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

Překladatel: Barbora Čamková Korektor: Michal Töpfer

Computer algorithms today are performing incredible tasks

Počítačové algoritmy v současnosti předvádí neuvěřitelné výkony

s vysokou přesností a v obrobském měřítku díky inteligenci, která se podobá lidské.

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

And this intelligence of computers is often referred to as AI

Této inteligenci počítačů se často říká AI,

or artificial intelligence.

neboli umělá inteligence.

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

AI je připravená mít v budoucnu obrovský dopad na naše životy.

Today, however, we still face massive challenges

V současnosti ovšem stále čelíme obrovským problémům

in detecting and diagnosing several life-threatening illnesses,

při rozpoznání a diagnostice některých životu ohrožujících nemocí,

such as infectious diseases and cancer.

například infekční onemocnění a rakovina.

Thousands of patients every year

Tisíce pacientů ročně

lose their lives due to liver and oral cancer.

umírá na rakovinu jater a ústní dutiny.

Our best way to help these patients

Pacientům můžeme nejlépe pomoci

is to perform early detection and diagnoses of these diseases.

brzkým rozpoznáním a diagnostikou těchto nemocí.

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

Takže jak rozpoznáváme tyto nemoci dnes? A může nám s tím umělá inteligence pomoci?

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

Pacienti, u kterých je bohužel podezření na tyto nemoci,

an expert physician first orders

nejprve podstoupí

very expensive medical imaging technologies

velice drahá zobrazovací vyšetření,

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

například fluorescenční snímkování, CT či magnetickou resonanci.

Once those images are collected,

Jakmile se snímky vytvoří,

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

další lékař poté tyto snímky zhodnotí, určí diagnózu a sdělí ji pacientovi.

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

Jak vidíte, je to velice náročný proces,

requiring both expert physicians, expensive medical imaging technologies,

kde jsou zapotřebí specialisté a drahé zobrazovací přístroje.

and is not considered practical for the developing world.

Tento postup tedy není vhodný pro rozvojové země.

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

A není vlastně vhodný ani pro mnoho industrializovaných zemí.

So, can we solve this problem using artificial intelligence?

Jak tedy můžeme tento problém vyřešit s umělou inteligenci?

Today, if I were to use traditional artificial intelligence architectures

Kdybych nyní na tento problém použil

tradiční architektury umělé inteligence,

to solve this problem,

potřeboval bych jich 10 000 --

I would require 10,000 --

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

Ano, nejrve bychom museli vytvořit

10 000 těchto drahých snímků.

first to be generated.

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

Poté bych je zanesl specialistovi,

who would then analyze those images for me.

který by je vyhodnotil.

And using those two pieces of information,

Pomocí těchto dvou informací mohu trénovat

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

standardní hluboké neuronové sítě nebo sítě hlubokého učení,

zjistit pacientovu diagnózu.

to provide patient's diagnosis.

Similar to the first approach,

Stejně jako první přístup

traditional artificial intelligence approaches

mají tradiční přístupy umělé inteligence

suffer from the same problem.

stejný problém.

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

Velké objemy dat, přítomnost specialistů a specializovaných zobrazovacích zařízení.

So, can we invent more scalable, effective

Můžeme tedy vyvinout dokonalejší,

účinnější a hodnotnější architektury umělé inteligence,

and more valuable artificial intelligence architectures

to solve these very important problems facing us today?

abychom tak vyřešili důležité problémy, kterým nyní čelíme?

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

A to je přesně to, co dělá můj tým při MIT Media Lab.

We have invented a variety of unorthodox AI architectures

Vyvinuli jsme různé netradiční architektury umělé inteligence,

to solve some of the most important challenges facing us today

abychom vyřešili ty největší problémy, kterým nyní čelíme

in medical imaging and clinical trials.

při zobrazovacích a klinických testech.

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

U příkladu, který jsem vám dnes ukázal, jsme měli dva cíle.

Our first goal was to reduce the number of images

Naším prvním cílem bylo snížit počet snímků,

required to train artificial intelligence algorithms.

které jsou zapotřebí pro vytrénování algoritmů umělé inteligence.

Our second goal -- we were more ambitious,

Naším druhý cílel bylo -ambicióznějším -

we wanted to reduce the use of expensive medical imaging technologies

menší využívání drahých zdravotnických zobrazovacích technologií

to screen patients.

ke screeningu pacientů.

So how did we do it?

Tak jak jsme to dokázali?

For our first goal,

Pro náš první cíl,

instead of starting with tens and thousands

namísto začínání s desítkami a tisíci drahých zdravotnických snímků,

of these very expensive medical images, like traditional AI,

jako tradiční umělá inteligence,

začali jsme u jednoho zdravotnického snímku.

we started with a single medical image.

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

Z tohoto snímku jsem spolu s týmem dokázali chytře získat

to extract billions of information packets.

miliardy informačních souborů.

These information packets included colors, pixels, geometry

Tyto soubory obsahují informace o barvách, pixelech, uspořádání

and rendering of the disease on the medical image.

a podobě nemoci na zdravotnickém snímku.

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

Vlastně jsme jen změnili jeden obrázek na miliardy zkušebních datových bodů,

massively reducing the amount of data needed for training.

což značně snížilo množství dat, která jsou pro učení zapotřebí.

For our second goal,

Pro náš druhý cil,

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

omezit využívání drahých zdravotnických snímkovacích technologií,

we started with a standard, white light photograph,

jsme začali se standardní fotografií s bílým světlem,

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

kterou jsme pořídili buď zrcadlovkou, nebo mobilním telefonem.

Then remember those billions of information packets?

Vzpomínáte si na ty miliardy informačních souborů?

We overlaid those from the medical image onto this image,

Vložili jsme zdravotnický snímek na tento obrázek

creating something that we call a composite image.

a vytvořili něco, čemu říkáme složený snímek.

Much to our surprise, we only required 50 --

K našemu překvapení jsme jich potřebovali pouze 50.

I repeat, only 50 --

Opravdu jen 50 těchto složených snímků,

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

aby byly naše algoritmy účinné.

To summarize our approach,

Abych shrnul náš přístup,

instead of using 10,000 very expensive medical images,

nepoužíváme 10 000 drahých zdravotnických snímků,

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

můžeme natrénovat AI algoritmy neortodoxním způsobem,

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

z pouze 50 standardních fotografií s vysokým rozlišením,

acquired from DSLR cameras and mobile phones,

které jsme pořídili zrcadlovkou nebo mobilem

and provide diagnosis.

a provedeme diagnózu.

More importantly,

Důležitější ovšem je,

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

že naše algoritmy budou moci a již nyní mohou analyzovat

some very simple, white light photographs from the patient,

některé jednoduché, přirozeně osvětlené fotografie pacienta,

instead of expensive medical imaging technologies.

namísto drahých zobrazovacích zařízení.

I believe that we are poised to enter an era

Věřím, že jsme připravení vstoupit do doby,

where artificial intelligence

kdy bude mít umělá inteligence

is going to make an incredible impact on our future.

velký vliv na naši budoucnost.

And I think that thinking about traditional AI,

A myslím si, že namísto tradiční umělé inteligence,

which is data-rich but application-poor,

která zpracovává velké objemy dat, ale je málo využitelná,

we should also continue thinking

bychom se měli zamyset

about unorthodox artificial intelligence architectures,

nad netradičními architekturami umělé inteligence,

which can accept small amounts of data

které potřebují pouze malé množství dat

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

a dokážou vyřešit některé z největších problémů,

especially in health care.

kterým nyní ve zdravotnictví čelíme.

Thank you very much.

Děkuji vám.

(Applause)

(potlesk)