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

Переводчик: Olenka Rasskazova Редактор: Yulia Kallistratova

Computer algorithms today are performing incredible tasks

Компьютерные алгоритмы сегодня выполняют невероятные задачи

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

с высокой точностью, в широких масштабах, используя похожий на людской интеллект.

And this intelligence of computers is often referred to as AI

Вычислительную способность компьютеров часто называют ИИ,

or artificial intelligence.

или искусственный интеллект.

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

ИИ окажет невероятное влияние влияние на нашу будущую жизнь.

Today, however, we still face massive challenges

Однако мы по-прежнему сталкиваемся с серьёзными проблемами

in detecting and diagnosing several life-threatening illnesses,

в выявлении и диагностировании ряда опасных для жизни болезней,

such as infectious diseases and cancer.

таких как рак и инфекционные заболевания.

Thousands of patients every year

Тысячи пациентов каждый год

lose their lives due to liver and oral cancer.

умирают из-за рака печени и полости рта.

Our best way to help these patients

Лучший способ помочь этим пациентам —

is to perform early detection and diagnoses of these diseases.

выявить и диагностировать заболевание на ранней стадии.

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

Как мы выявляем эти болезни сегодня и как нам может помочь искусственный интеллект?

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

Для пациентов, у которых, к сожалению, есть подозрения на эти заболевания,

an expert physician first orders

эксперт-медик сначала заказывает

very expensive medical imaging technologies

очень дорогие медицинские анализы,

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

такие как флуоресцентная визуализация: томография ТТ и МРТ.

Once those images are collected,

Как только изображения готовы,

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

следующий эксперт анализирует изображения и сообщает диагноз пациенту.

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

Как вы заметили, это очень ресурсоёмкий процесс,

requiring both expert physicians, expensive medical imaging technologies,

требующий как экспертного мнения, так и дорогостоящих технологий томографии.

and is not considered practical for the developing world.

Не самый практичный подход для развивающихся стран.

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

Фактически, даже для многих промышленно развитых стран.

So, can we solve this problem using artificial intelligence?

Итак, можно ли решить эту проблему с помощью искусственного интеллекта?

Today, if I were to use traditional artificial intelligence architectures

Сегодня, если использовать традиционные модели искусственного интеллекта

to solve this problem,

для решения этой задачи,

I would require 10,000 --

потребуется 10 000 —

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

повторюсь, потребуется порядка 10 000 дорогостоящих изображений,

first to be generated.

которые сначала надо сгенерировать.

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

Затем передать их эксперту-медику

who would then analyze those images for me.

для проведения анализа полученных результатов.

And using those two pieces of information,

Используя эти две части информации,

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

я могу запрограммировать стандартную нейронную сеть

to provide patient's diagnosis.

на выявление диагноза пациента.

Similar to the first approach,

Подобно первому подходу,

traditional artificial intelligence approaches

традиционные методы искусственного интеллекта

suffer from the same problem.

сталкиваются с той же проблемой:

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

огромные объёмы данных, работа экспертов и технологии томографии.

So, can we invent more scalable, effective

Можем ли мы изобрести масштабируемые, эффективные

and more valuable artificial intelligence architectures

и более действенные модели искусственного интеллекта

to solve these very important problems facing us today?

для решения проблем первоочередной важности, стоящих перед нами сегодня?

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

Этим вопросом мы занимаемся в моей группе в Медиа-лаборатории MIT.

We have invented a variety of unorthodox AI architectures

Мы изобрели множество неортодоксальных форм ИИ

to solve some of the most important challenges facing us today

для решения не всех, но наиболее важных задач, стоящих перед нами

in medical imaging and clinical trials.

в области томографии и клинических испытаний.

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

В примере, которым я поделился сегодня, мы преследовали две цели.

Our first goal was to reduce the number of images

Наша первая цель заключается в уменьшении количества изображений,

required to train artificial intelligence algorithms.

необходимых для обучения алгоритмов искусственного интеллекта.

Our second goal -- we were more ambitious,

Вторая цель более амбициозна:

we wanted to reduce the use of expensive medical imaging technologies

мы хотим уменьшить использование дорогостоящих медицинских процедур

to screen patients.

для обследования пациентов.

So how did we do it?

Итак, как нам это удалось?

For our first goal,

Для достижения первой цели

instead of starting with tens and thousands

вместо обработки десятков или тысяч

of these very expensive medical images, like traditional AI,

дорогостоящих скринингов, как при традиционной форме ИИ,

we started with a single medical image.

мы начали с единственного изображения.

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

На основе снимка мы с моей командой разработали очень рациональный способ

to extract billions of information packets.

извлечения миллиардов блоков информации.

These information packets included colors, pixels, geometry

Эти блоки информации содержат цвет, пиксели, геометрию,

and rendering of the disease on the medical image.

визуализируя саму болезнь на изображении.

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

Мы превратили одну картинку в миллиарды точек данных,

massively reducing the amount of data needed for training.

значительно уменьшив объём данных, необходимых для обучения алгоритма.

Для достижения второй цели —

For our second goal,

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

сокращения использования дорогих технологий скрининга —

we started with a standard, white light photograph,

мы берём стандартную цифровую фотографию,

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

сделанную либо на фотоаппарате, либо с помощью смартфона.

Then remember those billions of information packets?

Помните про миллиарды блоков информации?

We overlaid those from the medical image onto this image,

Мы наложили на них изображения,

creating something that we call a composite image.

создав так называемое составное изображение.

Much to our surprise, we only required 50 --

К нашему удивлению, нам потребовалось всего лишь 50 —

I repeat, only 50 --

повторяю, всего 50 —

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

составных изображений для наделения наших алгоритмов большей эффективностью.

To summarize our approach,

Описывая наш подход:

instead of using 10,000 very expensive medical images,

вместо использования 10 000 дорогостоящих изображений

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

мы настраиваем алгоритм ИИ нестандартным образом,

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

для чего требуется всего 50 стандартных снимков с высоким разрешением,

acquired from DSLR cameras and mobile phones,

полученных с цифровых фотоаппаратов и телефонов.

and provide diagnosis.

Так мы обеспечиваем диагностику.

More importantly,

Что ещё более важно,

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

наши алгоритмы в будущем, и даже уже сегодня, могут использовать

some very simple, white light photographs from the patient,

самые обычные фотографии, сделанные пациентом,

instead of expensive medical imaging technologies.

вместо дорогостоящих технологий скрининга.

I believe that we are poised to enter an era

Я считаю, что мы готовы вступить в эпоху,

where artificial intelligence

где искусственный интеллект

is going to make an incredible impact on our future.

окажет невероятное влияние на наше будущее.

And I think that thinking about traditional AI,

Думаю, что наряду с привычной формой искусственного интеллекта,

which is data-rich but application-poor,

богатой данными, но малофункциональной в приложениях,

we should also continue thinking

нужно продолжать работать

about unorthodox artificial intelligence architectures,

над новыми формами искусственного интеллекта,

которые принимают небольшой объём данных,

which can accept small amounts of data

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

но решают некоторые из наиболее важных проблем сегодняшнего дня,

especially in health care.

особенно в здравоохранении.

Thank you very much.

Большое спасибо.

(Applause)

(Аплодисменты)