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

Çeviri: E. Barış Öndeş Gözden geçirme: Figen Ergürbüz

Computer algorithms today are performing incredible tasks

Günümüzde bilgisayar algoritmaları insansı zekâları kullanarak

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

Büyük ölçülerde, büyük ölçeklerde harika işler yapabilmektedirler.

And this intelligence of computers is often referred to as AI

Ve bilgisayarların bu zekâlarına çoğunlukla YZ

or artificial intelligence.

ya da "yapay zekâ" deniyor.

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

YZ gelecekte hayatımıza muazzam bir etki oluşturmaya hazır.

Today, however, we still face massive challenges

Fakat günümüzde hâlâ bazı bulaşıcı hastalıklar ve kanserin

in detecting and diagnosing several life-threatening illnesses,

farkına varma ve teşhis koyma aşamalarında

such as infectious diseases and cancer.

büyük zorluklar ile karşılaşıyoruz.

Thousands of patients every year

Her yıl binlerce hasta,

lose their lives due to liver and oral cancer.

ağız ve karaciğer kanserinden hayatını kaybediyor.

Our best way to help these patients

Onlara yardımı en iyi şekilde

is to perform early detection and diagnoses of these diseases.

erken tanı ve teşhisle yapabiliriz.

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

Peki günümüzde bu hastalıkları nasıl teşhis ediyoruz?

Ve teşhiste yapay zekâ bize yardımcı olabilir mi?

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

Hasta olduğundan şüphelenilen kişiler için

an expert physician first orders

uzman bir doktor öncelikle

very expensive medical imaging technologies

MR ve tomografi gibi yüksek maliyetli teknolojik sistemlerden

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

görüntüleme testleri istemektedir.

Once those images are collected,

Sonuçlar alındıktan sonra

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

başka bir uzman görüntüleri inceler ve teşhisi hastaya bildirir.

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

Gördüğünüz gibi bu süreç günümüz dünyasına uymayan bir şekilde

requiring both expert physicians, expensive medical imaging technologies,

uzman hekimler, pahalı tıbbi görüntüleme teknolojileri

and is not considered practical for the developing world.

gibi kaynaklara fazlaca bağımlı bir süreçtir.

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

Maalesef ki sanayileşmiş ülkelerde de durum aynı.

So, can we solve this problem using artificial intelligence?

Peki bu problemi yapay zekâ kullanarak çözebilecek miyiz?

Today, if I were to use traditional artificial intelligence architectures

Bugün bu sorunu geleneksel yapay zekâ mimarileriyle

to solve this problem,

çözmek istersem eğer,

I would require 10,000 --

10.000 adet

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

evet tekrar ediyorum, 10.000 adet görüntüyü bu pahalı sistemlerden

first to be generated.

elde etmemiz gerekli.

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

Sonra uzman bir hekime gitmem ve onun bu görüntüleri

who would then analyze those images for me.

benim için analiz etmesi gerekli.

And using those two pieces of information,

Ve elde edilen bu iki bilgiyi kullanarak

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

standart bir derin yapay sinir ağını veya bir derin öğrenme ağını

to provide patient's diagnosis.

hastanın tanısı için eğitebilirim.

Similar to the first approach,

İlk yaklaşıma benzer şekilde,

traditional artificial intelligence approaches

geleneksel yapay zekâ yaklaşımları

suffer from the same problem.

aynı sorundan muzdariptir.

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

Büyük miktarda veri, uzman hekimler ve ileri tıbbi görüntüleme teknolojileri.

So, can we invent more scalable, effective

Peki şu anda karşılaştığımız bu önemli sorunları çözmek adına

daha etkili, daha ölçeklenebilir ve daha değerli

and more valuable artificial intelligence architectures

to solve these very important problems facing us today?

yapay zekâ mimarileri geliştirebilir miyiz?

İşte grubumla MIT Medya Laboratuvarı'nda yaptığımız şey tam olarak bu.

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

We have invented a variety of unorthodox AI architectures

Günümüzde klinik deneylerde karşılaşılan

bu bazı önemli sorunların çözümü için

to solve some of the most important challenges facing us today

alışılmışın dışında çeşitli YZ mimarileri oluşturduk.

in medical imaging and clinical trials.

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

Bugün sizinle paylaştığım örnekte, iki hedefimiz vardı.

Our first goal was to reduce the number of images

Birinci hedefimiz, yapay zekâ algoritmalarını eğitmek için

required to train artificial intelligence algorithms.

gereken görüntü sayısını azaltmaktı.

Our second goal -- we were more ambitious,

İkinci hedefimiz ise daha iddialıydı:

we wanted to reduce the use of expensive medical imaging technologies

Hastaları incelemek için gerekli maliyeti yüksek görüntüleme sistemlerinin

to screen patients.

kullanımını azaltmak.

So how did we do it?

Peki bunu nasıl başardık ?

For our first goal,

İlk hedefimiz için öncelikle

instead of starting with tens and thousands

geleneksel yapay zekâda gerektiği gibi

of these very expensive medical images, like traditional AI,

yüzlerce pahalı test yapmak yerine

we started with a single medical image.

sadece bir tıbbi görüntü kullandık.

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

Tek bir görüntüden, milyarlarca veri paketi elde etmek için

to extract billions of information packets.

ekibimle akıllı bir yöntem keşfettik.

These information packets included colors, pixels, geometry

Bu bilgi paketlerinde, renkler, pikseller, şekiller

ve hastalığın tıbbi görüntüsü bulunuyordu.

and rendering of the disease on the medical image.

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

Başka bir deyişle, bir resmi milyarlarca

massively reducing the amount of data needed for training.

eğitim materyali hâline getirip gereken veriyi büyük ölçüde azalttık.

For our second goal,

İkinci hedefe gelince,

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

hastaları görüntülemek için kullanılan pahalı testler yerine,

we started with a standard, white light photograph,

cep telefonu veya DSLR kamera ile

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

beyaz ışıkta çekilmiş standart bir fotoğraf ile başladık.

Then remember those billions of information packets?

Milyarlarca bilgi paketini hatırladınız mı?

We overlaid those from the medical image onto this image,

Bu fotoğrafı, tıbbi testlerden elde edilen görüntülerle

üst üste birleştirerek, "kompozit görüntü"yü elde ettik.

creating something that we call a composite image.

Much to our surprise, we only required 50 --

Asıl sürpriz, yalnızca 50 kompozit görüntü

I repeat, only 50 --

tekrar ediyorum, 50 adet ile

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

algoritmalarımızı yüksek verimlilikte eğitmemiz mümkün oldu.

To summarize our approach,

Yaklaşımımızı özetleyecek olursak;

instead of using 10,000 very expensive medical images,

10.000 yüksek maliyetli tıbbi görüntü kullanmak yerine,

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

cep telefonu veya DSLR kamerayla elde edilmiş

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

yalnızca 50 adet yüksek çözünürlükte görüntü ile YZ algoritmalarını

acquired from DSLR cameras and mobile phones,

hastalıklara teşhis koymak üzere

yenilikçi bir yöntemle eğitebiliyoruz.

and provide diagnosis.

More importantly,

Daha da önemlisi,

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

bu algoritmayı kullanmak için, gelecekte ve hatta şu anda,

some very simple, white light photographs from the patient,

yüksek maliyetli tıbbi görüntüleme sistemleri yerine

instead of expensive medical imaging technologies.

hastaların sağlayacağı basit fotoğraflar yeterli olacak.

I believe that we are poised to enter an era

Yapay zekânın geleceğimiz üzerinde

where artificial intelligence

müthiş etkiler yaratacağı

is going to make an incredible impact on our future.

bir çağa girmeye hazır olduğumuza inanıyorum.

And I think that thinking about traditional AI,

Bence, zengin veri isteyen ve uygulamada zayıf kalan

which is data-rich but application-poor,

geleneksel yapay zekâ yerine,

we should also continue thinking

az miktarda veriyle iş yapabilen

about unorthodox artificial intelligence architectures,

ve günümüzde karşılaştığımız zorlu sorunların bazılarını çözebilen

which can accept small amounts of data

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

yenilikçi yapay zekâ mimarilerini konuşmalıyız.

especially in health care.

Özellikle de sağlık alanında.

Thank you very much.

Çok teşekkür ederim.

(Applause)

(Alkışlar)