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

Translator: Luba Aleksandrova Reviewer: Darina Stoyanova

Computer algorithms today are performing incredible tasks

Компютърните алгоритми днес изпълняват невероятни задачи

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

с висока точност и в огромен мащаб, използвайки интелект, подобен на човешкия.

And this intelligence of computers is often referred to as AI

Този компютърен интелект често бива наричан AI

or artificial intelligence.

или изкуствен интелект.

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

Изкуственият интелект е на път да окаже невероятно въздействие върху нашия живот в бъдещето.

Today, however, we still face massive challenges

Днес, обаче, все още сме изправени пред огромни предизвикателства

in detecting and diagnosing several life-threatening illnesses,

при откриването и диагностицирането на няколко живото-застрашаващи заболявания,

such as infectious diseases and cancer.

като например инфекциозните заболявания и рака.

Thousands of patients every year

Хиляди пациенти всяка година

lose their lives due to liver and oral cancer.

губят живота си поради рак на черния дроб и на устната кухина.

Our best way to help these patients

Най-добрият начин да помогнем на тези пациенти

is to perform early detection and diagnoses of these diseases.

е ранното откриване и диагностициране на тези заболявания.

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

Как откриваме тези заболявания днес и би ли могъл изкуственият интелект да помогне?

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

При пациентите, при които, за съжаление, има съмнение за такава болест,

an expert physician first orders

лекарят специалист първо предписва

very expensive medical imaging technologies

много скъпи медицински образни технологии, като например

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

флуоресцентни образи, компютърна томография, магнитен резонанс.

Once those images are collected,

Когато образите са готови,

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

друг специалист ги използва за диагностициране и ги обсъжда с пациента.

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

Както виждате, този процес изисква много ресурси -

requiring both expert physicians, expensive medical imaging technologies,

експерти и скъпи медицински технологии,

and is not considered practical for the developing world.

и не е практичен в развиващите се страни.

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

В интерес на инстината, също така и в много индустрализирани страни.

So, can we solve this problem using artificial intelligence?

Можем ли да разрешим този проблем, използвайки изкуствен интелект?

Today, if I were to use traditional artificial intelligence architectures

Ако трябва да използвам традиционната архитектура за изкуствен интелект,

to solve this problem,

за да реша този проблем,

I would require 10,000 --

ще са ми необходими 10 000,

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

повтарям 10 000 от тези скъпи медицински образи,

first to be generated.

които трябва да бъдат генерирани.

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

След това, ще трябва да отида при специалист,

who would then analyze those images for me.

който ще анализира тези образи.

And using those two pieces of information,

С тези два вида информация,

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

мога да обуча стандартна дълбока невронна мрежа или мрежа за дълбоко обучение,

to provide patient's diagnosis.

за да предоставя диагноза на пациентите.

Similar to the first approach,

Както и при първия подход,

traditional artificial intelligence approaches

традиционните подходи, включващи изкуствен интелект,

suffer from the same problem.

страдат от същия проблем.

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

Големи количества данни, специалисти и специализирани технологии за медицински образи.

So, can we invent more scalable, effective

Можем ли да създадем по-достъпна, ефективна

and more valuable artificial intelligence architectures

и стойностна архитектура за изкуствен интелект,

to solve these very important problems facing us today?

за да се справим с тези сериозни проблеми, с които се сблъскваме?

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

Това е задачата, с която се занимава моята група в Медийната лаборатория

на Технологичния Институт в Масачузец.

We have invented a variety of unorthodox AI architectures

Ние изобретихме различни нестандартни AI архитектури,

to solve some of the most important challenges facing us today

за да решим най-сериозните проблеми, с които се сблъскваме днес

in medical imaging and clinical trials.

във връзка с медицинските образи и и клинични изпитвания.

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

Във връзка с примера, който споделих днес с вас, ние имахме две цели.

Our first goal was to reduce the number of images

Първата ни цел беше да намалим броя изображения,

required to train artificial intelligence algorithms.

необходими, за да бъдат обучени алгоритмите на изкуствения интелект.

Our second goal -- we were more ambitious,

Втората ни цел - по-амбициозна -

we wanted to reduce the use of expensive medical imaging technologies

беше да намалим използването на скъпа медицинска образна технология

to screen patients.

за преглед на пациенти.

So how did we do it?

Как го направихме?

For our first goal,

За първата ни цел,

instead of starting with tens and thousands

вместо да започнем с десетки хиляди

of these very expensive medical images, like traditional AI,

от тези скъпи медицински образи, както при традиционния изкуствен интелект,

we started with a single medical image.

започнахме с едно единствено медицинско изображение,

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

От това изображение, моят екип и аз намерихме оригинален начин,

to extract billions of information packets.

за да извлечем милиарди информационни пакети.

These information packets included colors, pixels, geometry

Тези информационни пакети включваха цветове, пиксели, геометрия

and rendering of the disease on the medical image.

и изобразяване на болестта върху медицинския образ.

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

В известен смисъл, ние превърнахме едно изображение в милиарди източници за обучение

massively reducing the amount of data needed for training.

и така намалихме количеството данни, необходими за обучението.

For our second goal,

За втората ни цел,

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

намаляването на използването на скъпи медицински образни технологии за преглед на пациенти,

we started with a standard, white light photograph,

ние започнахме със стандартна снимка с бяла светлина,

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

създадена или с DSLR фотоапарат, или мобилен телефон, за пациента.

Then remember those billions of information packets?

Помните ли онези милиарди информационни пакети?

We overlaid those from the medical image onto this image,

Насложихме ги върху тази снимка,

creating something that we call a composite image.

създавайки по този начин нещо, което се нарича композитно ичображение.

Much to our surprise, we only required 50 --

За наша изненада се нуждаехме от само 50,

I repeat, only 50 --

потварям, само 50

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

от тези композитни изображения, за да обучим нашите алгоритми до висока ефективност.

To summarize our approach,

За да обобщя нашия подход,

instead of using 10,000 very expensive medical images,

вместо да използваме 10 000 много скъпи медицински образи,

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

можехме да обучим AI алгоритмите по нестандартен начин,

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

използвайки само 50 от тези стандартни снимки с висока резолюция,

acquired from DSLR cameras and mobile phones,

направени с DSLR фотоапарати и мобилни телефони

and provide diagnosis.

и да предоставим диагноза.

More importantly,

Още по-важно,

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

нашите алгоритми могат да получат в бъдещето и дори в момента,

some very simple, white light photographs from the patient,

много обикновени снимки с бяла светлина от пациентите,

instead of expensive medical imaging technologies.

вместо скъпите медицински образни технологии.

I believe that we are poised to enter an era

Вярвам, че сме на прага на епоха,

where artificial intelligence

в която изкуственият интелект

is going to make an incredible impact on our future.

ще има невероятно въздействие върху бъдещето.

And I think that thinking about traditional AI,

И смятам, че когато мислим за традиционния изкуствения интелект,

which is data-rich but application-poor,

който е богат на данни, но беден на приложения,

we should also continue thinking

ние също трябва да продължим да мислим

about unorthodox artificial intelligence architectures,

за нестандартни архитектури за изкуствен интелект,

which can accept small amounts of data

които могат да получават малки количества данни

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

и да решават проблемите, с които се сблъскваме днес,

especially in health care.

особено свързани със здравеопазването.

Thank you very much.

Благодаря ви много.

(Applause)

(Аплодисменти)