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

תרגום: Talia Breuer עריכה: Ido Dekkers

Computer algorithms today are performing incredible tasks

כיום, אלגוריתמים ממוחשבים מבצעים פעולות מדהימות

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

ברמת דיוק גבוהה, בכמויות נרחבות בעזרת חיקוי של חכמת בני אדם.

And this intelligence of computers is often referred to as AI

וה״חכמה״ הזו של המחשבים מתוארת פעמים רבות כב״מ

or artificial intelligence.

או בינה מלאכותית.

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

ב״מ מיועדת לייצר השפעה עצומה על החיים שלנו בעתיד.

Today, however, we still face massive challenges

למרות זאת, היום, אנו עדיין מתמודדים עם אתגרים כבדים

in detecting and diagnosing several life-threatening illnesses,

באיתור ואבחון של מספר מחלות מסכנות חיים,

such as infectious diseases and cancer.

כמו מחלות מדבקות וסרטן.

Thousands of patients every year

אלפי מטופלים מדי שנה

lose their lives due to liver and oral cancer.

מאבדים את חייהם עקב סרטן הכבד והפה.

Our best way to help these patients

הדרך הטובה ביותר לעזור לאותם המטופלים

is to perform early detection and diagnoses of these diseases.

היא איתור ואבחון מוקדם של המחלות האלו.

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

אז כיצד אנו מאתרים את המחלות האלו היום, ואיך בינה מלאכותית יכולה לעזור?

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

למטופלים אשר, לצערנו הרב, אנו חושדים שחולים באחת מן המחלות,

an expert physician first orders

רופא מומחה יזמין דבר ראשון

very expensive medical imaging technologies

הדמיות רפואיות בטכנולוגיות יקרות מאוד

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

כגון רנטגן פלואורוסנטי, סי-טי, אמ-אר-איי.

Once those images are collected,

ברגע שההדמיות נאספות,

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

רופא מומחה נוסף מאבחן את ההדמיות ומשוחח עם המטופל.

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

כפי שאתם רואים, מדובר בתהליך הדורש משאבים רבים,

requiring both expert physicians, expensive medical imaging technologies,

ביניהם שני רופאים מומחים, טכנולוגיות הדמיה רפואית יקרות,

and is not considered practical for the developing world.

ותהליך זה לא נחשב יעיל ביחס לעולם המתפתח.

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

למעשה, אפילו ביחס להרבה מדינות מפותחות.

So, can we solve this problem using artificial intelligence?

אז, האם ניתן לפתור את הבעיה בעזרת בינה מלאכותית?

Today, if I were to use traditional artificial intelligence architectures

כיום, אם הייתי משתמש בשיטות בינה מלאכותית מסורתיות

to solve this problem,

לפתרון הבעיה,

I would require 10,000 --

נדרשים לי 10,000--

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

אני חוזר, סדר גודל של 10,000 הדמיות רפואיות יקרות

first to be generated.

לשלב הראשוני.

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

לאחר מכן, אצטרך להפגש עם רופא מומחה,

who would then analyze those images for me.

אשר יצטרך לנתח את ההדמיות האלו עבורי.

And using those two pieces of information,

ובעזרת שתי פיסות המידע האלו,

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

אני יכול לאמן רשת נוירונים סטנדרטית או רשת למידה

to provide patient's diagnosis.

על למנת לספק אבחנה למטופל.

Similar to the first approach,

בדומה לגישה הראשונה,

traditional artificial intelligence approaches

גישות מסורתיות לבינה מלאכותיתֿ

suffer from the same problem.

סובלות מאותה הבעיה.

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

כמויות גדולות של מידע, רופאים מומחים וטכנולוגיות הדמיה רפואית מתוחכמות.

So, can we invent more scalable, effective

מכאן, האם ניתן להמציא פתרון מדרגי, יעיל

and more valuable artificial intelligence architectures

וליצור מערכות בינה מלאכותית בעלות ערך גדול יותר

to solve these very important problems facing us today?

לפתרון בעיות חשובות מסוג זה עמן אנו מתמודדים כיום?

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

וזה בדיוק מה שהקבוצה שלי עושה.

We have invented a variety of unorthodox AI architectures

המצאנו מגוון מערכות בינה מלאכותית חדשניות

to solve some of the most important challenges facing us today

על מנת לפתור כמה מהאתגרים החשובים ביותר עמם אנו מתמודדים כיום

in medical imaging and clinical trials.

בהדמיה רפואית וניסויים קליניים.

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

בעזרת הדוגמה ששיתפתי איתכם היום הצבנו שתי מטרות.

Our first goal was to reduce the number of images

המטרה הראשונה היא לצמצם את מספר ההדמיות

required to train artificial intelligence algorithms.

הנדרשות על מנת לאמן אלגוריתם של בינה מלאכותית.

Our second goal -- we were more ambitious,

המטרה השניה -- הייתה לנו יותר תעוזה,

we wanted to reduce the use of expensive medical imaging technologies

רצינו לצמצם את השימוש בטכנולוגיות הדמיה רפואית יקרות

to screen patients.

בשביל לסנן מטופלים.

So how did we do it?

כיצד עשינו זאת?

For our first goal,

עבור המטרה הראשונה,

instead of starting with tens and thousands

במקום להתחיל בעשרות אלפים

of these very expensive medical images, like traditional AI,

מן ההדמיות היקרות הללו, כמו בינה מלאכותית מסורתית,

we started with a single medical image.

התחלנו מהדמיה בודדת.

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

בעזרת אותה ההדמיה, הצוות ואני מצאנו שיטה חכמה

to extract billions of information packets.

לאסוף ביליונים של מנות מידע.

These information packets included colors, pixels, geometry

מנות המידע האלו כללו צבעים, פיקסלים, גאומטריה

and rendering of the disease on the medical image.

והתרגום של המחלה על ההדמיה הרפואית.

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

בצורה מסוימת, המרנו הדמיה אחת לביליונים של נתונים ללמידה,

massively reducing the amount of data needed for training.

תוך צמצום אדיר של כמות המידע הנדרש ללמידה.

For our second goal,

עבור המטרה השנייה,

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

צמצום של השימוש בטכנולוגיות הדמיה רפואית לסינון מטופלים,

we started with a standard, white light photograph,

התחלנו בצילום תמונה סטנדרטית,

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

הנלקחה ממצלמת DSLR או טלפון סלולרי, עבור המטופל.

Then remember those billions of information packets?

ואז, זוכרים את ביליוני מנות המידע?

We overlaid those from the medical image onto this image,

החלנו אותן מההדמיה הרפואית על גבי התמונה שצילמנו,

creating something that we call a composite image.

ויצרנו דבר שקראנו לו תמונה מרוכבת.

Much to our surprise, we only required 50 --

למרבה ההפתעה, נדרשו לנו רק 50--

I repeat, only 50 --

אני חוזר, רק 50--

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

מהתמונות המרוכבות הללו על מנת לאמן את האלגוריתמים שלנו ברמת דיוק גבוהה.

To summarize our approach,

לסיכום הגישה שלנו,

instead of using 10,000 very expensive medical images,

במקום להשתמש ב10,000 הדמיות רפואיות יקרות,

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

אנו מסוגלים כעת לאמן אלגוריתמים של ב״מ בצורה לא מסורתית,

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

על ידי שימוש ב 50 תמונות סטנדרטיות באיכות גבוהה

acquired from DSLR cameras and mobile phones,

שנלקחו בעזרת מצלמות DSLR ומכשירים סלולריים,

and provide diagnosis.

ולספק אבחנה.

More importantly,

חשוב מכך,

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

האלגוריתמים שלנו מסוגלים לקלוט, בעתיד ואפילו עכשיו,

some very simple, white light photographs from the patient,

גם תמונות פשוטות של המטופל,

instead of expensive medical imaging technologies.

במקום הדמיות רפואיות בטכנולוגיות יקרות.

I believe that we are poised to enter an era

אני מאמין כי אנו עומדים להכנס לעידן

where artificial intelligence

בו בינה מלאכותית

is going to make an incredible impact on our future.

הולכת לייצר השפעה עצומה על העתיד שלנו.

And I think that thinking about traditional AI,

ואני חושב שתוך חשיבה על ב״מ מסורתית,

which is data-rich but application-poor,

אשר עשירה בנתונים אך חלשה ביישום,

we should also continue thinking

עלינו להמשיך לחשוב

about unorthodox artificial intelligence architectures,

על שיטות חדשניות ליצירת בינה מלאכותית

which can accept small amounts of data

אשר יכולות לעבוד עם כמות קטנה של מידע

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

ולפתור כמה מן הבעיות החשובות ביותר מולן אנו עומדים היום,

especially in health care.

בייחוד ברפואה.

Thank you very much.

תודה רבה לכם.

(Applause)

(מחיאות כפיים)