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

Translator: Mirica Miush Reviewer: Lucia Daubnerova

Computer algorithms today are performing incredible tasks

Dnešné počítačové algoritmy dokážu vyriešiť neuveriteľne ťažké úlohy

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

s vysokou presnosťou a v masovom meradle vďaka inteligencii podobnej ľudskej.

And this intelligence of computers is often referred to as AI

Počítačovej inteligencii sa často hovorí UI

or artificial intelligence.

alebo umelá inteligencia.

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

UI je pripravená mať v budúcnosti výrazný vplyv na náš život.

Today, however, we still face massive challenges

Dnes však stále stojíme tvárou v tvár veľkým výzvam,

in detecting and diagnosing several life-threatening illnesses,

ktoré sa týkajú odhaľovania a diagnostiky niekoľkých život ohrozujúcich

such as infectious diseases and cancer.

ochorení ako sú infekčné choroby či rakovina.

Thousands of patients every year

Tisícky pacientov každý rok

lose their lives due to liver and oral cancer.

prichádzajú o život pre rakovinu pečene alebo ústnej dutiny.

Our best way to help these patients

Najlepší spôsob, ako týmto pacientom pomôcť,

is to perform early detection and diagnoses of these diseases.

je včas odhaliť a diagnostikovať ich ochorenia.

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

Ako dnes diagnostikujeme tieto ochorenia a dokáže nám umelá inteligencia pomôcť?

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

Pacientov, u ktorých je podozrenie na niektorú z týchto chorôb,

an expert physician first orders

najskôr špecialista pošle

very expensive medical imaging technologies

na veľmi drahé vyšetrenie pomocou zobrazovacích metód

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

ako napr. fluorescenčné zobrazovanie CT, MRI...

Once those images are collected,

Po získaní snímok

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

ich ďalší špecialista musí zhodnotiť a porozprávať sa s pacientom.

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

Ako vidíte, tento proces je veľmi náročný na zdroje, ktorými sú

requiring both expert physicians, expensive medical imaging technologies,

obaja lekári špecialisti a drahé zobrazovacie technológie,

and is not considered practical for the developing world.

Tento proces je nemysliteľný v rozvojových krajinách.

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

A v skutočnosti aj v mnohých rozvinutých krajinách.

So, can we solve this problem using artificial intelligence?

Môže nám teda umelá inteligencia pomôcť tento problém vyriešiť?

Today, if I were to use traditional artificial intelligence architectures

Ak by som dnes použil tradičnú architektúru umelej inteligencie

to solve this problem,

na vyriešenie tohto problému,

I would require 10,000 --

potreboval by som 10 000,

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

opakujem, 10 000 veľmi drahých lekárskych snímok,

first to be generated.

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

Potom by som šiel za špecialistom,

who would then analyze those images for me.

ktorý by mi snímky vyhodnotil.

And using those two pieces of information,

Za pomoci týchto dvoch informačných zdrojov

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

dokážem vytrénovať štandardnú hlbokú neurálnu sieť alebo sieť hĺbkového učenia,

to provide patient's diagnosis.

ktorá by nám poskytla pacientovu diagnózu.

Similar to the first approach,

Podobne ako v predošlom príklade,

traditional artificial intelligence approaches

tradičné postupy umelej inteligencie

suffer from the same problem.

sa stretávajú s rovnakým problémom.

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

Veľké množstvo údajov, špecialisti a špeciálne zobrazovacie technológie.

So, can we invent more scalable, effective

Dokážeme vynájsť presnejšie, efektívnejšie

and more valuable artificial intelligence architectures

a hodnotnejšie architektúry umelej inteligencie,

to solve these very important problems facing us today?

ktoré by nám pomohli vyriešiť tieto závažné problémy, ktorým čelíme?

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

A to je presne oblasť, ktorej sa môj tím v Media Labe MIT venuje.

We have invented a variety of unorthodox AI architectures

Vynašli sme mnoho druhov netradičných architektúr UI s cieľom

to solve some of the most important challenges facing us today

vyriešiť niektoré z najpálčivejších problémov, ktorým čelíme

in medical imaging and clinical trials.

v medicínskom zobrazovaní a klinických testoch.

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

V príklade, ktorý som dnes uviedol, sme mali dva ciele.

Our first goal was to reduce the number of images

Prvým cieľom bolo znížiť počet snímok

required to train artificial intelligence algorithms.

potrebných na naučenie algoritmov UI.

Our second goal -- we were more ambitious,

Naším druhým cieľom, boli sme ambicióznejší,

we wanted to reduce the use of expensive medical imaging technologies

bolo znížiť potrebu drahých zobrazovacích technológií,

to screen patients.

ktoré snímajú pacientov.

So how did we do it?

A ako sme to dosiahli?

For our first goal,

Pri prvom cieli

instead of starting with tens and thousands

namiesto desiatok až tisícok drahých snímok

of these very expensive medical images, like traditional AI,

ktoré sme potrebovali na začiatku pri tradičnej UI

we started with a single medical image.

sme začali s jedinou snímkou.

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

Spolu s tímom sme objavili veľmi šikovný spôsob, ako zo snímky

to extract billions of information packets.

vytiahnuť miliardy blokov údajov.

These information packets included colors, pixels, geometry

Tieto údaje zahŕňali farby, pixely, geometriu

and rendering of the disease on the medical image.

a priebeh choroby na lekárskej snímke.

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

Takpovediac sme premenili jedinú snímku na miliardy údajov na učenie,

massively reducing the amount of data needed for training.

čo značne znížilo množstvo potrebných údajov.

Na dosiahnutie druhého cieľa,

For our second goal,

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

zníženia využívania drahých zobrazovacích technológií na snímanie pacientov,

we started with a standard, white light photograph,

sme začali so štandardnou čiernobielou fotkou

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

urobenou buď digitálnou zrkadlovkou alebo mobilom.

Then remember those billions of information packets?

Pamätáte si tie miliardy blokov údajov?

We overlaid those from the medical image onto this image,

Naukladali sme tie z lekárskej snímky na fotku

creating something that we call a composite image.

a vytvorili tzv. zloženú snímku.

Much to our surprise, we only required 50 --

Prekvapilo nás, že sme potrebovali iba 50,

I repeat, only 50 --

opakujem, iba 50

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

zložených snímok na naučenie efektívnych algoritmov.

To summarize our approach,

Aby som to zhrnul,

instead of using 10,000 very expensive medical images,

namiesto použitia 10 000 veľmi drahých lekárskych snímok

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

dokážeme naučiť algoritmy UI netradičným spôsobom,

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

s využitím iba 50 štandardných fotografií vo vysokom rozlíšení

acquired from DSLR cameras and mobile phones,

získaných pomocou digitálnych fotoaparátov alebo mobilov

and provide diagnosis.

More importantly,

Čo je dôležitejšie,

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

naše algoritmy dokážu spracovať, v budúcnosti ale aj teraz,

some very simple, white light photographs from the patient,

veľmi jednoduché čiernobiele fotografie od pacienta

instead of expensive medical imaging technologies.

namiesto drahých lekárskych zobrazovacích technológií.

I believe that we are poised to enter an era

Verím, že sme pripravení vstúpiť do éry,

where artificial intelligence

v ktorej umelá inteligencia

is going to make an incredible impact on our future.

dokáže významne ovplyvniť našu budúcnosť.

And I think that thinking about traditional AI,

A tiež si myslím, že namiesto tradičnej UI,

which is data-rich but application-poor,

ktorá je síce bohatá na údaje, ale ťažko použiteľná,

we should also continue thinking

by sme mali naďalej rozmýšľať

about unorthodox artificial intelligence architectures,

nad netradičnou architektúrou UI,

which can accept small amounts of data

ktorej stačí malé množstvo údajov

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

na vyriešenie najdôležitejšieho problému, ktorému dnes čelíme,

especially in health care.

hlavne v oblasti zdravia.

Thank you very much.

Ďakujem veľmi pekne.

(Applause)

(potlesk)