0:00:01.280,0:00:05.136
A mai számítógépes algoritmusok[br]hihetetlen feladatokat végeznek el

0:00:05.160,0:00:09.896
kiemelkedő pontossággal, óriási léptékben,[br]szinte emberi intelligenciával.

0:00:09.920,0:00:13.856
Ezt a számítógépes intelligenciát[br]gyakran MI-nek nevezik,

0:00:13.880,0:00:15.736
vagyis mesterséges intelligenciának.

0:00:15.760,0:00:19.960
Várhatóan hihetetlen hatása lesz[br]jövőbeli életünkre.

0:00:20.880,0:00:24.816
Jelenleg azonban még kemény[br]kihívásokkal nézünk szembe

0:00:24.840,0:00:28.336
számos halálos betegség[br]felismerésében és diagnosztizálásában,

0:00:28.360,0:00:30.720
például fertőző kórok és rák esetében.

0:00:32.000,0:00:34.296
Évente betegek ezrei halnak meg

0:00:34.320,0:00:37.120
májrákban és szájrákban.

0:00:37.880,0:00:40.576
Akkor tudunk legjobban segíteni azoknak,

0:00:40.600,0:00:44.920
akik ezektől szenvednek, ha időben[br]felismerjük és diagnosztizáljuk a kórt.

0:00:45.880,0:00:50.040
De hogyan ismerjük fel ezeket napjainkban,[br]és hogyan segíthet ebben az MI?

0:00:51.920,0:00:55.576
Azoknál a betegeknél,[br]akiknél sajnos felmerül a kór gyanúja,

0:00:55.600,0:00:58.256
egy szakorvos mindenekelőtt

0:00:58.280,0:01:00.896
nagyon drága orvosi képalkotó[br]eljárást rendel el,

0:01:00.920,0:01:05.016
például fluoreszcens képalkotó eljárást,[br]CT-, MRI-vizsgálatokat.

0:01:05.040,0:01:07.336
A képek ismeretében

0:01:07.360,0:01:11.880
egy másik szakorvos felállítja[br]a diagnózist, és beszél a beteggel.

0:01:12.520,0:01:15.976
Mint látják, ez hatalmas[br]erőforrás-igényű folyamat,

0:01:16.000,0:01:20.416
mely kétféle szakorvost, drága[br]orvosi képalkotó eljárásokat igényel,

0:01:20.440,0:01:23.536
és a fejlődő világban[br]nem bizonyult praktikusnak.

0:01:23.560,0:01:26.920
Valójában számos másik,[br]iparilag fejlett országban sem az.

0:01:27.760,0:01:30.640
Megoldható-e ez a probléma[br]mesterséges intelligenciával?

0:01:31.840,0:01:35.380
A mai hagyományos mesterséges[br]intelligencia-rendszerekkel

0:01:35.380,0:01:37.406
a probléma megoldásához mindenekelőtt

0:01:37.406,0:01:38.616
tízezres – ismétlem:

0:01:38.640,0:01:42.656
tízezres nagyságrendű ilyen drága

0:01:42.680,0:01:44.056
orvosi képre lenne szükség.

0:01:44.080,0:01:46.976
Ezután szakorvoshoz fordulnék,

0:01:47.000,0:01:49.496
aki kielemezné nekem ezeket a képeket.

0:01:49.520,0:01:51.616
Majd ezzel a két információval

0:01:51.640,0:01:55.296
szabványos mély neurális hálót[br]vagy mély tanulási hálót taníthatok be

0:01:55.320,0:01:57.456
a beteg diagnózisának felállításához.

0:01:57.480,0:01:59.080
Az első megközelítéshez hasonlóan

0:01:59.100,0:02:01.863
a hagyományos mesterséges[br]intelligenciai megközelítések is

0:02:01.863,0:02:03.596
ugyanazzal a problémával küszködnek.

0:02:03.596,0:02:07.440
Hatalmas adatmennyiség, szakorvosok[br]és orvosi képalkotó technológiák.

0:02:08.320,0:02:12.616
Kitalálhatunk-e méretezhetőbb,[br]hatékonyabb és értékesebb

0:02:12.640,0:02:15.936
mesterséges intelligencia-architektúrákat,

0:02:15.960,0:02:19.016
hogy megoldjuk ezeket a nagyon fontos,[br]ma felmerülő problémákat?

0:02:19.040,0:02:22.336
Csapatom jelenleg épp ezen fáradozik[br]az MIT Media Labnál.

0:02:22.360,0:02:26.216
Feltaláltunk több rendhagyó[br]MI-architektúrákat,

0:02:26.240,0:02:29.416
hogy a mai legfontosabb kihívások[br]egy részét megoldhassuk

0:02:29.440,0:02:31.900
az orvosi képalkotásban[br]és klinikai kísérletekben.

0:02:32.480,0:02:35.536
Az előbb bemutatott példa megoldására[br]két célt ki tűztünk ki.

0:02:35.560,0:02:38.536
Első célkitűzésünk az volt,[br]hogy csökkentsük a képek számát,

0:02:38.560,0:02:41.816
amik az MI algoritmusok[br]betanításához kellenek.

0:02:41.840,0:02:43.936
Második célunk – még többet akartunk,

0:02:43.960,0:02:46.680
csökkenteni akartuk a betegek[br]átvizsgálásához szükséges,

0:02:46.680,0:02:48.936
drága orvosi képalkotó[br]technológiák használatát.

0:02:48.960,0:02:50.160
Hogyan oldottuk ezt meg?

0:02:50.920,0:02:52.136
Első célkitűzésünkhöz

0:02:52.160,0:02:54.216
egyetlen orvosi képet fogtunk,

0:02:54.240,0:02:57.256
nem pedig tucatnyi vagy több ezer[br]nagyon drága képet,

0:02:57.280,0:02:59.336
mint a hagyományos MI esetében.

0:02:59.360,0:03:03.136
Csapatom és én nagyon frappáns módot[br]találtunk ki arra, hogy abból a képből

0:03:03.160,0:03:05.896
milliárdnyi információs[br]csomagot vonjunk ki.

0:03:05.920,0:03:09.616
Az információs csomagok tartalma:[br]színek, képpontok, geometria,

0:03:09.640,0:03:12.176
és a betegség leképezése[br]az orvosi képre.

0:03:12.200,0:03:16.536
Bizonyos értelemben több milliárd tanuló[br]adatponttá konvertáljuk azt az egy képet,

0:03:16.560,0:03:19.510
jelentősen csökkentve a betanításhoz[br]szükséges adatmennyiséget.

0:03:19.510,0:03:22.186
Második célkitűzésünkhöz,[br]a betegek kivizsgálását célzó

0:03:22.186,0:03:25.346
drága orvosi képalkotó technológiák[br]alkalmazásának csökkentéséhez

0:03:25.346,0:03:28.096
szabályos fehér fényű[br]fotózással indítottunk,

0:03:28.120,0:03:32.456
vagy tükörreflexes fényképezőgéppel,[br]vagy mobilkamerával megoldva.

0:03:32.480,0:03:35.366
Aztán emlékeznek arra a több milliárdnyi[br]információcsomagra?

0:03:35.366,0:03:38.496
Azokat ráfektettük[br]az orvosi képről erre a képre,

0:03:38.520,0:03:41.040
úgynevezett összetett képet[br]alkottunk belőlük.

0:03:41.480,0:03:44.776
Nagy meglepetésünkre[br]ötven ilyen összetett kép

0:03:44.800,0:03:46.736
elég volt ahhoz – mondom: csak ötven –,

0:03:46.736,0:03:50.000
hogy igen nagy hatékonysággal[br]betanítsuk ezeket az algoritmusokat.

0:03:50.340,0:03:52.016
Megközelítésünk összefoglalva:

0:03:52.040,0:03:55.216
tízezer nagyon drága orvosi kép[br]felhasználása helyett

0:03:55.240,0:03:58.256
szokatlan módon taníthatjuk be[br]az MI algoritmusokat,

0:03:58.280,0:04:02.130
mindössze 50 darab nagy felbontású,[br]de közönséges fotóval,

0:04:02.130,0:04:04.916
amiket tükörreflexes géppel[br]és mobilkamerával készítettünk,

0:04:04.916,0:04:06.616
és így állítjuk fel a diagnózist.

0:04:06.640,0:04:07.856
Még fontosabb,

0:04:07.880,0:04:11.226
hogy algoritmusaink a jövőben is,[br]de már jelenleg is tudnak fogadni

0:04:11.226,0:04:13.936
valamennyi nagyon egyszerű,[br]fehér fényű fotót a betegtől,

0:04:13.936,0:04:16.320
kiváltva a drága orvosi[br]képalkotó eljárásokat.

0:04:17.120,0:04:20.216
Hiszem: készen állunk arra,[br]hogy olyan korba lépjünk,

0:04:20.240,0:04:22.176
ahol a mesterséges intelligencia

0:04:22.200,0:04:24.736
hihetetlen hatással lesz a jövőre.

0:04:24.760,0:04:27.216
És szerintem, ahogy[br]a hagyományos MI-re gondolunk,

0:04:27.240,0:04:30.016
ami adatokban gazdag,[br]ám alkalmazásokban szegény,

0:04:30.040,0:04:31.576
tovább kell gondolkodnunk

0:04:31.600,0:04:34.616
a nem szokványos MI-architektúrákról,

0:04:34.640,0:04:36.576
amik kis adatmennyiséggel is képesek

0:04:36.600,0:04:39.536
kezelni és megoldani a legfontosabb[br]előttünk álló problémákat,

0:04:39.560,0:04:41.006
különösen az egészségügyben.

0:04:41.006,0:04:42.256
Nagyon szépen köszönöm.

0:04:42.256,0:04:45.920
(Taps)