, opakujem, 10 000 veľmi drahých lekárskych snímok, Potom by som šiel za špecialistom, ktorý by mi snímky vyhodnotil. Za pomoci týchto dvoch informačných zdrojov dokážem vytrénovať štandardnú hlbokú neurálnu sieť alebo sieť hĺbkového učenia, ktorá by nám poskytla pacientovu diagnózu. Podobne ako v predošlom príklade, tradičné postupy umelej inteligencie sa stretávajú s rovnakým problémom. Veľké množstvo údajov, špecialisti a špeciálne zobrazovacie technológie.
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.
Dokážeme vynájsť presnejšie, efektívnejšie a hodnotnejšie architektúry umelej inteligencie, ktoré by nám pomohli vyriešiť tieto závažné problémy, ktorým čelíme? A to je presne oblasť, ktorej sa môj tím v Media Labe MIT venuje. Vynašli sme mnoho druhov netradičných architektúr UI s cieľom vyriešiť niektoré z najpálčivejších problémov, ktorým čelíme v medicínskom zobrazovaní a klinických testoch.
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?
V príklade, ktorý som dnes uviedol, sme mali dva ciele. Prvým cieľom bolo znížiť počet snímok potrebných na naučenie algoritmov UI. Naším druhým cieľom, boli sme ambicióznejší, bolo znížiť potrebu drahých zobrazovacích technológií, ktoré snímajú pacientov. A ako sme to dosiahli?
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.
Pri prvom cieli namiesto desiatok až tisícok drahých snímok ktoré sme potrebovali na začiatku pri tradičnej UI sme začali s jedinou snímkou. Spolu s tímom sme objavili veľmi šikovný spôsob, ako zo snímky vytiahnuť miliardy blokov údajov. Tieto údaje zahŕňali farby, pixely, geometriu a priebeh choroby na lekárskej snímke. Takpovediac sme premenili jedinú snímku na miliardy údajov na učenie, čo značne znížilo množstvo potrebných údajov.
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.
Na dosiahnutie druhého cieľa, zníženia využívania drahých zobrazovacích technológií na snímanie pacientov, sme začali so štandardnou čiernobielou fotkou urobenou buď digitálnou zrkadlovkou alebo mobilom. Pamätáte si tie miliardy blokov údajov? Naukladali sme tie z lekárskej snímky na fotku a vytvorili tzv. zloženú snímku. Prekvapilo nás, že sme potrebovali iba 50, opakujem, iba 50 zložených snímok na naučenie efektívnych algoritmov.
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.
Aby som to zhrnul, namiesto použitia 10 000 veľmi drahých lekárskych snímok dokážeme naučiť algoritmy UI netradičným spôsobom, s využitím iba 50 štandardných fotografií vo vysokom rozlíšení získaných pomocou digitálnych fotoaparátov alebo mobilov a následne určiť diagnózu. Čo je dôležitejšie, naše algoritmy dokážu spracovať, v budúcnosti ale aj teraz, veľmi jednoduché čiernobiele fotografie od pacienta namiesto drahých lekárskych zobrazovacích technológií.
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.
Verím, že sme pripravení vstúpiť do éry, v ktorej umelá inteligencia dokáže významne ovplyvniť našu budúcnosť. A tiež si myslím, že namiesto tradičnej UI, ktorá je síce bohatá na údaje, ale ťažko použiteľná, by sme mali naďalej rozmýšľať nad netradičnou architektúrou UI, ktorej stačí malé množstvo údajov na vyriešenie najdôležitejšieho problému, ktorému dnes čelíme, hlavne v oblasti zdravia.
Thank you very much.
Ďakujem veľmi pekne.
(Applause)
(potlesk)