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

Translator: sann tint Reviewer: Myo Aung

Computer algorithms today are performing incredible tasks

ယနေ့ ကွန်ပြူတာအယ်ဂိုရစ်သမ်ဟာ လူသားလို ဉာဏ်ရည်မျိုးသုံးကာ

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

မယုံနိုင်တဲ့အလုပ်တွေကို မြင့်မားတဲ့ တိကျမှုတွေနဲ့ ပမာဏများစွာ စွမ်းဆောင်နေတယ်။

And this intelligence of computers is often referred to as AI

ကွန်ပြူတာတွေရဲ့ ဒီဉာဏ်ရည်ကို မကြာခဏတော့ AI (သို့) ဉာဏ်ရည်တုလို့

or artificial intelligence.

ရည်ညွှန်းပြောဆိုပါတယ်။

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

AI ဟာ အနာဂတ် ဘဝတွေအပေါ် မယုံနိုင် တဲ့ သက်ရောက်မှုတစ်ခု လုပ်ပေးဖို့ အသင့်ပါ။

Today, however, we still face massive challenges

ဒါပေမဲ ယနေ့မှာတော့ ကူးစက်ရောဂါတွေနဲ့ ကင်ဆာလိုမျိုး

in detecting and diagnosing several life-threatening illnesses,

များစွာသော အသက်ဘေးခြိမ်းခြောက်တဲ့ နာမကျန်းမှုတွေကို ရှာဖွေ၊ဖော်ထုတ်ရာမှာ

such as infectious diseases and cancer.

ကြီးမားတဲ့ စိန်ခေါ်မှုတွေ ရင်ဆိုင်ရဆဲပါ။

Thousands of patients every year

နှစ်စဉ် ထောင်ချီတဲ့လူနာတွေဟာ အသည်း(သို့)

lose their lives due to liver and oral cancer.

အာခေါင် ကင်ဆာတွေကြောင့် အသက်ဆုံးရှုံးရတယ်။

Our best way to help these patients

ဒီလူနာတွေကို ကူညီဖို့ ကျွန်တော်တို့ အကောင်းဆုံးနည်းလမ်းက

is to perform early detection and diagnoses of these diseases.

ဒီရောဂါတွေရကို ရှာဖွေမှု ၊တွေ့ရှိမှုကို စောစော လုပ်ဆောင်ဖို့ပါ။

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

ဒီတော့ ယနေ့ ဒီရောဂါတွေကို ဘယ်လို ရှာဖွေပြီးဉာဏ်ရည်တုက ကူညီပေးနိုင်လဲ။

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

ကံဆိုးချင်တော့ ဒီရောဂါတွေ ဖြစ်ဖို့ရှိတဲ့ လူနာတွေမှာ

an expert physician first orders

ကျွမ်းကျင်တဲ့သမားတော်က ဦးဆုံး ညွန်ကြားတာက

very expensive medical imaging technologies

အင်မတန်စျေးကြီးတဲ့ ဆေးဘက် ပုံထုတ်ခြင်းနည်းပညာတွေပါ၊

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

ဥပမာ ဓာတ်မှန်ရိုက်ခြင်းလို CTs MRIs တွေလုပ်ဖို့ပါ။

Once those images are collected,

ဒီပုံတွေကို စုပြီးတာနဲ့

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

အခြားကျွမ်းကျင်သမားတော်က ဒီပုံတွေကို ရောဂါဖော်ထုတ်ပြီး လူနာကို ပြောဆိုပါတယ်။

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

သိတဲ့အတိုင်း ဒါဟာ အင်မတန် အရင်းအမြစ် အားစိုက်ရတဲ့ လုပ်ငန်းစဉ်ပါ၊

requiring both expert physicians, expensive medical imaging technologies,

ကျွန်းကျင်သမားတော်နဲ့ စျေးကြီးတဲ့ ဆေးဘက် ပုံထုတ်နည်းပညာတွေ နှစ်ခုစလုံးလိုအပ်ပြီး

and is not considered practical for the developing world.

ဖွံ့ဖြိုးဆဲကမ္ဘာအတွက်တော့ လက်တွေ့ မကျဘူးလို့ ထင်မှတ်ရပါတယ်။

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

တကယ်တမ်းက စက်မှုနိုင်ငံ များစွာမှာရောပါ။

So, can we solve this problem using artificial intelligence?

ဒီတော့ ဒီပြဿနာကို ဉာဏ်ရည်တုကို သုံးပြီး ဖြေရှင်နိုင်မလား။

Today, if I were to use traditional artificial intelligence architectures

ယနေ့မှာ ဒီပြဿနာဖြေရှင်းဖို့ အစဉ်အလာ ဉာဏ်ရည်တု တည်ဆောက်ပုံတွေကို

to solve this problem,

အသုံးပြုမယ်ဆိုရင်တော့

I would require 10,000 --

ပုံ ၁၀၀၀၀ လိုလိမ့်မယ်၊

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

ထပ်ပြောမယ်၊ အရင်ဆုံး လုပ်ဆောင်ဖို့ ဒီစျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာပုံ ၁၀၀၀၀ မှာ

first to be generated.

ယူမှုတစ်ခုပါ။

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

ဒီနောက်မှာ ကျွန်တော့အတွက် ဒီပုံတွေကို စိစစ်ပေးမယ့်

who would then analyze those images for me.

ကျွမ်းကျင်သမားတော်ဆီသွားမှာပါ။

And using those two pieces of information,

ဒီသတင်းအချက်အလက် နှစ်ခုကိုသုံးပြီး

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

လူနာရောဂါစစ်တမ်းကို ထောက်ပံ့ဖို့ ပုံမှန် အတွင်းကျတဲ့ အာရုံကြောကွန်ရက်(သို့)

to provide patient's diagnosis.

အတွင်း သင်ယူမှုကွန်ရက်ကို ပုံစံသွင်းနိုင်တယ်

Similar to the first approach,

ပထမနည်းအတိုင်းပဲ

traditional artificial intelligence approaches

အစဉ်အလာ ဉာဏ်ရည်တုနည်းလမ်းတွေဟာ

suffer from the same problem.

အလားတူ ပြဿနာတွေ ကြုံရပါတယ်။

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

ကြီးမားတဲ့ ဒေတာပမာဏ၊ ကျွမ်းကျင်သမားတော်နဲ့ ကျွမ်းကျင်တဲ့ ဆေးဘက်ပုံထုတ်နည်းပညာတွေပါ။

So, can we invent more scalable, effective

ဒီတော့ ယနေ့ ရင်ဆိုင်နေရတဲ့ အင်မတန် အရေးကြီးတဲ့

and more valuable artificial intelligence architectures

ပြဿနာတွေဖြေရှင်းဖို့ ပိုပြီး အရွယ်အစား ပြောင်းလို့ရကာ ထိရောက်ပြီး

to solve these very important problems facing us today?

ပိုတန်ဖိုးရှိတဲ့ ဉာဏ်ရည်တု တည်ဆောင်ပုံတွေ တီတွင်နိုင်လား။

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

ဒါကတော့ ကျွန်တော်တို့အဖွဲ့ MIT Media Lab မှာ လုပ်တာ အတိအကျပါ။

We have invented a variety of unorthodox AI architectures

ဆေးဘက်ဆိုင်ရာ ပုံထုတ်ခြင်းနဲ့ လက်တွေ့ စမ်းသပ်မှုတွေမှာ ယနေ့ ရင်ဆိုင်နေရတဲ့

to solve some of the most important challenges facing us today

အရေးပါဆုံးစိန်ခေါ်မှုတစ်ချို့ကို ဖြေရှင်းဖို့အစဉ်အလာမဟုတ်တဲ့

in medical imaging and clinical trials.

AI တည်ဆောက်ပုံမျိုးစုံ တည်ဆောက်ထားပါတယ်။

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

ဒီနေ့ မျှဝေခဲ့တဲ့ နမူနာထဲမှာ ရည်မှန်းချက်နှစ်ခုရှိခဲ့တယ်။

Our first goal was to reduce the number of images

ပထမရည်မှန်းချက်က ဉာဏ်ရည်တု အယ်ဂိုရစ်သမ်ကို ပြုပြင်ဖို့လိုတဲ့

required to train artificial intelligence algorithms.

ပုံအရေအတွက်ကို လျှော့ချဖို့ပါ။

Our second goal -- we were more ambitious,

ဒုတိယ ရည်မှန်းချက်က ပိုရည်မှန်းချက်ကြီးတာက

we wanted to reduce the use of expensive medical imaging technologies

လူနာတွေကို စစ်ဆေးဖို့ စျေးကြီးတဲ့ ဆေးဘက် ပုံထုတ်ခြင်းနည်းပညာ သုံးစွဲမှုကို

to screen patients.

လျှော့ချဖို့ပါ။

So how did we do it?

ဒီတော့ ဘယ်လိုလုပ်ခဲ့လဲ။

For our first goal,

ပထမ ရည်မှန်းချက်အတွက်

instead of starting with tens and thousands

အစဉ်အလာ AI လို သောင်းချီတဲ့

of these very expensive medical images, like traditional AI,

အလွန်စျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာပုံတွေနဲ့ စတာအစား

we started with a single medical image.

ဆေးဘက်ဆိုင်ရာပုံတစ်ပုံတည်းနဲ့ စခဲ့တယ်။

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

ဒီပုံကနေ ကျွန်တော်တို့အဖွဲ့ဟာ ဘီလီယံ သန်းချီတဲ့ သတင်းအချက်အလက်အထုပ်လေးတွေကနေ

to extract billions of information packets.

ထုတ်ယူဖို့ အရမ်းကောင်းတဲ့ နည်းတစ်ခုကို မှန်းဆခဲ့တယ်။

These information packets included colors, pixels, geometry

ဒီသတင်းအချက်အလက်အထုပ်လေးတွေမှာ အရောင်တွေ၊ ပစ်ဇယ်တွေ၊ ဂျီဩမေထရီနဲ့့

and rendering of the disease on the medical image.

ဆေးဘက်ဆိုငိရာပုံပေါ်က ရောဂါရဲ့ ပြန်ဆိုချက်ပါတယ်။

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

သဘောတစ်ခုက ပုံတစ်ပုံကို ပုံစံသွင်းထားတဲ့ ဘီလီယံချီတဲ့ ဒေတာအချက်တွေအဖြစ်ပြောင်းတယ်

massively reducing the amount of data needed for training.

ပုံစံပြောင်းဖို့လိုအပ်တဲ့ ဒေတာပမာဏကို အများအပြား လျှောချရင်းပါ။

For our second goal,

ဒုတိယပန်းတိုင်အတွက်

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

လူနာတွေကို စစ်ဆေးဖို့ စျေးကြီးတဲ့ ဆေးဘက် ပုံထုတ်နည်းပညာ အသုံးကိုလျှော့ဖို့ပါ။

we started with a standard, white light photograph,

ပုံမှန် အရောင်မဲ့အလင်းဓာတ်ပုံနဲ့ စတင်ခဲ့တယ်၊

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

DSLR ကင်မရာ(သို့) ဖုန်းတစ်လုံးကနေ လူနာအတွက် ရိုက်ထားတာပေါ့။

Then remember those billions of information packets?

ဒီနောက် ဒီဘီလီယံချီတဲ့ သတင်းထုပ် ကလေးတွေကို သတိရပါ။

We overlaid those from the medical image onto this image,

ဒါတွေကို ဆေးဘက်ဆိုင်ရာပုံကနေ ဒီပုံပေါ်ကို ထပ်လိုက်တယ်။

creating something that we call a composite image.

ပေါင်းစပ်ပုံလို့ ခေါ်တာတစ်ခုကို ဖန်တီးရင်းပေါ့

Much to our surprise, we only required 50 --

ကျွန်တော်တို့ အရမ်းအံ့တာက ပုံ ၅၀ ပဲ ကျွန်တော်တို့လိုတယ်၊

I repeat, only 50 --

ထပ်ပြောမယ် အယ်လ်ဂိုရစ်သမ်ကို

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

မြင့်မားတဲ့ လုပ်ဆောင်မှုတွေဆီ ပုံစံပြောင်းဖို့ ပုံ ၅၀ ပဲ။

To summarize our approach,

ဒီနည်းကို အကျဉ်းချုပ်ရင်

instead of using 10,000 very expensive medical images,

စျေးအရမ်းကြီးတဲ့ ဆေးလက်ဆိုင်ရာ ပုံ ၁၀၀၀၀ ကို သုံးတာအစား

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

AI အယ်လ်ဂိုရစ်သမ်ကို ပုံမှန်မဟုတ်တဲ့ နည်းမှာပုံစံပြောင်းနိုင်တယ်

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

DSLR ကင်မရာ(သို့) ဖုန်း တစ်လုံးကနေ ရိုက်ယူထားတဲ့

acquired from DSLR cameras and mobile phones,

ရုပ်ထွက်ကောင်း၊ ပုံမှန်ဖြစ်တဲ့ ဓာတ်ပုံ ၅၀ ပဲ သုံးပြီး

and provide diagnosis.

ရောဂါရှာဖွေမှုကို ထောက်ပံ့တယ်။

More importantly,

ပိုအရေးကြီးတာက

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

ကျွန်တော်တို့ရဲ့ အယ်လ်ဂိုရစ်သမ်တွေဟာ အနာဂတ်နဲ အခုတောင်မှ

some very simple, white light photographs from the patient,

စျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာ ပုံထုတ်တဲ့ နည်းပညာတွေအစား

instead of expensive medical imaging technologies.

လူနာဆီက ရိုးရိုးး အရောင်မဲ့ ပုံတေွကိုလက်ခံနိုင်တယ်။

I believe that we are poised to enter an era

ဉာဏ်ရည်တူတွေဟာ အနာဂတ်အပေါ် မယုံနိုင်အောင် သက်ရောက်မှုတစ်ခုကို

where artificial intelligence

ဖန်တီးပေးမယ့် ခေတ်တစ်ခုထဲကို

is going to make an incredible impact on our future.

ဝင်ဖို့ ကျွန်တော်တို့အသင့်ရှိနေတယ်လို့ ယုံကြည်ပါတယ်။

And I think that thinking about traditional AI,

အစဉ်အလာ AI အကြောင်းတွေးမိတာ ထင်တယ်၊

which is data-rich but application-poor,

ဒေတာများပေမဲ့ လုပ်ဆောင်မှုက ညံ့တယ်၊

we should also continue thinking

အစဉ်အလာမဟုတ်တဲ့ ဉာဏ်ရည်တု

about unorthodox artificial intelligence architectures,

တည်ဆောက်ပုံတွေအကြောင်းလည်း ဆက်လက်တွေးသင့်ပါတယ်၊

which can accept small amounts of data

ဒေတာပမာဏအနည်းငယ်ပဲ လက်ခံနိုင်ပေမဲ့

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

ဒီနေ့ရင်ဆိုင်ရတဲ့ အရေးပါဆုံး ပြဿနာတစ်ချို့ကိုဖြေရှင်းနိုင်တယ်

especially in health care.

အထူးက ကျန်းမာရေးမှာပါ။

Thank you very much.

ကျေးဇူးအများကြီးတင်ပါတယ်။

(Applause)

(လက်ခုပ်သံများ)