1
00:00:01,280 --> 00:00:05,136
امروز الگوریتمهای کامپیوتری
در حال انجام وظایفی باورنکردنی هستند

2
00:00:05,160 --> 00:00:09,896
با دقت بالا، در ابعاد عظیم،
با استفاده از هوش شبه انسانی.

3
00:00:09,920 --> 00:00:13,856
و به این هوش کامپیوترها
معمولا AI گفته میشود

4
00:00:13,880 --> 00:00:15,736
یا هوش مصنوعی.

5
00:00:15,760 --> 00:00:19,960
هوش مصنوعی به وجود آمده تا تاثیر شگرفی
در زندگی آینده ما داشته باشد.

6
00:00:20,880 --> 00:00:24,816
با این وجود امروزه هنوز
با چالشهای بزرگی روبرو هستیم

7
00:00:24,840 --> 00:00:28,336
در شناسایی و تشخیص چندین بیماری خطرناک،

8
00:00:28,360 --> 00:00:30,720
مانند بیماریهای عفونی و سرطان.

9
00:00:32,000 --> 00:00:34,296
هر سال هزاران بیمار

10
00:00:34,320 --> 00:00:37,120
جان خود را به خاطر سرطان کبد
یا دهان از دست میدهند.

11
00:00:37,880 --> 00:00:40,576
بهترین روش ما برای کمک به این بیماران

12
00:00:40,600 --> 00:00:44,920
شناسایی و تشخیص زودهنگام
این بیماریها است.

13
00:00:45,880 --> 00:00:50,260
خوب امروز چطور این بیماریها را شناسایی
میکنیم، و آیا هوش مصنوعی میتواند کمک کند؟

14
00:00:51,920 --> 00:00:55,576
در بیمارانی که، متاسفانه،
مشکوک به این بیماریها هستند،

15
00:00:55,600 --> 00:00:58,256
پزشک متخصص ابتدا دستور میدهد

16
00:00:58,280 --> 00:01:00,896
تصویربرداریهای پزشکی بسیار گرانی

17
00:01:00,920 --> 00:01:05,016
مانند تصویربرداری فلوئورسانت،
سیتی و امآرآی انجام شوند.

18
00:01:05,040 --> 00:01:07,336
بعد از گرفتن آن تصویرها،

19
00:01:07,360 --> 00:01:11,880
پزشک متخصص دیگری با آن تصاویر
تشخیص میدهد و با بیمار صحبت میکند.

20
00:01:12,520 --> 00:01:15,976
و میبینید که این فرایندی
بسیار هزینهبر است،

21
00:01:16,000 --> 00:01:20,416
و هم به پزشکان متخصص نیاز دارد، و هم
فناوریهای گرانقیمت تصویربرداری پزشکی،

22
00:01:20,440 --> 00:01:23,536
و برای کشورهای در حال توسعه
کاربردی تلقی نمیشود.

23
00:01:23,560 --> 00:01:26,920
و البته برای بسیاری از
کشورهای صنعتی هم به همچنین.

24
00:01:27,760 --> 00:01:30,640
پس میتوانیم این مشکل را
با هوش مصنوعی حل کنیم؟

25
00:01:31,840 --> 00:01:35,896
امروز، اگر میخواستم
با معماریهای هوش مصنوعی سنتی

26
00:01:35,920 --> 00:01:37,136
این مشکل را حل کنم،

27
00:01:37,160 --> 00:01:38,616
به ۱۰٫۰۰۰ --

28
00:01:38,640 --> 00:01:42,656
تکرار میکنم، لازم بود اول چیزی حدود
۱۰٫۰۰۰ از این تصویرهای بسیار گران

29
00:01:42,680 --> 00:01:44,056
گرفته شوند.

30
00:01:44,080 --> 00:01:46,976
پس از آن، پیش یک متخصص میرفتم،

31
00:01:47,000 --> 00:01:49,496
تا آن تصاویر را برای من تحلیل کند.

32
00:01:49,520 --> 00:01:51,616
و با استفاده از این دو اطلاعات،

33
00:01:51,640 --> 00:01:55,296
میتوانم یک شبکه عصبی عمیق استاندارد
یا یک شبکه یادگیری عمیق بسازم

34
00:01:55,320 --> 00:01:57,456
که تشخیص را برای بیماران انجام دهد.

35
00:01:57,480 --> 00:01:59,216
مشابه روش اول،

36
00:01:59,240 --> 00:02:01,383
روشهای هوش مصنوعی سنتی هم

37
00:02:01,407 --> 00:02:02,856
از مشکلات مشابهی رنج میبرند.

38
00:02:02,880 --> 00:02:07,440
میزان زیادی اطلاعات، پزشکان متخصص
و فناوریهای تصویربرداری تخصصی پزشکی.

39
00:02:08,320 --> 00:02:12,616
خوب، آیا میتوانیم معماریهای هوش مصنوعی

40
00:02:12,640 --> 00:02:15,936
مقیاسپذیرتر، موثرتر
و باارزشتری ایجاد کنیم

41
00:02:15,960 --> 00:02:19,016
که این مشکلات بسیار مهم
که امروز پیش روی ما هستند را حل کنند؟

42
00:02:19,040 --> 00:02:22,336
و این دقیقا کاری است که گروه من
در آزمایشگاه رسانه MIT انجام میدهد.

43
00:02:22,360 --> 00:02:26,216
ما گونههای مختلف نامعمولی
از معماری هوش مصنوعی اختراع کردهایم

44
00:02:26,240 --> 00:02:29,416
تا بعضی از مهمترین چالشهای امروزی پیش رو

45
00:02:29,440 --> 00:02:32,010
در تصویربرداری پزشکی
و آزمایشهای بالینی را حل کنیم.

46
00:02:32,480 --> 00:02:35,536
در مثالی که امروز با شما
مطرح کردم، دو هدف داشتیم.

47
00:02:35,560 --> 00:02:38,536
هدف اول کاهش تعداد تصاویر

48
00:02:38,560 --> 00:02:41,816
مورد نیاز برای آموزش
به الگوریتمهای هوش مصنوعی بود.

49
00:02:41,840 --> 00:02:43,936
هدف دوم -- جاهطلبتر شدیم،

50
00:02:43,960 --> 00:02:47,696
میخواستیم استفاده از فناوریهای گران
تصویربرداری پزشکی را هم

51
00:02:47,720 --> 00:02:49,236
برای بررسی بیماران کاهش دهیم.

52
00:02:49,236 --> 00:02:50,710
خوب چطور این کار را کردیم؟

53
00:02:50,920 --> 00:02:52,136
برای هدف اولمان،

54
00:02:52,160 --> 00:02:54,216
به جای شروع با دهها هزار

55
00:02:54,240 --> 00:02:57,256
تصویر گرانقیمت پزشکی مثل هوش مصنوعی سنتی،

56
00:02:57,280 --> 00:02:59,336
با یک تصویر پزشکی شروع کردیم.

57
00:02:59,360 --> 00:03:03,136
از این تصویر، من و گروهم روشی هوشمندانه

58
00:03:03,160 --> 00:03:05,896
برای استخراج میلیاردها
بسته اطلاعات پیدا کردیم.

59
00:03:05,920 --> 00:03:09,616
این بستههای اطلاعات
شامل رنگ، پیکسل، هندسه

60
00:03:09,640 --> 00:03:12,176
و ترجمه بیماری روی تصویر پزشکی بود.

61
00:03:12,200 --> 00:03:16,536
به بیانی، ما یک عکس را به میلیاردها
نقطه اطلاعاتی آموزشی تبدیل کردیم،

62
00:03:16,560 --> 00:03:20,096
که به طور قابل توجهی میزان
اطلاعات لازم برای آموزش را کاهش داد.

63
00:03:20,120 --> 00:03:21,336
برای هدف دوممان،

64
00:03:21,360 --> 00:03:25,216
برای کاهش استفاده از فناوریهای تصویربرداری
گرانقیمت پزشکی برای بررسی بیماران،

65
00:03:25,240 --> 00:03:28,096
ما با یک عکس استاندارد
با نور سفید شروع کردیم،

66
00:03:28,120 --> 00:03:32,456
که با یک دوربین DSLR
یا دوربین گوشی از بیمار گرفته شده بود.

67
00:03:32,480 --> 00:03:34,936
بعد، آن میلیاردها بسته
اطلاعاتی را یادتان هست؟

68
00:03:34,960 --> 00:03:38,496
ما آنها را از تصویر پزشکی
روی این عکس انداختیم،

69
00:03:38,520 --> 00:03:41,040
تا چیزی بسازیم که به آن
تصویر مرکب میگوییم.

70
00:03:41,480 --> 00:03:44,776
در عین ناباوری، فقط به ۵۰ عکس --

71
00:03:44,800 --> 00:03:46,136
تکرار میکنم، فقط ۵۰ --

72
00:03:46,160 --> 00:03:50,000
از این عکسهای ترکیبی را برای آموزش
الگوریتممان برای بازدهی بالا نیاز داشتیم.

73
00:03:50,680 --> 00:03:52,016
برای خلاصه کردن روشمان،

74
00:03:52,040 --> 00:03:55,216
به جای استفاده از ۱۰٫۰۰۰
عکس پزشکی خیلی گران،

75
00:03:55,240 --> 00:03:58,476
حالا میتوانیم الگوریتم هوش مصنوعی را
به روشی نامعمول آموزش دهیم،

76
00:03:58,476 --> 00:04:02,536
با استفاده از فقط ۵۰ عکس
رزولوشن بالا، اما استاندارد،

77
00:04:02,560 --> 00:04:05,056
که با دوربین DSLR
و گوشی موبایل گرفته شده است،

78
00:04:05,080 --> 00:04:06,616
و تشخیص را انجام دهیم.

79
00:04:06,640 --> 00:04:07,856
مهمتر اینکه،

80
00:04:07,880 --> 00:04:11,016
الگوریتم ما میتواند، در آینده و حتی حالا،

81
00:04:11,040 --> 00:04:13,856
عکسهای بسیار ساده
نور سفید از بیمار را بپذیرد،

82
00:04:13,880 --> 00:04:16,320
به جای فناوریهای گران تصویربرداری پزشکی.

83
00:04:17,120 --> 00:04:20,216
من بر این باورم
که در حال ورود به دورانی هستیم

84
00:04:20,240 --> 00:04:22,176
که هوش مصنوعی

85
00:04:22,200 --> 00:04:24,736
تاثیری باورنکردنی بر آینده خواهد گذاشت.

86
00:04:24,760 --> 00:04:27,396
و من فکر میکنم که در کنار
فکر کردن به هوش مصنوعی سنتی،

87
00:04:27,396 --> 00:04:30,016
که اطلاعات زیادی میخواهد
اما کارایی کمی دارد،

88
00:04:30,040 --> 00:04:31,576
همچنین باید

89
00:04:31,600 --> 00:04:34,616
به معماریهای هوش مصنوعی نامعمول فکر کنیم،

90
00:04:34,640 --> 00:04:36,576
که میتوانند میزان کمی اطلاعات بگیرند

91
00:04:36,600 --> 00:04:39,536
و بعضی از مهمترین مشکلات امروزی
پیش روی ما را حل کنند،

92
00:04:39,560 --> 00:04:41,366
مخصوصا در زمینه مراقبتهای بهداشتی.

93
00:04:41,366 --> 00:04:42,576
خیلی متشکرم.

94
00:04:42,576 --> 00:04:45,920
(متشکرم)