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.
Günümüzde bilgisayar algoritmaları insansı zekâları kullanarak Büyük ölçülerde, büyük ölçeklerde harika işler yapabilmektedirler. Ve bilgisayarların bu zekâlarına çoğunlukla YZ ya da "yapay zekâ" deniyor. YZ gelecekte hayatımıza muazzam bir etki oluşturmaya hazır. Fakat günümüzde hâlâ bazı bulaşıcı hastalıklar ve kanserin farkına varma ve teşhis koyma aşamalarında büyük zorluklar ile karşılaşıyoruz. Her yıl binlerce hasta, ağız ve karaciğer kanserinden hayatını kaybediyor.
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.
Onlara yardımı en iyi şekilde erken tanı ve teşhisle yapabiliriz. Peki günümüzde bu hastalıkları nasıl teşhis ediyoruz? Ve teşhiste yapay zekâ bize yardımcı olabilir mi? Hasta olduğundan şüphelenilen kişiler için uzman bir doktor öncelikle MR ve tomografi gibi yüksek maliyetli teknolojik sistemlerden görüntüleme testleri istemektedir. Sonuçlar alındıktan sonra başka bir uzman görüntüleri inceler ve teşhisi hastaya bildirir. Gördüğünüz gibi bu süreç günümüz dünyasına uymayan bir şekilde uzman hekimler, pahalı tıbbi görüntüleme teknolojileri gibi kaynaklara fazlaca bağımlı bir süreçtir. Maalesef ki sanayileşmiş ülkelerde de durum aynı.
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.
Peki bu problemi yapay zekâ kullanarak çözebilecek miyiz? Bugün bu sorunu geleneksel yapay zekâ mimarileriyle çözmek istersem eğer, 10.000 adet evet tekrar ediyorum, 10.000 adet görüntüyü bu pahalı sistemlerden elde etmemiz gerekli. Sonra uzman bir hekime gitmem ve onun bu görüntüleri benim için analiz etmesi gerekli. Ve elde edilen bu iki bilgiyi kullanarak standart bir derin yapay sinir ağını veya bir derin öğrenme ağını hastanın tanısı için eğitebilirim. İlk yaklaşıma benzer şekilde, geleneksel yapay zekâ yaklaşımları aynı sorundan muzdariptir. Büyük miktarda veri, uzman hekimler ve ileri tıbbi görüntüleme teknolojileri.
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.
Peki şu anda karşılaştığımız bu önemli sorunları çözmek adına daha etkili, daha ölçeklenebilir ve daha değerli yapay zekâ mimarileri geliştirebilir miyiz? İşte grubumla MIT Medya Laboratuvarı'nda yaptığımız şey tam olarak bu. Günümüzde klinik deneylerde karşılaşılan bu bazı önemli sorunların çözümü için alışılmışın dışında çeşitli YZ mimarileri oluşturduk.
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?
Bugün sizinle paylaştığım örnekte, iki hedefimiz vardı. Birinci hedefimiz, yapay zekâ algoritmalarını eğitmek için gereken görüntü sayısını azaltmaktı. İkinci hedefimiz ise daha iddialıydı: Hastaları incelemek için gerekli maliyeti yüksek görüntüleme sistemlerinin kullanımını azaltmak. Peki bunu nasıl başardık ?
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.
İlk hedefimiz için öncelikle geleneksel yapay zekâda gerektiği gibi yüzlerce pahalı test yapmak yerine sadece bir tıbbi görüntü kullandık. Tek bir görüntüden, milyarlarca veri paketi elde etmek için ekibimle akıllı bir yöntem keşfettik. Bu bilgi paketlerinde, renkler, pikseller, şekiller ve hastalığın tıbbi görüntüsü bulunuyordu. Başka bir deyişle, bir resmi milyarlarca eğitim materyali hâline getirip gereken veriyi büyük ölçüde azalttık.
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.
İkinci hedefe gelince, hastaları görüntülemek için kullanılan pahalı testler yerine, cep telefonu veya DSLR kamera ile beyaz ışıkta çekilmiş standart bir fotoğraf ile başladık. Milyarlarca bilgi paketini hatırladınız mı? Bu fotoğrafı, tıbbi testlerden elde edilen görüntülerle üst üste birleştirerek, "kompozit görüntü"yü elde ettik. Asıl sürpriz, yalnızca 50 kompozit görüntü tekrar ediyorum, 50 adet ile algoritmalarımızı yüksek verimlilikte eğitmemiz mümkün oldu.
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.
Yaklaşımımızı özetleyecek olursak; 10.000 yüksek maliyetli tıbbi görüntü kullanmak yerine, cep telefonu veya DSLR kamerayla elde edilmiş yalnızca 50 adet yüksek çözünürlükte görüntü ile YZ algoritmalarını hastalıklara teşhis koymak üzere yenilikçi bir yöntemle eğitebiliyoruz. Daha da önemlisi, bu algoritmayı kullanmak için, gelecekte ve hatta şu anda, yüksek maliyetli tıbbi görüntüleme sistemleri yerine hastaların sağlayacağı basit fotoğraflar yeterli olacak.
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.
Yapay zekânın geleceğimiz üzerinde müthiş etkiler yaratacağı bir çağa girmeye hazır olduğumuza inanıyorum. Bence, zengin veri isteyen ve uygulamada zayıf kalan geleneksel yapay zekâ yerine, az miktarda veriyle iş yapabilen ve günümüzde karşılaştığımız zorlu sorunların bazılarını çözebilen yenilikçi yapay zekâ mimarilerini konuşmalıyız. Özellikle de sağlık alanında.
Thank you very much.
Çok teşekkür ederim.
(Applause)
(Alkışlar)