Return to Video

Yapay zekâ hastalık teşhisini nasıl kolaylaştırır

  • 0:01 - 0:05
    Günümüzde bilgisayar algoritmaları
    insansı zekâları kullanarak
  • 0:05 - 0:10
    Büyük ölçülerde, büyük ölçeklerde
    harika işler yapabilmektedirler.
  • 0:10 - 0:14
    Ve bilgisayarların bu zekâlarına
    çoğunlukla YZ
  • 0:14 - 0:16
    ya da "yapay zekâ" deniyor.
  • 0:16 - 0:20
    YZ gelecekte hayatımıza muazzam bir etki
    oluşturmaya hazır.
  • 0:21 - 0:25
    Fakat günümüzde hâlâ
    bazı bulaşıcı hastalıklar ve kanserin
  • 0:25 - 0:28
    farkına varma ve teşhis koyma aşamalarında
  • 0:28 - 0:31
    büyük zorluklar ile karşılaşıyoruz.
  • 0:32 - 0:34
    Her yıl binlerce hasta,
  • 0:34 - 0:37
    ağız ve karaciğer kanserinden
    hayatını kaybediyor.
  • 0:38 - 0:41
    Onlara yardımı en iyi şekilde
  • 0:41 - 0:45
    erken tanı ve teşhisle yapabiliriz.
  • 0:46 - 0:48
    Peki günümüzde bu hastalıkları
    nasıl teşhis ediyoruz?
  • 0:48 - 0:51
    Ve teşhiste yapay zekâ bize
    yardımcı olabilir mi?
  • 0:52 - 0:56
    Hasta olduğundan şüphelenilen kişiler için
  • 0:56 - 0:58
    uzman bir doktor öncelikle
  • 0:58 - 1:01
    MR ve tomografi gibi yüksek maliyetli
    teknolojik sistemlerden
  • 1:01 - 1:05
    görüntüleme testleri istemektedir.
  • 1:05 - 1:07
    Sonuçlar alındıktan sonra
  • 1:07 - 1:12
    başka bir uzman görüntüleri inceler
    ve teşhisi hastaya bildirir.
  • 1:13 - 1:16
    Gördüğünüz gibi bu süreç
    günümüz dünyasına uymayan bir şekilde
  • 1:16 - 1:20
    uzman hekimler,
    pahalı tıbbi görüntüleme teknolojileri
  • 1:20 - 1:24
    gibi kaynaklara
    fazlaca bağımlı bir süreçtir.
  • 1:24 - 1:27
    Maalesef ki sanayileşmiş ülkelerde de
    durum aynı.
  • 1:28 - 1:31
    Peki bu problemi yapay zekâ kullanarak
    çözebilecek miyiz?
  • 1:32 - 1:36
    Bugün bu sorunu
    geleneksel yapay zekâ mimarileriyle
  • 1:36 - 1:37
    çözmek istersem eğer,
  • 1:37 - 1:39
    10.000 adet
  • 1:39 - 1:43
    evet tekrar ediyorum, 10.000 adet
    görüntüyü bu pahalı sistemlerden
  • 1:43 - 1:44
    elde etmemiz gerekli.
  • 1:44 - 1:47
    Sonra uzman bir hekime gitmem
    ve onun bu görüntüleri
  • 1:47 - 1:49
    benim için analiz etmesi gerekli.
  • 1:50 - 1:52
    Ve elde edilen bu iki bilgiyi kullanarak
  • 1:52 - 1:55
    standart bir derin yapay sinir ağını
    veya bir derin öğrenme ağını
  • 1:55 - 1:57
    hastanın tanısı için eğitebilirim.
  • 1:57 - 1:59
    İlk yaklaşıma benzer şekilde,
  • 1:59 - 2:01
    geleneksel yapay zekâ yaklaşımları
  • 2:01 - 2:03
    aynı sorundan muzdariptir.
  • 2:03 - 2:07
    Büyük miktarda veri, uzman hekimler
    ve ileri tıbbi görüntüleme teknolojileri.
  • 2:08 - 2:12
    Peki şu anda karşılaştığımız
    bu önemli sorunları çözmek adına
  • 2:12 - 2:16
    daha etkili, daha ölçeklenebilir
    ve daha değerli
  • 2:16 - 2:19
    yapay zekâ mimarileri
    geliştirebilir miyiz?
  • 2:19 - 2:22
    İşte grubumla MIT Medya Laboratuvarı'nda
    yaptığımız şey tam olarak bu.
  • 2:22 - 2:25
    Günümüzde klinik deneylerde karşılaşılan
  • 2:25 - 2:28
    bu bazı önemli sorunların çözümü için
  • 2:28 - 2:32
    alışılmışın dışında çeşitli
    YZ mimarileri oluşturduk.
  • 2:32 - 2:36
    Bugün sizinle paylaştığım örnekte,
    iki hedefimiz vardı.
  • 2:36 - 2:39
    Birinci hedefimiz,
    yapay zekâ algoritmalarını eğitmek için
  • 2:39 - 2:42
    gereken görüntü sayısını azaltmaktı.
  • 2:42 - 2:44
    İkinci hedefimiz ise
    daha iddialıydı:
  • 2:44 - 2:48
    Hastaları incelemek için gerekli
    maliyeti yüksek görüntüleme sistemlerinin
  • 2:48 - 2:49
    kullanımını azaltmak.
  • 2:49 - 2:50
    Peki bunu nasıl başardık ?
  • 2:51 - 2:52
    İlk hedefimiz için öncelikle
  • 2:52 - 2:54
    geleneksel yapay zekâda gerektiği gibi
  • 2:54 - 2:57
    yüzlerce pahalı test yapmak yerine
  • 2:57 - 2:59
    sadece bir tıbbi görüntü kullandık.
  • 2:59 - 3:03
    Tek bir görüntüden, milyarlarca
    veri paketi elde etmek için
  • 3:03 - 3:06
    ekibimle akıllı bir yöntem keşfettik.
  • 3:06 - 3:08
    Bu bilgi paketlerinde,
    renkler, pikseller, şekiller
  • 3:08 - 3:11
    ve hastalığın tıbbi görüntüsü
    bulunuyordu.
  • 3:12 - 3:17
    Başka bir deyişle,
    bir resmi milyarlarca
  • 3:17 - 3:20
    eğitim materyali hâline getirip
    gereken veriyi büyük ölçüde azalttık.
  • 3:20 - 3:21
    İkinci hedefe gelince,
  • 3:21 - 3:25
    hastaları görüntülemek için
    kullanılan pahalı testler yerine,
  • 3:25 - 3:28
    cep telefonu veya DSLR kamera ile
  • 3:28 - 3:32
    beyaz ışıkta çekilmiş
    standart bir fotoğraf ile başladık.
  • 3:32 - 3:35
    Milyarlarca bilgi paketini
    hatırladınız mı?
  • 3:35 - 3:38
    Bu fotoğrafı,
    tıbbi testlerden elde edilen görüntülerle
  • 3:38 - 3:41
    üst üste birleştirerek,
    "kompozit görüntü"yü elde ettik.
  • 3:41 - 3:45
    Asıl sürpriz,
    yalnızca 50 kompozit görüntü
  • 3:45 - 3:46
    tekrar ediyorum, 50 adet ile
  • 3:46 - 3:50
    algoritmalarımızı yüksek verimlilikte
    eğitmemiz mümkün oldu.
  • 3:50 - 3:52
    Yaklaşımımızı özetleyecek olursak;
  • 3:52 - 3:55
    10.000 yüksek maliyetli tıbbi görüntü
    kullanmak yerine,
  • 3:55 - 3:58
    cep telefonu veya
    DSLR kamerayla elde edilmiş
  • 3:58 - 4:03
    yalnızca 50 adet yüksek çözünürlükte
    görüntü ile YZ algoritmalarını
  • 4:03 - 4:05
    hastalıklara teşhis koymak üzere
  • 4:05 - 4:07
    yenilikçi bir yöntemle eğitebiliyoruz.
  • 4:07 - 4:08
    Daha da önemlisi,
  • 4:08 - 4:11
    bu algoritmayı kullanmak için,
    gelecekte ve hatta şu anda,
  • 4:11 - 4:14
    yüksek maliyetli tıbbi
    görüntüleme sistemleri yerine
  • 4:14 - 4:17
    hastaların sağlayacağı
    basit fotoğraflar yeterli olacak.
  • 4:17 - 4:20
    Yapay zekânın geleceğimiz üzerinde
  • 4:20 - 4:22
    müthiş etkiler yaratacağı
  • 4:22 - 4:25
    bir çağa girmeye
    hazır olduğumuza inanıyorum.
  • 4:25 - 4:28
    Bence, zengin veri isteyen
    ve uygulamada zayıf kalan
  • 4:28 - 4:30
    geleneksel yapay zekâ yerine,
  • 4:30 - 4:32
    az miktarda veriyle iş yapabilen
  • 4:32 - 4:36
    ve günümüzde karşılaştığımız
    zorlu sorunların bazılarını çözebilen
  • 4:36 - 4:39
    yenilikçi yapay zekâ
    mimarilerini konuşmalıyız.
  • 4:39 - 4:41
    Özellikle de sağlık alanında.
  • 4:41 - 4:42
    Çok teşekkür ederim.
  • 4:42 - 4:46
    (Alkışlar)
Title:
Yapay zekâ hastalık teşhisini nasıl kolaylaştırır
Speaker:
Pratik Shah
Description:

Bugünün yapay zekâ algoritmaları hastalıkları teşhiste, pahalı tıbbi görüntüleme cihazlarından elde edilen on binlerce görüntüye ihtiyaç duyuyor. Peki ya yapay zekâyı uğraştıran veri yükünün büyük bir kısmından kurtulsak ve tanı sürecini etkili ve düşük maliyetli hale getirsek nasıl olur? TED burslusu Pratik Shah bunu yapabilecek bir akıllı sistem üzerinde çalışıyor. Alışılmışın dışında bir yapay zekâ yaklaşımı kullanan Shah, hastalığın teşhisi için hastanın 50 adet gibi az sayıda fotoğrafıyla, ki bu fotoğraflar doktorların cep telefonuyla çekilmiş dahi olabilir, işleyebilen bir algoritma geliştirdi. Tıbbi bilgileri analiz etmede kullanılan bu yeni yöntemin, hayati risk içeren hastalıkların erken teşhisinde nasıl öncülük edebileceğini ve yapay zekâ destekli tanı programının dünyadaki sağlık birimlerinde daha fazla kullanılmasını sağlayabileceğini öğrenin.
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
04:59

Turkish subtitles

Revisions

Our website uses cookies for analysis purposes.