A mai számítógépes algoritmusok
hihetetlen feladatokat végeznek el
kiemelkedő pontossággal, óriási léptékben,
szinte emberi intelligenciával.
Ezt a számítógépes intelligenciát
gyakran MI-nek nevezik,
vagyis mesterséges intelligenciának.
Várhatóan hihetetlen hatása lesz
jövőbeli életünkre.
Jelenleg azonban még kemény
kihívásokkal nézünk szembe
számos halálos betegség
felismerésében és diagnosztizálásában,
például fertőző kórok és rák esetében.
Évente betegek ezrei halnak meg
májrákban és szájrákban.
Akkor tudunk legjobban segíteni azoknak,
akik ezektől szenvednek, ha időben
felismerjük és diagnosztizáljuk a kórt.
De hogyan ismerjük fel ezeket napjainkban,
és hogyan segíthet ebben az MI?
Azoknál a betegeknél,
akiknél sajnos felmerül a kór gyanúja,
egy szakorvos mindenekelőtt
nagyon drága orvosi képalkotó
eljárást rendel el,
például fluoreszcens képalkotó eljárást,
CT-, MRI-vizsgálatokat.
A képek ismeretében
egy másik szakorvos felállítja
a diagnózist, és beszél a beteggel.
Mint látják, ez hatalmas
erőforrás-igényű folyamat,
mely kétféle szakorvost, drága
orvosi képalkotó eljárásokat igényel,
és a fejlődő világban
nem bizonyult praktikusnak.
Valójában számos másik,
iparilag fejlett országban sem az.
Megoldható-e ez a probléma
mesterséges intelligenciával?
A mai hagyományos mesterséges
intelligencia-rendszerekkel
a probléma megoldásához mindenekelőtt
tízezres – ismétlem:
tízezres nagyságrendű ilyen drága
orvosi képre lenne szükség.
Ezután szakorvoshoz fordulnék,
aki kielemezné nekem ezeket a képeket.
Majd ezzel a két információval
szabványos mély neurális hálót
vagy mély tanulási hálót taníthatok be
a beteg diagnózisának felállításához.
Az első megközelítéshez hasonlóan
a hagyományos mesterséges
intelligenciai megközelítések is
ugyanazzal a problémával küszködnek.
Hatalmas adatmennyiség, szakorvosok
és orvosi képalkotó technológiák.
Kitalálhatunk-e méretezhetőbb,
hatékonyabb és értékesebb
mesterséges intelligencia-architektúrákat,
hogy megoldjuk ezeket a nagyon fontos,
ma felmerülő problémákat?
Csapatom jelenleg épp ezen fáradozik
az MIT Media Labnál.
Feltaláltunk több rendhagyó
MI-architektúrákat,
hogy a mai legfontosabb kihívások
egy részét megoldhassuk
az orvosi képalkotásban
és klinikai kísérletekben.
Az előbb bemutatott példa megoldására
két célt ki tűztünk ki.
Első célkitűzésünk az volt,
hogy csökkentsük a képek számát,
amik az MI algoritmusok
betanításához kellenek.
Második célunk – még többet akartunk,
csökkenteni akartuk a betegek
átvizsgálásához szükséges,
drága orvosi képalkotó
technológiák használatát.
Hogyan oldottuk ezt meg?
Első célkitűzésünkhöz
egyetlen orvosi képet fogtunk,
nem pedig tucatnyi vagy több ezer
nagyon drága képet,
mint a hagyományos MI esetében.
Csapatom és én nagyon frappáns módot
találtunk ki arra, hogy abból a képből
milliárdnyi információs
csomagot vonjunk ki.
Az információs csomagok tartalma:
színek, képpontok, geometria,
és a betegség leképezése
az orvosi képre.
Bizonyos értelemben több milliárd tanuló
adatponttá konvertáljuk azt az egy képet,
jelentősen csökkentve a betanításhoz
szükséges adatmennyiséget.
Második célkitűzésünkhöz,
a betegek kivizsgálását célzó
drága orvosi képalkotó technológiák
alkalmazásának csökkentéséhez
szabályos fehér fényű
fotózással indítottunk,
vagy tükörreflexes fényképezőgéppel,
vagy mobilkamerával megoldva.
Aztán emlékeznek arra a több milliárdnyi
információcsomagra?
Azokat ráfektettük
az orvosi képről erre a képre,
úgynevezett összetett képet
alkottunk belőlük.
Nagy meglepetésünkre
ötven ilyen összetett kép
elég volt ahhoz – mondom: csak ötven –,
hogy igen nagy hatékonysággal
betanítsuk ezeket az algoritmusokat.
Megközelítésünk összefoglalva:
tízezer nagyon drága orvosi kép
felhasználása helyett
szokatlan módon taníthatjuk be
az MI algoritmusokat,
mindössze 50 darab nagy felbontású,
de közönséges fotóval,
amiket tükörreflexes géppel
és mobilkamerával készítettünk,
és így állítjuk fel a diagnózist.
Még fontosabb,
hogy algoritmusaink a jövőben is,
de már jelenleg is tudnak fogadni
valamennyi nagyon egyszerű,
fehér fényű fotót a betegtől,
kiváltva a drága orvosi
képalkotó eljárásokat.
Hiszem: készen állunk arra,
hogy olyan korba lépjünk,
ahol a mesterséges intelligencia
hihetetlen hatással lesz a jövőre.
És szerintem, ahogy
a hagyományos MI-re gondolunk,
ami adatokban gazdag,
ám alkalmazásokban szegény,
tovább kell gondolkodnunk
a nem szokványos MI-architektúrákról,
amik kis adatmennyiséggel is képesek
kezelni és megoldani a legfontosabb
előttünk álló problémákat,
különösen az egészségügyben.
Nagyon szépen köszönöm.
(Taps)