0:00:01.280,0:00:05.136
امروز الگوریتمهای کامپیوتری[br]در حال انجام وظایفی باورنکردنی هستند

0:00:05.160,0:00:09.896
با دقت بالا، در ابعاد عظیم،[br]با استفاده از هوش شبه انسانی.

0:00:09.920,0:00:13.856
و به این هوش کامپیوترها[br]معمولا AI گفته میشود

0:00:13.880,0:00:15.736
یا هوش مصنوعی.

0:00:15.760,0:00:19.960
هوش مصنوعی به وجود آمده تا تاثیر شگرفی[br]در زندگی آینده ما داشته باشد.

0:00:20.880,0:00:24.816
با این وجود امروزه هنوز[br]با چالشهای بزرگی روبرو هستیم

0:00:24.840,0:00:28.336
در شناسایی و تشخیص چندین بیماری خطرناک،

0:00:28.360,0:00:30.720
مانند بیماریهای عفونی و سرطان.

0:00:32.000,0:00:34.296
هر سال هزاران بیمار

0:00:34.320,0:00:37.120
جان خود را به خاطر سرطان کبد[br]یا دهان از دست میدهند.

0:00:37.880,0:00:40.576
بهترین روش ما برای کمک به این بیماران

0:00:40.600,0:00:44.920
شناسایی و تشخیص زودهنگام[br]این بیماریها است.

0:00:45.880,0:00:50.260
خوب امروز چطور این بیماریها را شناسایی[br]میکنیم، و آیا هوش مصنوعی میتواند کمک کند؟

0:00:51.920,0:00:55.576
در بیمارانی که، متاسفانه،[br]مشکوک به این بیماریها هستند،

0:00:55.600,0:00:58.256
پزشک متخصص ابتدا دستور میدهد

0:00:58.280,0:01:00.896
تصویربرداریهای پزشکی بسیار گرانی

0:01:00.920,0:01:05.016
مانند تصویربرداری فلوئورسانت،[br]سیتی و امآرآی انجام شوند.

0:01:05.040,0:01:07.336
بعد از گرفتن آن تصویرها،

0:01:07.360,0:01:11.880
پزشک متخصص دیگری با آن تصاویر[br]تشخیص میدهد و با بیمار صحبت میکند.

0:01:12.520,0:01:15.976
و میبینید که این فرایندی[br]بسیار هزینهبر است،

0:01:16.000,0:01:20.416
و هم به پزشکان متخصص نیاز دارد، و هم[br]فناوریهای گرانقیمت تصویربرداری پزشکی،

0:01:20.440,0:01:23.536
و برای کشورهای در حال توسعه[br]کاربردی تلقی نمیشود.

0:01:23.560,0:01:26.920
و البته برای بسیاری از[br]کشورهای صنعتی هم به همچنین.

0:01:27.760,0:01:30.640
پس میتوانیم این مشکل را[br]با هوش مصنوعی حل کنیم؟

0:01:31.840,0:01:35.896
امروز، اگر میخواستم[br]با معماریهای هوش مصنوعی سنتی

0:01:35.920,0:01:37.136
این مشکل را حل کنم،

0:01:37.160,0:01:38.616
به ۱۰٫۰۰۰ --

0:01:38.640,0:01:42.656
تکرار میکنم، لازم بود اول چیزی حدود[br]۱۰٫۰۰۰ از این تصویرهای بسیار گران

0:01:42.680,0:01:44.056
گرفته شوند.

0:01:44.080,0:01:46.976
پس از آن، پیش یک متخصص میرفتم،

0:01:47.000,0:01:49.496
تا آن تصاویر را برای من تحلیل کند.

0:01:49.520,0:01:51.616
و با استفاده از این دو اطلاعات،

0:01:51.640,0:01:55.296
میتوانم یک شبکه عصبی عمیق استاندارد[br]یا یک شبکه یادگیری عمیق بسازم

0:01:55.320,0:01:57.456
که تشخیص را برای بیماران انجام دهد.

0:01:57.480,0:01:59.216
مشابه روش اول،

0:01:59.240,0:02:01.383
روشهای هوش مصنوعی سنتی هم

0:02:01.407,0:02:02.856
از مشکلات مشابهی رنج میبرند.

0:02:02.880,0:02:07.440
میزان زیادی اطلاعات، پزشکان متخصص[br]و فناوریهای تصویربرداری تخصصی پزشکی.

0:02:08.320,0:02:12.616
خوب، آیا میتوانیم معماریهای هوش مصنوعی

0:02:12.640,0:02:15.936
مقیاسپذیرتر، موثرتر[br]و باارزشتری ایجاد کنیم

0:02:15.960,0:02:19.016
که این مشکلات بسیار مهم[br]که امروز پیش روی ما هستند را حل کنند؟

0:02:19.040,0:02:22.336
و این دقیقا کاری است که گروه من[br]در آزمایشگاه رسانه MIT انجام میدهد.

0:02:22.360,0:02:26.216
ما گونههای مختلف نامعمولی[br]از معماری هوش مصنوعی اختراع کردهایم

0:02:26.240,0:02:29.416
تا بعضی از مهمترین چالشهای امروزی پیش رو

0:02:29.440,0:02:32.010
در تصویربرداری پزشکی[br]و آزمایشهای بالینی را حل کنیم.

0:02:32.480,0:02:35.536
در مثالی که امروز با شما[br]مطرح کردم، دو هدف داشتیم.

0:02:35.560,0:02:38.536
هدف اول کاهش تعداد تصاویر

0:02:38.560,0:02:41.816
مورد نیاز برای آموزش[br]به الگوریتمهای هوش مصنوعی بود.

0:02:41.840,0:02:43.936
هدف دوم -- جاهطلبتر شدیم،

0:02:43.960,0:02:47.696
میخواستیم استفاده از فناوریهای گران[br]تصویربرداری پزشکی را هم

0:02:47.720,0:02:49.236
برای بررسی بیماران کاهش دهیم.

0:02:49.236,0:02:50.710
خوب چطور این کار را کردیم؟

0:02:50.920,0:02:52.136
برای هدف اولمان،

0:02:52.160,0:02:54.216
به جای شروع با دهها هزار

0:02:54.240,0:02:57.256
تصویر گرانقیمت پزشکی مثل هوش مصنوعی سنتی،

0:02:57.280,0:02:59.336
با یک تصویر پزشکی شروع کردیم.

0:02:59.360,0:03:03.136
از این تصویر، من و گروهم روشی هوشمندانه

0:03:03.160,0:03:05.896
برای استخراج میلیاردها[br]بسته اطلاعات پیدا کردیم.

0:03:05.920,0:03:09.616
این بستههای اطلاعات[br]شامل رنگ، پیکسل، هندسه

0:03:09.640,0:03:12.176
و ترجمه بیماری روی تصویر پزشکی بود.

0:03:12.200,0:03:16.536
به بیانی، ما یک عکس را به میلیاردها[br]نقطه اطلاعاتی آموزشی تبدیل کردیم،

0:03:16.560,0:03:20.096
که به طور قابل توجهی میزان[br]اطلاعات لازم برای آموزش را کاهش داد.

0:03:20.120,0:03:21.336
برای هدف دوممان،

0:03:21.360,0:03:25.216
برای کاهش استفاده از فناوریهای تصویربرداری[br]گرانقیمت پزشکی برای بررسی بیماران،

0:03:25.240,0:03:28.096
ما با یک عکس استاندارد[br]با نور سفید شروع کردیم،

0:03:28.120,0:03:32.456
که با یک دوربین DSLR[br]یا دوربین گوشی از بیمار گرفته شده بود.

0:03:32.480,0:03:34.936
بعد، آن میلیاردها بسته[br]اطلاعاتی را یادتان هست؟

0:03:34.960,0:03:38.496
ما آنها را از تصویر پزشکی[br]روی این عکس انداختیم،

0:03:38.520,0:03:41.040
تا چیزی بسازیم که به آن[br]تصویر مرکب میگوییم.

0:03:41.480,0:03:44.776
در عین ناباوری، فقط به ۵۰ عکس --

0:03:44.800,0:03:46.136
تکرار میکنم، فقط ۵۰ --

0:03:46.160,0:03:50.000
از این عکسهای ترکیبی را برای آموزش[br]الگوریتممان برای بازدهی بالا نیاز داشتیم.

0:03:50.680,0:03:52.016
برای خلاصه کردن روشمان،

0:03:52.040,0:03:55.216
به جای استفاده از ۱۰٫۰۰۰[br]عکس پزشکی خیلی گران،

0:03:55.240,0:03:58.476
حالا میتوانیم الگوریتم هوش مصنوعی را[br]به روشی نامعمول آموزش دهیم،

0:03:58.476,0:04:02.536
با استفاده از فقط ۵۰ عکس[br]رزولوشن بالا، اما استاندارد،

0:04:02.560,0:04:05.056
که با دوربین DSLR[br]و گوشی موبایل گرفته شده است،

0:04:05.080,0:04:06.616
و تشخیص را انجام دهیم.

0:04:06.640,0:04:07.856
مهمتر اینکه،

0:04:07.880,0:04:11.016
الگوریتم ما میتواند، در آینده و حتی حالا،

0:04:11.040,0:04:13.856
عکسهای بسیار ساده[br]نور سفید از بیمار را بپذیرد،

0:04:13.880,0:04:16.320
به جای فناوریهای گران تصویربرداری پزشکی.

0:04:17.120,0:04:20.216
من بر این باورم[br]که در حال ورود به دورانی هستیم

0:04:20.240,0:04:22.176
که هوش مصنوعی

0:04:22.200,0:04:24.736
تاثیری باورنکردنی بر آینده خواهد گذاشت.

0:04:24.760,0:04:27.396
و من فکر میکنم که در کنار[br]فکر کردن به هوش مصنوعی سنتی،

0:04:27.396,0:04:30.016
که اطلاعات زیادی میخواهد[br]اما کارایی کمی دارد،

0:04:30.040,0:04:31.576
همچنین باید

0:04:31.600,0:04:34.616
به معماریهای هوش مصنوعی نامعمول فکر کنیم،

0:04:34.640,0:04:36.576
که میتوانند میزان کمی اطلاعات بگیرند

0:04:36.600,0:04:39.536
و بعضی از مهمترین مشکلات امروزی[br]پیش روی ما را حل کنند،

0:04:39.560,0:04:41.366
مخصوصا در زمینه مراقبتهای بهداشتی.

0:04:41.366,0:04:42.576
خیلی متشکرم.

0:04:42.576,0:04:45.920
(متشکرم)