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

번역: 태강 김 검토: TJ Kim

Computer algorithms today are performing incredible tasks

오늘날 컴퓨터 알고리즘의 기능은 정말 놀랍습니다.

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

인간의 지능과 비슷하지만, 아주 엄청난 양을 정확하게 처리하죠.

And this intelligence of computers is often referred to as AI

이런 컴퓨터의 지능을 흔히 AI 또는

or artificial intelligence.

인공지능이라고 하죠.

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

인공지능은 이미 우리의 미래에 엄청난 영향을 줄 힘을 가지고 있습니다.

Today, however, we still face massive challenges

하지만, 오늘날 우리는 여전히 생명을 위협하는 질병들을

in detecting and diagnosing several life-threatening illnesses,

발견하고 진단하는 데 많은 어려움을 겪고 있습니다.

such as infectious diseases and cancer.

암이나 감염성 질병 같은 것들이죠.

Thousands of patients every year

매년 수 천명의 환자들이

lose their lives due to liver and oral cancer.

간암과 구강암으로 생명을 잃습니다.

Our best way to help these patients

이런 환자들을 도울 수 있는

is to perform early detection and diagnoses of these diseases.

최선의 방법은 바로 질병의 조기 발견과 진단이죠.

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

오늘날 어떤 식으로 질병이 발견되고, 인공지능은 어떤 도움을 주는지 알아볼까요?

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

안타깝게도, 이런 질병에 감염된 것으로 의심되는 환자들에게,

an expert physician first orders

전문의들은 우선

very expensive medical imaging technologies

값비싼 의료영상기술을 사용합니다.

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

형광영상법, CT, MRI 등이죠.

Once those images are collected,

수집된 영상들을

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

또 다른 전문의가 판독하고 환자에게 소견을 보냅니다.

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

보다시피, 아주 소모가 심한 과정입니다.

requiring both expert physicians, expensive medical imaging technologies,

전문의 둘에, 값비싼 의료영상기술까지 갖춰야 하니까

and is not considered practical for the developing world.

개발 도상국들에게 실용적인 방법이 아니죠.

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

사실, 여러 선진국들의 사정도 마찬가지입니다.

So, can we solve this problem using artificial intelligence?

그럼, 인공지능을 이용해 이 문제를 해결할 수 있을까요?

Today, if I were to use traditional artificial intelligence architectures

오늘날, 제가 이 문제의 해결을 위해

to solve this problem,

기존의 인공지능구조를 이용한다면,

I would require 10,000 --

만장이 필요합니다.

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

다시 말해, 만장의 값비싼 의료영상을

first to be generated.

먼저 찍어야만 합니다.

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

그 다음에, 그 영상들을 분석해 줄

who would then analyze those images for me.

전문의를 찾아가야 겠죠.

And using those two pieces of information,

그리고, 그 두 종류의 정보를 가지고

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

표준화된 심층 신경망 또는 심층 학습망을 이용해

to provide patient's diagnosis.

환자들에게 진단을 내립니다.

Similar to the first approach,

첫 번째 방식과 유사하게,

traditional artificial intelligence approaches

기존의 인공지능은 같은 문제로

suffer from the same problem.

어려움을 겪고 있습니다.

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

방대한 자료, 전문의, 특수 의료영상기술 등이 필요하기 때문이죠.

So, can we invent more scalable, effective

그렇다면, 더 확장성이 높고,

and more valuable artificial intelligence architectures

효율적인 인공지능 구조를 만든다면,

to solve these very important problems facing us today?

오늘날 우리에게 당면한 중대한 과제들을 해결할 수 있을까요?

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

이것이 바로 MIT 미디어 연구소에서 저희 팀이 하고 있는 일입니다.

We have invented a variety of unorthodox AI architectures

다양한 대체 인공지능 구조를 만들고 있죠.

to solve some of the most important challenges facing us today

의료영상과 임상시험 분야에서의

in medical imaging and clinical trials.

중대한 과제들을 해결하기 위해서죠.

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

오늘 예로 든 것에서, 저희는 두 가지 목표를 정했습니다.

Our first goal was to reduce the number of images

첫째, 인공지능 알고리즘의 학습에 필요한

required to train artificial intelligence algorithms.

영상의 수를 줄이는 것이었습니다.

Our second goal -- we were more ambitious,

둘째, 저희가 좀 더 욕심을 낸 것인데

we wanted to reduce the use of expensive medical imaging technologies

환자들을 선별하는 값비싼 의료영상기술의 사용을

to screen patients.

줄이는 것이었죠.

So how did we do it?

과연 어떻게 됐을까요?

For our first goal,

첫 번째 목표를 위해,

instead of starting with tens and thousands

기존의 인공지능과 같이

of these very expensive medical images, like traditional AI,

아주 많은 비용을 들여 촬영하는 영상 수 천장을 대신해,

we started with a single medical image.

단 한 장으로 시작했습니다.

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

동료들과 함께 그 영상에서 수 억개의 정보 패킷을

to extract billions of information packets.

추출할 수 있는 아주 기발한 방법을 찾아냈죠.

These information packets included colors, pixels, geometry

이 정보 패킷들은 영상 속 질병의 색상, 화소, 기하학적 구조,

and rendering of the disease on the medical image.

렌더링 등이 포함되어 있습니다.

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

즉, 하나의 영상을 수 십억개의 학습용 자료점으로 변환해,

massively reducing the amount of data needed for training.

학습에 필요한 자료의 양을 현저히 줄이는 것이죠.

For our second goal,

두 번째 목표를 위해서는

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

환자의 선별에 쓰이는 의료영상기술의 사용을 줄이기 위해,

we started with a standard, white light photograph,

일반적인 백색광 사진을 사용하기 시작했습니다.

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

DSLR 사진기나 휴대전화에서도 가능한 것이죠.

Then remember those billions of information packets?

수 십억개의 정보 패킷 기억하시죠?

We overlaid those from the medical image onto this image,

의료영상에서 빼낸 정보들을 바로 이 영상 위에 입혀

creating something that we call a composite image.

합성하는 거죠.

Much to our surprise, we only required 50 --

놀랍게도, 저희는 단 50장,

I repeat, only 50 --

한번 더 말하죠, 단 50장입니다.

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

알고리즘의 학습이 단 50장의 영상으로 가능했던 것입니다.

To summarize our approach,

그 방식을 요약해 보면,

instead of using 10,000 very expensive medical images,

만장이나 되는 아주 값비싼 의료영상을 대신해,

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

이제는 색다른 방식으로 인공지능의 학습이 가능하게 된 것이죠.

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

일반적인 DSLR 사진기나 휴대전화를 이용해 얻을 수 있는

acquired from DSLR cameras and mobile phones,

단 50장의 고화질 영상으로

and provide diagnosis.

진단까지 가능해 진 것입니다.

More importantly,

더 중요하게

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

저희 알고리즘은 앞으로, 심지어 지금 당장이라도

some very simple, white light photographs from the patient,

환자들이 제공하는 간단한 백색광 사진을 이용할 수 있습니다.

instead of expensive medical imaging technologies.

고가의 의료영상기술을 대신해서 말이죠.

I believe that we are poised to enter an era

저는 인공지능이 우리의 미래에

where artificial intelligence

엄청난 영향을 줄

is going to make an incredible impact on our future.

시대의 문턱에 이미 와 있다고 믿습니다.

And I think that thinking about traditional AI,

기존의 인공지능은

which is data-rich but application-poor,

자료는 방대하지만 활용도가 낮기 때문에,

we should also continue thinking

소량의 자료만으로도

about unorthodox artificial intelligence architectures,

우리에게 당면한 중대한 과제들을 해결할 수 있는

which can accept small amounts of data

대체 인공지능 구조를

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

계속 연구해야 한다고 생각합니다.

especially in health care.

특히 의료와 관련해서 말이죠.

Thank you very much.

감사합니다.

(Applause)

(박수)