WEBVTT

00:00:01.280 --> 00:00:05.136
امروز الگوریتمهای کامپیوتری
در حال انجام وظایفی باورنکردنی هستند

00:00:05.160 --> 00:00:09.896
با دقت بالا، در ابعاد عظیم،
با استفاده از هوش شبه انسانی.

00:00:09.920 --> 00:00:13.856
و به این هوش کامپیوترها
معمولا AI گفته میشود

00:00:13.880 --> 00:00:15.736
یا هوش مصنوعی.

00:00:15.760 --> 00:00:19.960
هوش مصنوعی به وجود آمده تا تاثیر شگرفی
در زندگی آینده ما داشته باشد.

00:00:20.880 --> 00:00:24.816
با این وجود امروزه هنوز
با چالشهای بزرگی روبرو هستیم

00:00:24.840 --> 00:00:28.336
در شناسایی و تشخیص چندین بیماری خطرناک،

00:00:28.360 --> 00:00:30.720
مانند بیماریهای عفونی و سرطان.

00:00:32.000 --> 00:00:34.296
هر سال هزاران بیمار

00:00:34.320 --> 00:00:37.120
جان خود را به خاطر سرطان کبد
یا دهان از دست میدهند.

NOTE Paragraph

00:00:37.880 --> 00:00:40.576
بهترین روش ما برای کمک به این بیماران

00:00:40.600 --> 00:00:44.920
شناسایی و تشخیص زودهنگام
این بیماریها است.

00:00:45.880 --> 00:00:50.260
خوب امروز چطور این بیماریها را شناسایی
میکنیم، و آیا هوش مصنوعی میتواند کمک کند؟

00:00:51.920 --> 00:00:55.576
در بیمارانی که، متاسفانه،
مشکوک به این بیماریها هستند،

00:00:55.600 --> 00:00:58.256
پزشک متخصص ابتدا دستور میدهد

00:00:58.280 --> 00:01:00.896
تصویربرداریهای پزشکی بسیار گرانی

00:01:00.920 --> 00:01:05.016
مانند تصویربرداری فلوئورسانت،
سیتی و امآرآی انجام شوند.

00:01:05.040 --> 00:01:07.336
بعد از گرفتن آن تصویرها،

00:01:07.360 --> 00:01:11.880
پزشک متخصص دیگری با آن تصاویر
تشخیص میدهد و با بیمار صحبت میکند.

00:01:12.520 --> 00:01:15.976
و میبینید که این فرایندی
بسیار هزینهبر است،

00:01:16.000 --> 00:01:20.416
و هم به پزشکان متخصص نیاز دارد، و هم
فناوریهای گرانقیمت تصویربرداری پزشکی،

00:01:20.440 --> 00:01:23.536
و برای کشورهای در حال توسعه
کاربردی تلقی نمیشود.

00:01:23.560 --> 00:01:26.920
و البته برای بسیاری از
کشورهای صنعتی هم به همچنین.

NOTE Paragraph

00:01:27.760 --> 00:01:30.640
پس میتوانیم این مشکل را
با هوش مصنوعی حل کنیم؟

00:01:31.840 --> 00:01:35.896
امروز، اگر میخواستم
با معماریهای هوش مصنوعی سنتی

00:01:35.920 --> 00:01:37.136
این مشکل را حل کنم،

00:01:37.160 --> 00:01:38.616
به ۱۰٫۰۰۰ --

00:01:38.640 --> 00:01:42.656
تکرار میکنم، لازم بود اول چیزی حدود
۱۰٫۰۰۰ از این تصویرهای بسیار گران

00:01:42.680 --> 00:01:44.056
گرفته شوند.

00:01:44.080 --> 00:01:46.976
پس از آن، پیش یک متخصص میرفتم،

00:01:47.000 --> 00:01:49.496
تا آن تصاویر را برای من تحلیل کند.

00:01:49.520 --> 00:01:51.616
و با استفاده از این دو اطلاعات،

00:01:51.640 --> 00:01:55.296
میتوانم یک شبکه عصبی عمیق استاندارد
یا یک شبکه یادگیری عمیق بسازم

00:01:55.320 --> 00:01:57.456
که تشخیص را برای بیماران انجام دهد.

00:01:57.480 --> 00:01:59.216
مشابه روش اول،

00:01:59.240 --> 00:02:01.383
روشهای هوش مصنوعی سنتی هم

00:02:01.407 --> 00:02:02.856
از مشکلات مشابهی رنج میبرند.

00:02:02.880 --> 00:02:07.440
میزان زیادی اطلاعات، پزشکان متخصص
و فناوریهای تصویربرداری تخصصی پزشکی.

NOTE Paragraph

00:02:08.320 --> 00:02:12.616
خوب، آیا میتوانیم معماریهای هوش مصنوعی

00:02:12.640 --> 00:02:15.936
مقیاسپذیرتر، موثرتر
و باارزشتری ایجاد کنیم

00:02:15.960 --> 00:02:19.016
که این مشکلات بسیار مهم
که امروز پیش روی ما هستند را حل کنند؟

00:02:19.040 --> 00:02:22.336
و این دقیقا کاری است که گروه من
در آزمایشگاه رسانه MIT انجام میدهد.

00:02:22.360 --> 00:02:26.216
ما گونههای مختلف نامعمولی
از معماری هوش مصنوعی اختراع کردهایم

00:02:26.240 --> 00:02:29.416
تا بعضی از مهمترین چالشهای امروزی پیش رو

00:02:29.440 --> 00:02:32.010
در تصویربرداری پزشکی
و آزمایشهای بالینی را حل کنیم.

NOTE Paragraph

00:02:32.480 --> 00:02:35.536
در مثالی که امروز با شما
مطرح کردم، دو هدف داشتیم.

00:02:35.560 --> 00:02:38.536
هدف اول کاهش تعداد تصاویر

00:02:38.560 --> 00:02:41.816
مورد نیاز برای آموزش
به الگوریتمهای هوش مصنوعی بود.

00:02:41.840 --> 00:02:43.936
هدف دوم -- جاهطلبتر شدیم،

00:02:43.960 --> 00:02:47.696
میخواستیم استفاده از فناوریهای گران
تصویربرداری پزشکی را هم

00:02:47.720 --> 00:02:49.236
برای بررسی بیماران کاهش دهیم.

00:02:49.236 --> 00:02:50.710
خوب چطور این کار را کردیم؟

NOTE Paragraph

00:02:50.920 --> 00:02:52.136
برای هدف اولمان،

00:02:52.160 --> 00:02:54.216
به جای شروع با دهها هزار

00:02:54.240 --> 00:02:57.256
تصویر گرانقیمت پزشکی مثل هوش مصنوعی سنتی،

00:02:57.280 --> 00:02:59.336
با یک تصویر پزشکی شروع کردیم.

00:02:59.360 --> 00:03:03.136
از این تصویر، من و گروهم روشی هوشمندانه

00:03:03.160 --> 00:03:05.896
برای استخراج میلیاردها
بسته اطلاعات پیدا کردیم.

00:03:05.920 --> 00:03:09.616
این بستههای اطلاعات
شامل رنگ، پیکسل، هندسه

00:03:09.640 --> 00:03:12.176
و ترجمه بیماری روی تصویر پزشکی بود.

00:03:12.200 --> 00:03:16.536
به بیانی، ما یک عکس را به میلیاردها
نقطه اطلاعاتی آموزشی تبدیل کردیم،

00:03:16.560 --> 00:03:20.096
که به طور قابل توجهی میزان
اطلاعات لازم برای آموزش را کاهش داد.

NOTE Paragraph

00:03:20.120 --> 00:03:21.336
برای هدف دوممان،

00:03:21.360 --> 00:03:25.216
برای کاهش استفاده از فناوریهای تصویربرداری
گرانقیمت پزشکی برای بررسی بیماران،

00:03:25.240 --> 00:03:28.096
ما با یک عکس استاندارد
با نور سفید شروع کردیم،

00:03:28.120 --> 00:03:32.456
که با یک دوربین DSLR
یا دوربین گوشی از بیمار گرفته شده بود.

00:03:32.480 --> 00:03:34.936
بعد، آن میلیاردها بسته
اطلاعاتی را یادتان هست؟

00:03:34.960 --> 00:03:38.496
ما آنها را از تصویر پزشکی
روی این عکس انداختیم،

00:03:38.520 --> 00:03:41.040
تا چیزی بسازیم که به آن
تصویر مرکب میگوییم.

00:03:41.480 --> 00:03:44.776
در عین ناباوری، فقط به ۵۰ عکس --

00:03:44.800 --> 00:03:46.136
تکرار میکنم، فقط ۵۰ --

00:03:46.160 --> 00:03:50.000
از این عکسهای ترکیبی را برای آموزش
الگوریتممان برای بازدهی بالا نیاز داشتیم.

NOTE Paragraph

00:03:50.680 --> 00:03:52.016
برای خلاصه کردن روشمان،

00:03:52.040 --> 00:03:55.216
به جای استفاده از ۱۰٫۰۰۰
عکس پزشکی خیلی گران،

00:03:55.240 --> 00:03:58.476
حالا میتوانیم الگوریتم هوش مصنوعی را
به روشی نامعمول آموزش دهیم،

00:03:58.476 --> 00:04:02.536
با استفاده از فقط ۵۰ عکس
رزولوشن بالا، اما استاندارد،

00:04:02.560 --> 00:04:05.056
که با دوربین DSLR
و گوشی موبایل گرفته شده است،

00:04:05.080 --> 00:04:06.616
و تشخیص را انجام دهیم.

00:04:06.640 --> 00:04:07.856
مهمتر اینکه،

00:04:07.880 --> 00:04:11.016
الگوریتم ما میتواند، در آینده و حتی حالا،

00:04:11.040 --> 00:04:13.856
عکسهای بسیار ساده
نور سفید از بیمار را بپذیرد،

00:04:13.880 --> 00:04:16.320
به جای فناوریهای گران تصویربرداری پزشکی.

NOTE Paragraph

00:04:17.120 --> 00:04:20.216
من بر این باورم
که در حال ورود به دورانی هستیم

00:04:20.240 --> 00:04:22.176
که هوش مصنوعی

00:04:22.200 --> 00:04:24.736
تاثیری باورنکردنی بر آینده خواهد گذاشت.

00:04:24.760 --> 00:04:27.396
و من فکر میکنم که در کنار
فکر کردن به هوش مصنوعی سنتی،

00:04:27.396 --> 00:04:30.016
که اطلاعات زیادی میخواهد
اما کارایی کمی دارد،

00:04:30.040 --> 00:04:31.576
همچنین باید

00:04:31.600 --> 00:04:34.616
به معماریهای هوش مصنوعی نامعمول فکر کنیم،

00:04:34.640 --> 00:04:36.576
که میتوانند میزان کمی اطلاعات بگیرند

00:04:36.600 --> 00:04:39.536
و بعضی از مهمترین مشکلات امروزی
پیش روی ما را حل کنند،

00:04:39.560 --> 00:04:41.366
مخصوصا در زمینه مراقبتهای بهداشتی.

NOTE Paragraph

00:04:41.366 --> 00:04:42.576
خیلی متشکرم.

NOTE Paragraph

00:04:42.576 --> 00:04:45.920
(متشکرم)