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.
Các thuật toán của máy tính ngày nay đang thực hiện những công việc phi thường với độ chính xác cao ở qui mô lớn, giống như trí thông minh của con người. Trí thông minh của máy tính vẫn thường được gọi là AI hay trí tuệ nhân tạo. AI đã sẵn sàng tạo ra tác động đáng kể đối với cuộc sống con người ở tương lai. Tuy vậy, ngày nay chúng ta vẫn đang đối đầu với những thách thức gian nan trong việc xác định và chẩn đoán một số bệnh đe dọa mạng sống con người như các bệnh truyền nhiễm và ung thư. Mỗi năm có hàng ngàn người đã chết vì ung thư gan và miệng.
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.
Cách tốt nhất để chúng ta giúp họ là phát hiện và chẩn đoán sớm những căn bệnh này. Chúng ta làm việc đó bằng cách nào và liệu trí tuệ nhân tạo có thể hỗ trợ? Đối với những bệnh nhân không may bị nghi ngờ mắc bệnh, đầu tiên bác sĩ sẽ yêu cầu sử dụng những công nghệ hình ảnh y khoa đắt đỏ, như chụp chiếu huỳnh quang, CT hay MRI. Sau khi thu thập được những hình ảnh, một chuyên gia khác sẽ chẩn đoán dựa vào những ảnh trên và trao đổi với bệnh nhân. Như bạn thấy, đây là một quá trình chuyên sâu và tốn kém nhiều tài nguyên, cần có những chuyên gia cùng các thiết bị hình ảnh đắt đỏ, và điều đó không thực tế đối với các nước đang phát triển. Thực ra ở nhiều nước công nghiệp hóa cũng vậy.
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.
Vậy làm sao ta có thể giải quyết vấn đề bằng trí tuệ nhân tạo ? Ngày nay, nếu tôi phải dùng các mô hình trí tuệ nhân tạo truyền thống để giải quyết vấn đề này, tôi sẽ cần 10,000 -- tôi nhắc lại, cần 10,000 ảnh y khoa đắt đỏ đầu tiên phải được chụp. Sau đó, tôi sẽ đến một chuyên gia để người đó phân tích những tấm ảnh. Và sử dụng hai thông tin đó, tôi có thể tạo ra một liên kết nơ-ron nhân tạo tiêu chuẩn hoặc nghiên cứu sâu để chẩn đoán bệnh. Tương tự như vậy, trí tuệ nhân tạo truyền thống cũng trải qua vấn đề đó. Khối lượng dữ liệu lớn, bác sĩ hàng đầu và những chuyên gia về công nghệ hình ảnh.
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.
Vậy chúng ta có thể phát minh ra mô hình mở rộng mang tính hiệu quả và nhiều kiến trúc trí tuệ nhân tạo đáng giá hơn để xử lí các vấn đề quan trọng mà ta đang đối mặt ngày nay ? Và đây là những việc nhóm phòng thí nghiệm truyền thông MIT thực hiện. Chúng tôi đã phát minh ra nhiều kiến trúc AI không chính thống để giải quyết một số thách thức quan trọng nhất mà ta đang gặp phải trong kĩ thuật ảnh y khoa và các thử nghiệm lâm sàng.
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?
Ở ví dụ đã chia sẻ với các bạn hôm nay, chúng tôi có hai mục tiêu. Đầu tiên là giảm số lượng hình ảnh cần để huấn luyện các thuật toán trí tuệ nhân tạo. Thứ hai-- chúng tôi có tham vọng hơn thế nữa, chúng tôi muốn giảm đi việc sử dụng các kỹ thuật hình ảnh y khoa đắt đỏ để chụp bệnh nhân. Vậy chúng tôi đã làm thế nào?
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.
Đối với mục tiêu đầu tiên, thay vì bắt đầu với hàng nghìn ảnh chụp y khoa đắt tiền, như AI truyền thống, chúng tôi bắt đầu với một ảnh y khoa. Từ ảnh này, nhóm tôi đã tìm ra một cách rất thông minh trích ra hàng tỉ gói thông tin. Các gói thông tin này bao gồm màu sắc, điểm ảnh, khối hình học và tập hợp lại các bệnh trên ảnh y khoa. Nói cách khác, chúng tôi đã chuyển một ảnh thành hàng tỉ dữ liệu huấn luyện, giảm một khối lượng lớn các dữ liệu cần thiết cho việc huấn luyện.
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.
Đối với mục tiêu thứ hai, để hạn chế sử dụng các công nghệ đắt tiền cho bệnh nhân, chúng tôi bắt đầu với một bức ảnh ánh sáng trắng chuẩn, được lấy từ máy ảnh DSLR hay điện thoại, từ bệnh nhân. Các bạn còn nhớ hàng tỉ gói thông tin đó không? Chúng tôi phủ chúng lên tấm ảnh này, tạo ra thứ mà chúng tôi gọi là ảnh tổng hợp. Chúng tôi rất ngạc nhiên khi chỉ cần 50-- tôi nhắc lại, chỉ 50 tấm ảnh tổng hợp-- để huấn luyện các thuật toán của mình đạt hiệu quả cao.
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.
Tóm lại, thay vì 10,000 hình ảnh y khoa cực kì đắt đỏ, chúng ta bây giờ có thể dùng thuật toán AI theo cách không chính thống, chỉ cần 50 bức ảnh chuẩn có độ phân giải cao, được lấy từ máy ảnh DSLR hay điện thoại, để chẩn đoán. Quan trọng hơn thế, thuật toán của chúng tôi có thể chấp nhận, trong tương lai và cả hiện tại, những bức ảnh với ánh sáng trắng đơn giản từ bệnh nhân, thay vì các công nghệ hình ảnh y khoa đắt tiền.
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.
Tôi tin rằng chúng ta sẵn sàng để bước vào một kỉ nguyên nơi mà trí tuệ nhân tạo sẽ tạo ra những ảnh hưởng khó tin trong tương lai. Và tôi cho rằng ý kiến về AI truyền thống, thứ giàu tài nguyên nhưng ít ứng dụng, chúng ta nên suy nghĩ thêm về các mô hình trí tuệ nhân tạo không chính thống, chỉ cần một lượng nhỏ dữ liệu để giải quyết các vấn đề quan trọng nhất mà chúng ta đang đối mặt ngày nay, nhất là việc chăm sóc sức khỏe.
Thank you very much.
Cảm ơn rất nhiều.
(Applause)
(Vỗ tay)