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

Fordító: Andi Vida Lektor: Mihály Földvári

Computer algorithms today are performing incredible tasks

Napjaink számítógépes algoritmusai hihetetlen feladatokat végeznek el

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

kiemelkedő pontossággal, óriási léptékben, szinte emberi intelligenciával.

And this intelligence of computers is often referred to as AI

Ezt a számítógépes intelligenciát gyakran MI-nek,

or artificial intelligence.

vagyis mesterséges intelligenciának nevezik.

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

Várhatóan hihetetlen hatása lesz jövőbeli életünkre.

Today, however, we still face massive challenges

Jelenleg azonban még kemény kihívásokkal nézünk szembe

in detecting and diagnosing several life-threatening illnesses,

számos halálos betegség, például fertőző kórok és rák

such as infectious diseases and cancer.

felismerésében és diagnosztizálásában.

Thousands of patients every year

Évente betegek ezrei halnak meg

lose their lives due to liver and oral cancer.

májrákban és szájrákban.

Our best way to help these patients

Akkor tudunk legjobban segíteni azoknak,

is to perform early detection and diagnoses of these diseases.

akik ezektől szenvednek, ha időben felismerjük és diagnosztizáljuk a kórt.

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

De hogyan ismerjük fel ezeket napjainkban, és hogyan segíthet ebben az MI?

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

Azoknál a betegeknél, akiknél sajnos felmerül a kór gyanúja,

an expert physician first orders

egy szakorvos mindenekelőtt

very expensive medical imaging technologies

nagyon drága orvosi képalkotó eljárást rendel el,

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

például fluoreszcens képalkotó eljárást, CT-, MRI-vizsgálatokat.

Once those images are collected,

A képek ismeretében

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

egy másik szakorvos felállítja a diagnózist, és beszél a beteggel.

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

Mint látják, ez hatalmas erőforrásigényű folyamat,

requiring both expert physicians, expensive medical imaging technologies,

mely kétféle szakorvost és drága orvosi képalkotó eljárásokat igényel,

and is not considered practical for the developing world.

ami a fejlődő világban nagyon nehezen biztosítható.

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

Valójában ez a helyzet számos iparilag fejlett országban is.

So, can we solve this problem using artificial intelligence?

Megoldható-e ez a probléma mesterséges intelligenciával?

Today, if I were to use traditional artificial intelligence architectures

A mai hagyományos MI-rendszerekkel

to solve this problem,

a probléma megoldásához mindenekelőtt

I would require 10,000 --

tízezres – ismétlem:

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

tízezres nagyságrendű ilyen drága

first to be generated.

orvosi képre lenne szükségem.

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

Ezután szakorvoshoz fordulnék,

who would then analyze those images for me.

aki kielemezné nekem ezeket a képeket.

And using those two pieces of information,

Majd ezzel a két információval

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

betaníthatok egy szokványos mély neurális hálót vagy mélytanulási hálót

to provide patient's diagnosis.

a beteg diagnózisának felállításához.

Similar to the first approach,

Az első megközelítéshez hasonlóan,

traditional artificial intelligence approaches

a hagyományos MI-megközelítések is

suffer from the same problem.

ugyanazzal a problémával küszködnek.

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

Hatalmas adatmennyiség, szakorvosok és orvosi képalkotó technológiák.

So, can we invent more scalable, effective

Kitalálhatunk-e méretezhetőbb,

and more valuable artificial intelligence architectures

hatékonyabb és értékesebb MI-architektúrákat

to solve these very important problems facing us today?

ezeknek az előttünk álló, nagyon fontos problémák megoldására?

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

Csapatom jelenleg épp ezen fáradozik az MIT Media Labnál.

We have invented a variety of unorthodox AI architectures

Feltaláltunk több rendhagyó MI-architektúrát,

to solve some of the most important challenges facing us today

hogy az orvosi képalkotásban és klinikai kísérletekben előttünk álló

in medical imaging and clinical trials.

legfontosabb kihívások egy részére válaszolni tudjunk.

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

Az előbb bemutatott példa megoldására két célt ki tűztünk ki.

Our first goal was to reduce the number of images

Első célkitűzésünk az volt, hogy csökkentsük

required to train artificial intelligence algorithms.

az MI-algoritmusok betanításához szükséges képek számát.

Our second goal -- we were more ambitious,

Második célunk – még többet akartunk -

we wanted to reduce the use of expensive medical imaging technologies

csökkenteni a betegek átvizsgálásához szükséges,

drága orvosi képalkotó technológiák használatát.

to screen patients.

So how did we do it?

Hogyan oldottuk ezt meg?

For our first goal,

Első célkitűzésünkhöz

instead of starting with tens and thousands

egyetlen orvosi képet fogtunk,

of these very expensive medical images, like traditional AI,

nem pedig tízezernyi nagyon drága képet,

we started with a single medical image.

mint a hagyományos MI esetében.

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

Csapatom és én nagyon frappáns módot találtunk ki arra, hogy ebből a képből

to extract billions of information packets.

milliárdnyi információs csomagot vonjunk ki.

These information packets included colors, pixels, geometry

Az információs csomagok tartalma: színek, képpontok, geometria,

and rendering of the disease on the medical image.

és a betegség leképezése az orvosi képre.

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

Bizonyos értelemben több milliárd betanító adatponttá konvertáljuk ezt az egy képet,

massively reducing the amount of data needed for training.

jelentősen csökkentve a betanításhoz szükséges adatmennyiséget.

Második célkitűzésünkhöz, a betegek szűréséhez használt

For our second goal,

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

drága orvosi képalkotó technológiák alkalmazásának csökkentéséhez

we started with a standard, white light photograph,

közönséges fényképet készítettünk nappali fényben,

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

tükörreflexes fényképezőgéppel vagy mobiltelefonnal.

Then remember those billions of information packets?

Aztán emlékeznek arra a több milliárdnyi információcsomagra?

We overlaid those from the medical image onto this image,

Azokat ráfektettük az orvosi képről erre a képre,

creating something that we call a composite image.

és úgynevezett összetett képet alkottunk belőlük.

Much to our surprise, we only required 50 --

Nagy meglepetésünkre ötven ilyen összetett kép

I repeat, only 50 --

elég volt ahhoz – mondom: csak ötven –,

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

hogy igen nagy hatékonysággal betanítsuk ezeket az algoritmusokat.

To summarize our approach,

Megközelítésünk összefoglalva:

instead of using 10,000 very expensive medical images,

tízezer nagyon drága orvosi kép felhasználása helyett

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

szokatlan módon taníthatjuk be az MI-algoritmusokat,

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

mindössze 50 darab nagy felbontású, tükörreflexes géppel

vagy mobiltelefonnal készített, közönséges fotóval,

acquired from DSLR cameras and mobile phones,

és így állítjuk fel a diagnózist.

and provide diagnosis.

More importantly,

Még fontosabb,

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

hogy algoritmusaink a jövőben is, de már jelenleg is tudnak fogadni

some very simple, white light photographs from the patient,

nagyon egyszerű, nappali fényben készült fotókat a betegtől,

instead of expensive medical imaging technologies.

kiváltva a drága orvosi képalkotó eljárásokat.

I believe that we are poised to enter an era

Hiszem: készen állunk arra, hogy olyan korba lépjünk,

where artificial intelligence

ahol a mesterséges intelligencia

is going to make an incredible impact on our future.

hihetetlen hatással lesz a jövőre.

And I think that thinking about traditional AI,

És szerintem, ahogy a hagyományos MI-re gondolunk,

which is data-rich but application-poor,

ami adatokban gazdag, ám alkalmazásokban szegény,

we should also continue thinking

tovább kell gondolkodnunk

about unorthodox artificial intelligence architectures,

a nem szokványos MI-architektúrákról,

which can accept small amounts of data

amik kis adatmennyiséggel is képesek

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

kezelni és megoldani az előttünk álló legfontosabb problémákat,

especially in health care.

különösen az egészségügyben.

Thank you very much.

Nagyon szépen köszönöm.

(Applause)

(Taps)