How AI is making it easier to diagnose disease | Pratik Shah

المترجم: Nazem Chamaa المدقّق: tasnim hemmade

Computer algorithms today are performing incredible tasks

تقوم خوارزميات الحاسوب اليوم بمهام هائلة

with high accuracies, at a massive scale, using human-like intelligence.

بدقة عالية، على نطاق واسع، وباستخدام ذكاء يشبه ذكاء الإنسان

And this intelligence of computers is often referred to as AI

وغالباً ما يعرف ذكاء الحواسيب بال"أيه آي"

or artificial intelligence.

أو الذكاء الاصطناعي

AI is poised to make an incredible impact on our lives in the future.

والذي سيكون له تأثير كبير على حياتنا في المستقبل

Today, however, we still face massive challenges

لكننا ما زلنا نواجه اليوم تحديات كثيرة

in detecting and diagnosing several life-threatening illnesses,

في كشف وتشخيص العديد من الأمراض التي تهدد الحياة

such as infectious diseases and cancer.

مثل الأمراض المُعدية والسرطان

Thousands of patients every year

الآلاف من المرضى في كل عام

lose their lives due to liver and oral cancer.

يخسرون حياتهم بسبب سرطان الكبد والفم

Our best way to help these patients

أفضل طريقة لمساعدة هؤلاء المرضى

is to perform early detection and diagnoses of these diseases.

هي إجراء الكشف المبكر وتشخيص هذه الأمراض.

So how do we detect these diseases today, and can artificial intelligence help?

إذن كيف نكتشف هذه الأمراض اليوم، وهل يمكن للذكاء الاصطناعي أن يساعد؟

In patients who, unfortunately, are suspected of these diseases,

للأسف، فالمرضى الذين يشتبه بإصابتهم بهذه الأمراض،

an expert physician first orders

يطلب منهم الطبيب أولاً إجراء

very expensive medical imaging technologies

صور شعاعية متطورة ومكلفة جداً

such as fluorescent imaging, CTs, MRIs, to be performed.

مثل التصوير الفلوري والأشعة المقطعية والرنين المغناطيسي

Once those images are collected,

وبمجرد جمع هذه الصور

another expert physician then diagnoses those images and talks to the patient.

يقوم طبيب آخر بتشخيص تلك الصور والتحدث إلى المريض.

As you can see, this is a very resource-intensive process,

كما ترون، تتطلب هذه العملية الكثير من الموارد

requiring both expert physicians, expensive medical imaging technologies,

كما تتطلب أطباء ذوي خبرة، وتقنيات تصوير طبي مكلفة،

and is not considered practical for the developing world.

وهذا الحل ليس عملياً للعالم النامي

And in fact, in many industrialized nations, as well.

وفي الحقيقة، للكثير من الدول الصناعية كذلك.

So, can we solve this problem using artificial intelligence?

إذاً هل نستطيع حل هذه المشكلة، باستخدام الذكاء الاصطناعي؟

Today, if I were to use traditional artificial intelligence architectures

اليوم، إذا ما أردنا استخدام نقنيات الذكاء الاصطناعي التقليدي

to solve this problem,

لحل هذه المشكلة

I would require 10,000 --

فإننا بحاجة إلى عشرة آلاف...

I repeat, on an order of 10,000 of these very expensive medical images

أكرر، بحدود 10 آلاف صورة من هذه الصور الطبية المكلفة

first to be generated.

يجب أن تكون جاهزة أولاً

After that, I would then go to an expert physician,

بعد ذلك، نحن بحاجة لأطباء ذوي خبرة

who would then analyze those images for me.

لتحليل هذه الصور لنا.

And using those two pieces of information,

وباستخدامنا لهذه المعلومات،

I can train a standard deep neural network or a deep learning network

يمكننا تدريب شبكة عصبونية عميقة نموذجية أو شبكة تعلم عميق

to provide patient's diagnosis.

لتوفير التشخيص للمريض

Similar to the first approach,

على غرار النهج الأول،

traditional artificial intelligence approaches

فإن أساليب الذكاء الاصطناعي التقليدي

suffer from the same problem.

تعاني من نفس المشكلة.

Large amounts of data, expert physicians and expert medical imaging technologies.

كميات كبيرة من البيانات والأطباء الخبراء وتقنيات تصوير طبي متطورة.

So, can we invent more scalable, effective

هل يمكننا إذًا إيجاد أساليب أكثر فعالية وقابلة للتوسع

and more valuable artificial intelligence architectures

إضافة إلى طرق ذكاء اصطناعي قيمة

to solve these very important problems facing us today?

لحل هذه المشاكل التي تواجهنا اليوم؟

And this is exactly what my group at MIT Media Lab does.

هذا تماماً هو ما تعمل عليه مجموعتنا في مختبر "إم آي تي ميديا لاب".

We have invented a variety of unorthodox AI architectures

اختراع مجموعة متنوعة من أساليب الذكاء الاصطناعي غير التقليدية

to solve some of the most important challenges facing us today

لحل الكثير من التحديات التي تواجهنا اليوم

in medical imaging and clinical trials.

في مجال التصوير الطبي والتجارب السريرية

In the example I shared with you today, we had two goals.

في المثال الذي عرضته اليوم، كان لدينا هدفان

Our first goal was to reduce the number of images

الهدف الأول كان تقليص عدد الصور الطبية المطلوبة

required to train artificial intelligence algorithms.

لتدريب خوارزميات الذكاء الاصطناعي.

Our second goal -- we were more ambitious,

أما الهدف الثاني، فهو أكثر طموحاً،

we wanted to reduce the use of expensive medical imaging technologies

كنا نريد التقليل من استخدام تقنيات التصوير الطبي عالية الكلفة

to screen patients.

لفحص المرضى

So how did we do it?

إذاً كيف فعلنا ذلك؟

For our first goal,

بالنسبة لهدفنا الأول،

instead of starting with tens and thousands

بدلاً من البدء بالعشرات والآلاف

of these very expensive medical images, like traditional AI,

من هذه الصور الطبية المكلفة، واستعمال الذكاء الاصطناعي التقليدي

we started with a single medical image.

بدأنا بصورة طبية واحدة

From this image, my team and I figured out a very clever way

ومن خلال هذه الصورة، استطعت أنا وفريقي أن نجد أسلوبًا ذكيًّا

to extract billions of information packets.

لاستخراج المليارات من حزم المعلومات.

These information packets included colors, pixels, geometry

تتضمن حزم المعلومات هذه: الألوان والبكسلات والأبعاد

and rendering of the disease on the medical image.

وتوصيفات المرض على الصورة الطبية.

In a sense, we converted one image into billions of training data points,

بمعنى آخر، قمنا بتحويل صورة واحدة إلى مليارات النقاط من بيانات التدريب،

massively reducing the amount of data needed for training.

مما قلل بشكل كبير من كمية البيانات اللازمة للتدريب

For our second goal,

بالنسبة للهدف الثاني،

to reduce the use of expensive medical imaging technologies to screen patients,

أي الحد من استخدام الصور الطبية المكلفة لفحص المرضى،

we started with a standard, white light photograph,

بدأنا بصورة الضوء الأبيض القياسية،

acquired either from a DSLR camera or a mobile phone, for the patient.

الملتقطة للمريض إما من آلة تصوير رقمية ذات عدسة أحادية عاكسة أو من هاتف محمول.

Then remember those billions of information packets?

المليارات من حزم المعلومات الذي ذكرناها قبل قليل؟

We overlaid those from the medical image onto this image,

قمنا بتركيبها على هذه الصورة،

creating something that we call a composite image.

وأنشأنا ما نسميه صورة مركبة.

Much to our surprise, we only required 50 --

وما أدهشنا هو أننا احتجنا فقط إلى 50 صورة

I repeat, only 50 --

أكرر، فقط خمسون صورة

of these composite images to train our algorithms to high efficiencies.

من هذه الصور المركبة، من أجل تدريب خوارزمياتنا لفعالية عالية

To summarize our approach,

لتلخيص طريقتنا،

instead of using 10,000 very expensive medical images,

بدلاً من استخدام عشرة آلاف صورة طبية عالية التكلفة

we can now train the AI algorithms in an unorthodox way,

يمكننا الآن تدريب خوارزميات الذكاء الاصطناعي بطريقة غير تقليدية

using only 50 of these high-resolution, but standard photographs,

باستخدام فقط 50 صورة قياسية عالية الجودة،

acquired from DSLR cameras and mobile phones,

ملتقطة بآلات تصوير رقمية ذات عدسة أحادية عاكسة وهواتف محمولة.

and provide diagnosis.

لتوفير التشخيص.

More importantly,

والأهم من هذا،

our algorithms can accept, in the future and even right now,

فخوارزمياتنا يمكنها أن تقبل، في المستقبل وحتى في الوقت الحالي

some very simple, white light photographs from the patient,

بعض الصور البسيطة جداً للمريض بتقنية الضوء الأبيض،

instead of expensive medical imaging technologies.

عوضاً عن تقنيات التصوير الطبي المكلفة.

I believe that we are poised to enter an era

أعتقد أننا مستعدون لدخول عصر

where artificial intelligence

حيث يمكن للذكاء الاصطناعي

is going to make an incredible impact on our future.

أن يؤثر فيه بشكل هائل على مستقبلنا

And I think that thinking about traditional AI,

وأعتقد أن التفكير في الذكاء الاصطناعي التقليدي

which is data-rich but application-poor,

الذي يعتبر غنيًّا بالبيانات وفقيرًا في التطبيق

we should also continue thinking

يجب علينا أيضاً متابعة التفكير،

about unorthodox artificial intelligence architectures,

في طرق غير تقليدية لتطوير الذكاء الاصطناعي

which can accept small amounts of data

التي تتطلب فقط كمية محدودة من البيانات

and solve some of the most important problems facing us today,

لحل بعض المشاكل الكبيرة التي تواجهنا اليوم

especially in health care.

خاصة في الرعاية الصحية.

Thank you very much.

شكراً جزيلاً لكم.

(Applause)

(تصفيق)