021-22889554
021-26703715
مشاوره آموزشی رایگان

021-22889554  |  021-26703715 مشاوره آموزشی رایگان

چطور هوش مصنوعی تشخیص بیماری را آسان‌تر می‌کند

Pratik Shah

How AI is making it easier to diagnose disease

Today's AI algorithms require tens of thousands of expensive medical images to detect a patient's disease. What if we could drastically reduce the amount of data needed to train an AI, making diagnoses low-cost and more effective? TED Fellow Pratik Shah is working on a clever system to do just that. Using an unorthodox AI approach, Shah has developed a technology that requires as few as 50 images to develop a working algorithm -- and can even use photos taken on doctors' cell phones to provide a diagnosis. Learn more about how this new way to analyze medical information could lead to earlier detection of life-threatening illnesses and bring AI-assisted diagnosis to more health care settings worldwide.


تگ های مرتبط :

Medicine, TED Fellows, AI
امروز الگوریتم‌های کامپیوتری در حال انجام وظایفی باورنکردنی هستند با دقت بالا، در ابعاد عظیم، با استفاده از هوش شبه انسانی. و به این هوش کامپیوترها معمولا AI گفته می‌شود یا هوش مصنوعی. هوش مصنوعی به وجود آمده تا تاثیر شگرفی در زندگی آینده ما داشته باشد. با این وجود امروزه هنوز با چالش‌های بزرگی روبرو هستیم در شناسایی و تشخیص چندین بیماری خطرناک، مانند بیماری‌های عفونی و سرطان. هر سال هزاران بیمار جان خود را به خاطر سرطان کبد یا دهان از دست می‌دهند. بهترین روش ما برای کمک به این بیماران شناسایی و تشخیص زودهنگام این بیماری‌ها است. خوب امروز چطور این بیماری‌ها را شناسایی می‌کنیم، و آیا هوش مصنوعی می‌تواند کمک کند؟
در بیمارانی که، متاسفانه، مشکوک به این بیماری‌ها هستند، پزشک متخصص ابتدا دستور می‌دهد تصویربرداری‌های پزشکی بسیار گرانی مانند تصویربرداری فلوئورسانت، سی‌تی و ام‌آر‌آی انجام شوند. بعد از گرفتن آن تصویرها، پزشک متخصص دیگری با آن تصاویر تشخیص می‌دهد و با بیمار صحبت می‌کند. و می‌بینید که این فرایندی بسیار هزینه‌بر است، و هم به پزشکان متخصص نیاز دارد، و هم فناوری‌های گران‌قیمت تصویربرداری پزشکی، و برای کشورهای در حال توسعه کاربردی تلقی نمی‌شود. و البته برای بسیاری از کشورهای صنعتی هم به همچنین. پس می‌توانیم این مشکل را با هوش مصنوعی حل کنیم؟ امروز، اگر می‌خواستم با معماری‌های هوش مصنوعی سنتی
این مشکل را حل کنم، به ۱۰٫۰۰۰ -- تکرار می‌کنم، لازم بود اول چیزی حدود ۱۰٫۰۰۰ از این تصویرهای بسیار گران گرفته شوند. پس از آن، پیش یک متخصص می‌رفتم، تا آن تصاویر را برای من تحلیل کند. و با استفاده از این دو اطلاعات، می‌توانم یک شبکه عصبی عمیق استاندارد یا یک شبکه یادگیری عمیق بسازم که تشخیص را برای بیماران انجام دهد. مشابه روش اول، روش‌های هوش مصنوعی سنتی هم از مشکلات مشابهی رنج می‌برند. میزان زیادی اطلاعات، پزشکان متخصص و فناوری‌های تصویربرداری تخصصی پزشکی.
خوب، آیا می‌توانیم معماری‌های هوش مصنوعی مقیاس‌پذیرتر، موثرتر و باارزش‌تری ایجاد کنیم که این مشکلات بسیار مهم که امروز پیش روی ما هستند را حل کنند؟ و این دقیقا کاری است که گروه من در آزمایشگاه رسانه MIT انجام می‌دهد. ما گونه‌های مختلف نامعمولی از معماری هوش مصنوعی اختراع کرده‌ایم تا بعضی از مهم‌ترین چالش‌های امروزی پیش رو در تصویربرداری پزشکی و آزمایش‌های بالینی را حل کنیم. در مثالی که امروز با شما مطرح کردم، دو هدف داشتیم. هدف اول کاهش تعداد تصاویر مورد نیاز برای آموزش به الگوریتم‌های هوش مصنوعی بود. هدف دوم -- جاه‌طلب‌تر شدیم، می‌خواستیم استفاده از فناوری‌های گران تصویربرداری پزشکی را هم
برای بررسی بیماران کاهش دهیم. خوب چطور این کار را کردیم؟ برای هدف اول‌مان، به جای شروع با ده‌ها هزار تصویر گران‌قیمت پزشکی مثل هوش مصنوعی سنتی، با یک تصویر پزشکی شروع کردیم. از این تصویر، من و گروهم روشی هوشمندانه برای استخراج میلیاردها بسته اطلاعات پیدا کردیم. این بسته‌های اطلاعات شامل رنگ، پیکسل، هندسه و ترجمه بیماری روی تصویر پزشکی بود. به بیانی، ما یک عکس را به میلیاردها نقطه اطلاعاتی آموزشی تبدیل کردیم، که به طور قابل توجهی میزان اطلاعات لازم برای آموزش را کاهش داد. برای هدف دوم‌مان،
برای کاهش استفاده از فناوری‌های تصویربرداری گران‌قیمت پزشکی برای بررسی بیماران، ما با یک عکس استاندارد با نور سفید شروع کردیم، که با یک دوربین DSLR یا دوربین گوشی از بیمار گرفته شده بود. بعد، آن میلیاردها بسته اطلاعاتی را یادتان هست؟ ما آنها را از تصویر پزشکی روی این عکس انداختیم، تا چیزی بسازیم که به آن تصویر مرکب می‌گوییم. در عین ناباوری، فقط به ۵۰ عکس -- تکرار می‌کنم، فقط ۵۰ -- از این عکس‌های ترکیبی را برای آموزش الگوریتم‌مان برای بازدهی بالا نیاز داشتیم. برای خلاصه کردن روش‌مان، به جای استفاده از ۱۰٫۰۰۰ عکس پزشکی خیلی گران، حالا می‌توانیم الگوریتم هوش مصنوعی را به روشی نامعمول آموزش دهیم،
با استفاده از فقط ۵۰ عکس رزولوشن بالا، اما استاندارد، که با دوربین DSLR و گوشی موبایل گرفته شده است، و تشخیص را انجام دهیم. مهم‌تر اینکه، الگوریتم ما می‌تواند، در آینده و حتی حالا، عکس‌های بسیار ساده نور سفید از بیمار را بپذیرد، به جای فناوری‌های گران تصویربرداری پزشکی. من بر این باورم که در حال ورود به دورانی هستیم که هوش مصنوعی تاثیری باورنکردنی بر آینده خواهد گذاشت. و من فکر می‌کنم که در کنار فکر کردن به هوش مصنوعی سنتی، که اطلاعات زیادی می‌خواهد اما کارایی کمی دارد، همچنین باید
به معماری‌های هوش مصنوعی نامعمول فکر کنیم، که می‌توانند میزان کمی اطلاعات بگیرند و بعضی از مهم‌ترین مشکلات امروزی پیش روی ما را حل کنند، مخصوصا در زمینه مراقبت‌های بهداشتی. خیلی متشکرم. (متشکرم)
Computer algorithms today are performing incredible tasks with high accuracies, at a massive scale, using human-like intelligence. And this intelligence of computers is often referred to as AI or artificial intelligence. AI is poised to make an incredible impact on our lives in the future. Today, however, we still face massive challenges in detecting and diagnosing several life-threatening illnesses, such as infectious diseases and cancer. Thousands of patients every year lose their lives due to liver and oral cancer. Our best way to help these patients is to perform early detection and diagnoses of these diseases.
So how do we detect these diseases today, and can artificial intelligence help? In patients who, unfortunately, are suspected of these diseases, an expert physician first orders very expensive medical imaging technologies such as fluorescent imaging, CTs, MRIs, to be performed. Once those images are collected, another expert physician then diagnoses those images and talks to the patient. As you can see, this is a very resource-intensive process, requiring both expert physicians, expensive medical imaging technologies, and is not considered practical for the developing world. And in fact, in many industrialized nations, as well.
So, can we solve this problem using artificial intelligence? Today, if I were to use traditional artificial intelligence architectures to solve this problem, I would require 10,000 -- I repeat, on an order of 10,000 of these very expensive medical images first to be generated. After that, I would then go to an expert physician, who would then analyze those images for me. And using those two pieces of information, I can train a standard deep neural network or a deep learning network to provide patient's diagnosis. Similar to the first approach,
traditional artificial intelligence approaches suffer from the same problem. Large amounts of data, expert physicians and expert medical imaging technologies. So, can we invent more scalable, effective and more valuable artificial intelligence architectures to solve these very important problems facing us today? And this is exactly what my group at MIT Media Lab does. We have invented a variety of unorthodox AI architectures to solve some of the most important challenges facing us today in medical imaging and clinical trials. In the example I shared with you today, we had two goals. Our first goal was to reduce the number of images
required to train artificial intelligence algorithms. Our second goal -- we were more ambitious, we wanted to reduce the use of expensive medical imaging technologies to screen patients. So how did we do it? For our first goal, instead of starting with tens and thousands of these very expensive medical images, like traditional AI, we started with a single medical image. From this image, my team and I figured out a very clever way to extract billions of information packets. These information packets included colors, pixels, geometry
and rendering of the disease on the medical image. In a sense, we converted one image into billions of training data points, massively reducing the amount of data needed for training. For our second goal, to reduce the use of expensive medical imaging technologies to screen patients, we started with a standard, white light photograph, acquired either from a DSLR camera or a mobile phone, for the patient. Then remember those billions of information packets? We overlaid those from the medical image onto this image, creating something that we call a composite image. Much to our surprise, we only required 50 --
I repeat, only 50 -- of these composite images to train our algorithms to high efficiencies. To summarize our approach, instead of using 10,000 very expensive medical images, we can now train the AI algorithms in an unorthodox way, using only 50 of these high-resolution, but standard photographs, acquired from DSLR cameras and mobile phones, and provide diagnosis. More importantly, our algorithms can accept, in the future and even right now, some very simple, white light photographs from the patient, instead of expensive medical imaging technologies.
I believe that we are poised to enter an era where artificial intelligence is going to make an incredible impact on our future. And I think that thinking about traditional AI, which is data-rich but application-poor, we should also continue thinking about unorthodox artificial intelligence architectures, which can accept small amounts of data and solve some of the most important problems facing us today, especially in health care. Thank you very much. (Applause)