1
00:00:01,280 --> 00:00:05,136
A mai számítógépes algoritmusok
hihetetlen feladatokat végeznek el

2
00:00:05,160 --> 00:00:09,896
kiemelkedő pontossággal, óriási léptékben,
szinte emberi intelligenciával.

3
00:00:09,920 --> 00:00:13,856
Ezt a számítógépes intelligenciát
gyakran MI-nek nevezik,

4
00:00:13,880 --> 00:00:15,736
vagyis mesterséges intelligenciának.

5
00:00:15,760 --> 00:00:19,960
Várhatóan hihetetlen hatása lesz
jövőbeli életünkre.

6
00:00:20,880 --> 00:00:24,816
Jelenleg azonban még kemény
kihívásokkal nézünk szembe

7
00:00:24,840 --> 00:00:28,336
számos halálos betegség
felismerésében és diagnosztizálásában,

8
00:00:28,360 --> 00:00:30,720
például fertőző kórok és rák esetében.

9
00:00:32,000 --> 00:00:34,296
Évente betegek ezrei halnak meg

10
00:00:34,320 --> 00:00:37,120
májrákban és szájrákban.

11
00:00:37,880 --> 00:00:40,576
Akkor tudunk legjobban segíteni azoknak,

12
00:00:40,600 --> 00:00:44,920
akik ezektől szenvednek, ha időben
felismerjük és diagnosztizáljuk a kórt.

13
00:00:45,880 --> 00:00:50,040
De hogyan ismerjük fel ezeket napjainkban,
és hogyan segíthet ebben az MI?

14
00:00:51,920 --> 00:00:55,576
Azoknál a betegeknél,
akiknél sajnos felmerül a kór gyanúja,

15
00:00:55,600 --> 00:00:58,256
egy szakorvos mindenekelőtt

16
00:00:58,280 --> 00:01:00,896
nagyon drága orvosi képalkotó
eljárást rendel el,

17
00:01:00,920 --> 00:01:05,016
például fluoreszcens képalkotó eljárást,
CT-, MRI-vizsgálatokat.

18
00:01:05,040 --> 00:01:07,336
A képek ismeretében

19
00:01:07,360 --> 00:01:11,880
egy másik szakorvos felállítja
a diagnózist, és beszél a beteggel.

20
00:01:12,520 --> 00:01:15,976
Mint látják, ez hatalmas
erőforrás-igényű folyamat,

21
00:01:16,000 --> 00:01:20,416
mely kétféle szakorvost, drága
orvosi képalkotó eljárásokat igényel,

22
00:01:20,440 --> 00:01:23,536
és a fejlődő világban
nem bizonyult praktikusnak.

23
00:01:23,560 --> 00:01:26,920
Valójában számos másik,
iparilag fejlett országban sem az.

24
00:01:27,760 --> 00:01:30,640
Megoldható-e ez a probléma
mesterséges intelligenciával?

25
00:01:31,840 --> 00:01:35,380
A mai hagyományos mesterséges
intelligencia-rendszerekkel

26
00:01:35,380 --> 00:01:37,406
a probléma megoldásához mindenekelőtt

27
00:01:37,406 --> 00:01:38,616
tízezres – ismétlem:

28
00:01:38,640 --> 00:01:42,656
tízezres nagyságrendű ilyen drága

29
00:01:42,680 --> 00:01:44,056
orvosi képre lenne szükség.

30
00:01:44,080 --> 00:01:46,976
Ezután szakorvoshoz fordulnék,

31
00:01:47,000 --> 00:01:49,496
aki kielemezné nekem ezeket a képeket.

32
00:01:49,520 --> 00:01:51,616
Majd ezzel a két információval

33
00:01:51,640 --> 00:01:55,296
szabványos mély neurális hálót
vagy mély tanulási hálót taníthatok be

34
00:01:55,320 --> 00:01:57,456
a beteg diagnózisának felállításához.

35
00:01:57,480 --> 00:01:59,080
Az első megközelítéshez hasonlóan

36
00:01:59,100 --> 00:02:01,863
a hagyományos mesterséges
intelligenciai megközelítések is

37
00:02:01,863 --> 00:02:03,596
ugyanazzal a problémával küszködnek.

38
00:02:03,596 --> 00:02:07,440
Hatalmas adatmennyiség, szakorvosok
és orvosi képalkotó technológiák.

39
00:02:08,320 --> 00:02:12,616
Kitalálhatunk-e méretezhetőbb,
hatékonyabb és értékesebb

40
00:02:12,640 --> 00:02:15,936
mesterséges intelligencia-architektúrákat,

41
00:02:15,960 --> 00:02:19,016
hogy megoldjuk ezeket a nagyon fontos,
ma felmerülő problémákat?

42
00:02:19,040 --> 00:02:22,336
Csapatom jelenleg épp ezen fáradozik
az MIT Media Labnál.

43
00:02:22,360 --> 00:02:26,216
Feltaláltunk több rendhagyó
MI-architektúrákat,

44
00:02:26,240 --> 00:02:29,416
hogy a mai legfontosabb kihívások
egy részét megoldhassuk

45
00:02:29,440 --> 00:02:31,900
az orvosi képalkotásban
és klinikai kísérletekben.

46
00:02:32,480 --> 00:02:35,536
Az előbb bemutatott példa megoldására
két célt ki tűztünk ki.

47
00:02:35,560 --> 00:02:38,536
Első célkitűzésünk az volt,
hogy csökkentsük a képek számát,

48
00:02:38,560 --> 00:02:41,816
amik az MI algoritmusok
betanításához kellenek.

49
00:02:41,840 --> 00:02:43,936
Második célunk – még többet akartunk,

50
00:02:43,960 --> 00:02:46,680
csökkenteni akartuk a betegek
átvizsgálásához szükséges,

51
00:02:46,680 --> 00:02:48,936
drága orvosi képalkotó
technológiák használatát.

52
00:02:48,960 --> 00:02:50,160
Hogyan oldottuk ezt meg?

53
00:02:50,920 --> 00:02:52,136
Első célkitűzésünkhöz

54
00:02:52,160 --> 00:02:54,216
egyetlen orvosi képet fogtunk,

55
00:02:54,240 --> 00:02:57,256
nem pedig tucatnyi vagy több ezer
nagyon drága képet,

56
00:02:57,280 --> 00:02:59,336
mint a hagyományos MI esetében.

57
00:02:59,360 --> 00:03:03,136
Csapatom és én nagyon frappáns módot
találtunk ki arra, hogy abból a képből

58
00:03:03,160 --> 00:03:05,896
milliárdnyi információs
csomagot vonjunk ki.

59
00:03:05,920 --> 00:03:09,616
Az információs csomagok tartalma:
színek, képpontok, geometria,

60
00:03:09,640 --> 00:03:12,176
és a betegség leképezése
az orvosi képre.

61
00:03:12,200 --> 00:03:16,536
Bizonyos értelemben több milliárd tanuló
adatponttá konvertáljuk azt az egy képet,

62
00:03:16,560 --> 00:03:19,510
jelentősen csökkentve a betanításhoz
szükséges adatmennyiséget.

63
00:03:19,510 --> 00:03:22,186
Második célkitűzésünkhöz,
a betegek kivizsgálását célzó

64
00:03:22,186 --> 00:03:25,346
drága orvosi képalkotó technológiák
alkalmazásának csökkentéséhez

65
00:03:25,346 --> 00:03:28,096
szabályos fehér fényű
fotózással indítottunk,

66
00:03:28,120 --> 00:03:32,456
vagy tükörreflexes fényképezőgéppel,
vagy mobilkamerával megoldva.

67
00:03:32,480 --> 00:03:35,366
Aztán emlékeznek arra a több milliárdnyi
információcsomagra?

68
00:03:35,366 --> 00:03:38,496
Azokat ráfektettük
az orvosi képről erre a képre,

69
00:03:38,520 --> 00:03:41,040
úgynevezett összetett képet
alkottunk belőlük.

70
00:03:41,480 --> 00:03:44,776
Nagy meglepetésünkre
ötven ilyen összetett kép

71
00:03:44,800 --> 00:03:46,736
elég volt ahhoz – mondom: csak ötven –,

72
00:03:46,736 --> 00:03:50,000
hogy igen nagy hatékonysággal
betanítsuk ezeket az algoritmusokat.

73
00:03:50,340 --> 00:03:52,016
Megközelítésünk összefoglalva:

74
00:03:52,040 --> 00:03:55,216
tízezer nagyon drága orvosi kép
felhasználása helyett

75
00:03:55,240 --> 00:03:58,256
szokatlan módon taníthatjuk be
az MI algoritmusokat,

76
00:03:58,280 --> 00:04:02,130
mindössze 50 darab nagy felbontású,
de közönséges fotóval,

77
00:04:02,130 --> 00:04:04,916
amiket tükörreflexes géppel
és mobilkamerával készítettünk,

78
00:04:04,916 --> 00:04:06,616
és így állítjuk fel a diagnózist.

79
00:04:06,640 --> 00:04:07,856
Még fontosabb,

80
00:04:07,880 --> 00:04:11,226
hogy algoritmusaink a jövőben is,
de már jelenleg is tudnak fogadni

81
00:04:11,226 --> 00:04:13,936
valamennyi nagyon egyszerű,
fehér fényű fotót a betegtől,

82
00:04:13,936 --> 00:04:16,320
kiváltva a drága orvosi
képalkotó eljárásokat.

83
00:04:17,120 --> 00:04:20,216
Hiszem: készen állunk arra,
hogy olyan korba lépjünk,

84
00:04:20,240 --> 00:04:22,176
ahol a mesterséges intelligencia

85
00:04:22,200 --> 00:04:24,736
hihetetlen hatással lesz a jövőre.

86
00:04:24,760 --> 00:04:27,216
És szerintem, ahogy
a hagyományos MI-re gondolunk,

87
00:04:27,240 --> 00:04:30,016
ami adatokban gazdag,
ám alkalmazásokban szegény,

88
00:04:30,040 --> 00:04:31,576
tovább kell gondolkodnunk

89
00:04:31,600 --> 00:04:34,616
a nem szokványos MI-architektúrákról,

90
00:04:34,640 --> 00:04:36,576
amik kis adatmennyiséggel is képesek

91
00:04:36,600 --> 00:04:39,536
kezelni és megoldani a legfontosabb
előttünk álló problémákat,

92
00:04:39,560 --> 00:04:41,006
különösen az egészségügyben.

93
00:04:41,006 --> 00:04:42,256
Nagyon szépen köszönöm.

94
00:04:42,256 --> 00:04:45,920
(Taps)