WEBVTT

00:00:01.280 --> 00:00:05.136
A mai számítógépes algoritmusok
hihetetlen feladatokat végeznek el

00:00:05.160 --> 00:00:09.896
kiemelkedő pontossággal, óriási léptékben,
szinte emberi intelligenciával.

00:00:09.920 --> 00:00:13.856
Ezt a számítógépes intelligenciát
gyakran MI-nek nevezik,

00:00:13.880 --> 00:00:15.736
vagyis mesterséges intelligenciának.

00:00:15.760 --> 00:00:19.960
Várhatóan hihetetlen hatása lesz
jövőbeli életünkre.

00:00:20.880 --> 00:00:24.816
Jelenleg azonban még kemény
kihívásokkal nézünk szembe

00:00:24.840 --> 00:00:28.336
számos halálos betegség
felismerésében és diagnosztizálásában,

00:00:28.360 --> 00:00:30.720
például fertőző kórok és rák esetében.

00:00:32.000 --> 00:00:34.296
Évente betegek ezrei halnak meg

00:00:34.320 --> 00:00:37.120
májrákban és szájrákban.

NOTE Paragraph

00:00:37.880 --> 00:00:40.576
Akkor tudunk legjobban segíteni azoknak,

00:00:40.600 --> 00:00:44.920
akik ezektől szenvednek, ha időben
felismerjük és diagnosztizáljuk a kórt.

00:00:45.880 --> 00:00:50.040
De hogyan ismerjük fel ezeket napjainkban,
és hogyan segíthet ebben az MI?

00:00:51.920 --> 00:00:55.576
Azoknál a betegeknél,
akiknél sajnos felmerül a kór gyanúja,

00:00:55.600 --> 00:00:58.256
egy szakorvos mindenekelőtt

00:00:58.280 --> 00:01:00.896
nagyon drága orvosi képalkotó
eljárást rendel el,

00:01:00.920 --> 00:01:05.016
például fluoreszcens képalkotó eljárást,
CT-, MRI-vizsgálatokat.

00:01:05.040 --> 00:01:07.336
A képek ismeretében

00:01:07.360 --> 00:01:11.880
egy másik szakorvos felállítja
a diagnózist, és beszél a beteggel.

00:01:12.520 --> 00:01:15.976
Mint látják, ez hatalmas
erőforrás-igényű folyamat,

00:01:16.000 --> 00:01:20.416
mely kétféle szakorvost, drága
orvosi képalkotó eljárásokat igényel,

00:01:20.440 --> 00:01:23.536
és a fejlődő világban
nem bizonyult praktikusnak.

00:01:23.560 --> 00:01:26.920
Valójában számos másik,
iparilag fejlett országban sem az.

NOTE Paragraph

00:01:27.760 --> 00:01:30.640
Megoldható-e ez a probléma
mesterséges intelligenciával?

00:01:31.840 --> 00:01:35.380
A mai hagyományos mesterséges
intelligencia-rendszerekkel

00:01:35.380 --> 00:01:37.406
a probléma megoldásához mindenekelőtt

00:01:37.406 --> 00:01:38.616
tízezres – ismétlem:

00:01:38.640 --> 00:01:42.656
tízezres nagyságrendű ilyen drága

00:01:42.680 --> 00:01:44.056
orvosi képre lenne szükség.

00:01:44.080 --> 00:01:46.976
Ezután szakorvoshoz fordulnék,

00:01:47.000 --> 00:01:49.496
aki kielemezné nekem ezeket a képeket.

00:01:49.520 --> 00:01:51.616
Majd ezzel a két információval

00:01:51.640 --> 00:01:55.296
szabványos mély neurális hálót
vagy mély tanulási hálót taníthatok be

00:01:55.320 --> 00:01:57.456
a beteg diagnózisának felállításához.

00:01:57.480 --> 00:01:59.080
Az első megközelítéshez hasonlóan

00:01:59.100 --> 00:02:01.863
a hagyományos mesterséges
intelligenciai megközelítések is

00:02:01.863 --> 00:02:03.596
ugyanazzal a problémával küszködnek.

00:02:03.596 --> 00:02:07.440
Hatalmas adatmennyiség, szakorvosok
és orvosi képalkotó technológiák.

NOTE Paragraph

00:02:08.320 --> 00:02:12.616
Kitalálhatunk-e méretezhetőbb,
hatékonyabb és értékesebb

00:02:12.640 --> 00:02:15.936
mesterséges intelligencia-architektúrákat,

00:02:15.960 --> 00:02:19.016
hogy megoldjuk ezeket a nagyon fontos,
ma felmerülő problémákat?

00:02:19.040 --> 00:02:22.336
Csapatom jelenleg épp ezen fáradozik
az MIT Media Labnál.

00:02:22.360 --> 00:02:26.216
Feltaláltunk több rendhagyó
MI-architektúrákat,

00:02:26.240 --> 00:02:29.416
hogy a mai legfontosabb kihívások
egy részét megoldhassuk

00:02:29.440 --> 00:02:31.900
az orvosi képalkotásban
és klinikai kísérletekben.

NOTE Paragraph

00:02:32.480 --> 00:02:35.536
Az előbb bemutatott példa megoldására
két célt ki tűztünk ki.

00:02:35.560 --> 00:02:38.536
Első célkitűzésünk az volt,
hogy csökkentsük a képek számát,

00:02:38.560 --> 00:02:41.816
amik az MI algoritmusok
betanításához kellenek.

00:02:41.840 --> 00:02:43.936
Második célunk – még többet akartunk,

00:02:43.960 --> 00:02:46.680
csökkenteni akartuk a betegek
átvizsgálásához szükséges,

00:02:46.680 --> 00:02:48.936
drága orvosi képalkotó
technológiák használatát.

00:02:48.960 --> 00:02:50.160
Hogyan oldottuk ezt meg?

NOTE Paragraph

00:02:50.920 --> 00:02:52.136
Első célkitűzésünkhöz

00:02:52.160 --> 00:02:54.216
egyetlen orvosi képet fogtunk,

00:02:54.240 --> 00:02:57.256
nem pedig tucatnyi vagy több ezer
nagyon drága képet,

00:02:57.280 --> 00:02:59.336
mint a hagyományos MI esetében.

00:02:59.360 --> 00:03:03.136
Csapatom és én nagyon frappáns módot
találtunk ki arra, hogy abból a képből

00:03:03.160 --> 00:03:05.896
milliárdnyi információs
csomagot vonjunk ki.

00:03:05.920 --> 00:03:09.616
Az információs csomagok tartalma:
színek, képpontok, geometria,

00:03:09.640 --> 00:03:12.176
és a betegség leképezése
az orvosi képre.

00:03:12.200 --> 00:03:16.536
Bizonyos értelemben több milliárd tanuló
adatponttá konvertáljuk azt az egy képet,

00:03:16.560 --> 00:03:19.510
jelentősen csökkentve a betanításhoz
szükséges adatmennyiséget.

NOTE Paragraph

00:03:19.510 --> 00:03:22.186
Második célkitűzésünkhöz,
a betegek kivizsgálását célzó

00:03:22.186 --> 00:03:25.346
drága orvosi képalkotó technológiák
alkalmazásának csökkentéséhez

00:03:25.346 --> 00:03:28.096
szabályos fehér fényű
fotózással indítottunk,

00:03:28.120 --> 00:03:32.456
vagy tükörreflexes fényképezőgéppel,
vagy mobilkamerával megoldva.

00:03:32.480 --> 00:03:35.366
Aztán emlékeznek arra a több milliárdnyi
információcsomagra?

00:03:35.366 --> 00:03:38.496
Azokat ráfektettük
az orvosi képről erre a képre,

00:03:38.520 --> 00:03:41.040
úgynevezett összetett képet
alkottunk belőlük.

00:03:41.480 --> 00:03:44.776
Nagy meglepetésünkre
ötven ilyen összetett kép

00:03:44.800 --> 00:03:46.736
elég volt ahhoz – mondom: csak ötven –,

00:03:46.736 --> 00:03:50.000
hogy igen nagy hatékonysággal
betanítsuk ezeket az algoritmusokat.

NOTE Paragraph

00:03:50.340 --> 00:03:52.016
Megközelítésünk összefoglalva:

00:03:52.040 --> 00:03:55.216
tízezer nagyon drága orvosi kép
felhasználása helyett

00:03:55.240 --> 00:03:58.256
szokatlan módon taníthatjuk be
az MI algoritmusokat,

00:03:58.280 --> 00:04:02.130
mindössze 50 darab nagy felbontású,
de közönséges fotóval,

00:04:02.130 --> 00:04:04.916
amiket tükörreflexes géppel
és mobilkamerával készítettünk,

00:04:04.916 --> 00:04:06.616
és így állítjuk fel a diagnózist.

00:04:06.640 --> 00:04:07.856
Még fontosabb,

00:04:07.880 --> 00:04:11.226
hogy algoritmusaink a jövőben is,
de már jelenleg is tudnak fogadni

00:04:11.226 --> 00:04:13.936
valamennyi nagyon egyszerű,
fehér fényű fotót a betegtől,

00:04:13.936 --> 00:04:16.320
kiváltva a drága orvosi
képalkotó eljárásokat.

NOTE Paragraph

00:04:17.120 --> 00:04:20.216
Hiszem: készen állunk arra,
hogy olyan korba lépjünk,

00:04:20.240 --> 00:04:22.176
ahol a mesterséges intelligencia

00:04:22.200 --> 00:04:24.736
hihetetlen hatással lesz a jövőre.

00:04:24.760 --> 00:04:27.216
És szerintem, ahogy
a hagyományos MI-re gondolunk,

00:04:27.240 --> 00:04:30.016
ami adatokban gazdag,
ám alkalmazásokban szegény,

00:04:30.040 --> 00:04:31.576
tovább kell gondolkodnunk

00:04:31.600 --> 00:04:34.616
a nem szokványos MI-architektúrákról,

00:04:34.640 --> 00:04:36.576
amik kis adatmennyiséggel is képesek

00:04:36.600 --> 00:04:39.536
kezelni és megoldani a legfontosabb
előttünk álló problémákat,

00:04:39.560 --> 00:04:41.006
különösen az egészségügyben.

NOTE Paragraph

00:04:41.006 --> 00:04:42.256
Nagyon szépen köszönöm.

NOTE Paragraph

00:04:42.256 --> 00:04:45.920
(Taps)