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

Translator: sadegh zabihi Reviewer: Mary Jane

Computer algorithms today are performing incredible tasks

امروز الگوریتم‌های کامپیوتری در حال انجام وظایفی باورنکردنی هستند

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

با دقت بالا، در ابعاد عظیم، با استفاده از هوش شبه انسانی.

And this intelligence of computers is often referred to as AI

و به این هوش کامپیوترها معمولا AI گفته می‌شود

or artificial intelligence.

یا هوش مصنوعی.

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

هوش مصنوعی به وجود آمده تا تاثیر شگرفی در زندگی آینده ما داشته باشد.

Today, however, we still face massive challenges

با این وجود امروزه هنوز با چالش‌های بزرگی روبرو هستیم

in detecting and diagnosing several life-threatening illnesses,

در شناسایی و تشخیص چندین بیماری خطرناک،

such as infectious diseases and cancer.

مانند بیماری‌های عفونی و سرطان.

Thousands of patients every year

هر سال هزاران بیمار

lose their lives due to liver and oral cancer.

جان خود را به خاطر سرطان کبد یا دهان از دست می‌دهند.

Our best way to help these patients

بهترین روش ما برای کمک به این بیماران

is to perform early detection and diagnoses of these diseases.

شناسایی و تشخیص زودهنگام این بیماری‌ها است.

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

خوب امروز چطور این بیماری‌ها را شناسایی می‌کنیم، و آیا هوش مصنوعی می‌تواند کمک کند؟

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

در بیمارانی که، متاسفانه، مشکوک به این بیماری‌ها هستند،

an expert physician first orders

پزشک متخصص ابتدا دستور می‌دهد

very expensive medical imaging technologies

تصویربرداری‌های پزشکی بسیار گرانی

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

مانند تصویربرداری فلوئورسانت، سی‌تی و ام‌آر‌آی انجام شوند.

Once those images are collected,

بعد از گرفتن آن تصویرها،

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

پزشک متخصص دیگری با آن تصاویر تشخیص می‌دهد و با بیمار صحبت می‌کند.

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

و می‌بینید که این فرایندی بسیار هزینه‌بر است،

requiring both expert physicians, expensive medical imaging technologies,

و هم به پزشکان متخصص نیاز دارد، و هم فناوری‌های گران‌قیمت تصویربرداری پزشکی،

and is not considered practical for the developing world.

و برای کشورهای در حال توسعه کاربردی تلقی نمی‌شود.

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

و البته برای بسیاری از کشورهای صنعتی هم به همچنین.

So, can we solve this problem using artificial intelligence?

پس می‌توانیم این مشکل را با هوش مصنوعی حل کنیم؟

Today, if I were to use traditional artificial intelligence architectures

امروز، اگر می‌خواستم با معماری‌های هوش مصنوعی سنتی

to solve this problem,

این مشکل را حل کنم،

I would require 10,000 --

به ۱۰٫۰۰۰ --

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

تکرار می‌کنم، لازم بود اول چیزی حدود ۱۰٫۰۰۰ از این تصویرهای بسیار گران

first to be generated.

گرفته شوند.

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

پس از آن، پیش یک متخصص می‌رفتم،

who would then analyze those images for me.

تا آن تصاویر را برای من تحلیل کند.

And using those two pieces of information,

و با استفاده از این دو اطلاعات،

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

می‌توانم یک شبکه عصبی عمیق استاندارد یا یک شبکه یادگیری عمیق بسازم

to provide patient's diagnosis.

که تشخیص را برای بیماران انجام دهد.

Similar to the first approach,

مشابه روش اول،

traditional artificial intelligence approaches

روش‌های هوش مصنوعی سنتی هم

suffer from the same problem.

از مشکلات مشابهی رنج می‌برند.

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

میزان زیادی اطلاعات، پزشکان متخصص و فناوری‌های تصویربرداری تخصصی پزشکی.

So, can we invent more scalable, effective

خوب، آیا می‌توانیم معماری‌های هوش مصنوعی

and more valuable artificial intelligence architectures

مقیاس‌پذیرتر، موثرتر و باارزش‌تری ایجاد کنیم

to solve these very important problems facing us today?

که این مشکلات بسیار مهم که امروز پیش روی ما هستند را حل کنند؟

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

و این دقیقا کاری است که گروه من در آزمایشگاه رسانه MIT انجام می‌دهد.

We have invented a variety of unorthodox AI architectures

ما گونه‌های مختلف نامعمولی از معماری هوش مصنوعی اختراع کرده‌ایم

to solve some of the most important challenges facing us today

تا بعضی از مهم‌ترین چالش‌های امروزی پیش رو

in medical imaging and clinical trials.

در تصویربرداری پزشکی و آزمایش‌های بالینی را حل کنیم.

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

در مثالی که امروز با شما مطرح کردم، دو هدف داشتیم.

Our first goal was to reduce the number of images

هدف اول کاهش تعداد تصاویر

required to train artificial intelligence algorithms.

مورد نیاز برای آموزش به الگوریتم‌های هوش مصنوعی بود.

Our second goal -- we were more ambitious,

هدف دوم -- جاه‌طلب‌تر شدیم،

we wanted to reduce the use of expensive medical imaging technologies

می‌خواستیم استفاده از فناوری‌های گران تصویربرداری پزشکی را هم

to screen patients.

برای بررسی بیماران کاهش دهیم.

So how did we do it?

خوب چطور این کار را کردیم؟

For our first goal,

برای هدف اول‌مان،

instead of starting with tens and thousands

به جای شروع با ده‌ها هزار

of these very expensive medical images, like traditional AI,

تصویر گران‌قیمت پزشکی مثل هوش مصنوعی سنتی،

we started with a single medical image.

با یک تصویر پزشکی شروع کردیم.

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

از این تصویر، من و گروهم روشی هوشمندانه

to extract billions of information packets.

برای استخراج میلیاردها بسته اطلاعات پیدا کردیم.

These information packets included colors, pixels, geometry

این بسته‌های اطلاعات شامل رنگ، پیکسل، هندسه

and rendering of the disease on the medical image.

و ترجمه بیماری روی تصویر پزشکی بود.

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

به بیانی، ما یک عکس را به میلیاردها نقطه اطلاعاتی آموزشی تبدیل کردیم،

massively reducing the amount of data needed for training.

که به طور قابل توجهی میزان اطلاعات لازم برای آموزش را کاهش داد.

For our second goal,

برای هدف دوم‌مان،

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

برای کاهش استفاده از فناوری‌های تصویربرداری گران‌قیمت پزشکی برای بررسی بیماران،

we started with a standard, white light photograph,

ما با یک عکس استاندارد با نور سفید شروع کردیم،

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

که با یک دوربین DSLR یا دوربین گوشی از بیمار گرفته شده بود.

Then remember those billions of information packets?

بعد، آن میلیاردها بسته اطلاعاتی را یادتان هست؟

We overlaid those from the medical image onto this image,

ما آنها را از تصویر پزشکی روی این عکس انداختیم،

creating something that we call a composite image.

تا چیزی بسازیم که به آن تصویر مرکب می‌گوییم.

Much to our surprise, we only required 50 --

در عین ناباوری، فقط به ۵۰ عکس --

I repeat, only 50 --

تکرار می‌کنم، فقط ۵۰ --

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

از این عکس‌های ترکیبی را برای آموزش الگوریتم‌مان برای بازدهی بالا نیاز داشتیم.

To summarize our approach,

برای خلاصه کردن روش‌مان،

instead of using 10,000 very expensive medical images,

به جای استفاده از ۱۰٫۰۰۰ عکس پزشکی خیلی گران،

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

حالا می‌توانیم الگوریتم هوش مصنوعی را به روشی نامعمول آموزش دهیم،

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

با استفاده از فقط ۵۰ عکس رزولوشن بالا، اما استاندارد،

acquired from DSLR cameras and mobile phones,

که با دوربین DSLR و گوشی موبایل گرفته شده است،

and provide diagnosis.

و تشخیص را انجام دهیم.

More importantly,

مهم‌تر اینکه،

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

الگوریتم ما می‌تواند، در آینده و حتی حالا،

some very simple, white light photographs from the patient,

عکس‌های بسیار ساده نور سفید از بیمار را بپذیرد،

instead of expensive medical imaging technologies.

به جای فناوری‌های گران تصویربرداری پزشکی.

I believe that we are poised to enter an era

من بر این باورم که در حال ورود به دورانی هستیم

where artificial intelligence

که هوش مصنوعی

is going to make an incredible impact on our future.

تاثیری باورنکردنی بر آینده خواهد گذاشت.

And I think that thinking about traditional AI,

و من فکر می‌کنم که در کنار فکر کردن به هوش مصنوعی سنتی،

which is data-rich but application-poor,

که اطلاعات زیادی می‌خواهد اما کارایی کمی دارد،

we should also continue thinking

همچنین باید

about unorthodox artificial intelligence architectures,

به معماری‌های هوش مصنوعی نامعمول فکر کنیم،

which can accept small amounts of data

که می‌توانند میزان کمی اطلاعات بگیرند

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

و بعضی از مهم‌ترین مشکلات امروزی پیش روی ما را حل کنند،

especially in health care.

مخصوصا در زمینه مراقبت‌های بهداشتی.

Thank you very much.

خیلی متشکرم.

(Applause)

(متشکرم)