WEBVTT

00:00:01.280 --> 00:00:05.136
오늘날 컴퓨터 알고리즘의
기능은 정말 놀랍습니다.

00:00:05.160 --> 00:00:09.896
인간의 지능과 비슷하지만,
아주 엄청난 양을 정확하게 처리하죠.

00:00:09.920 --> 00:00:13.856
이런 컴퓨터의 지능을 흔히 AI 또는

00:00:13.880 --> 00:00:15.736
인공지능이라고 하죠.

00:00:15.760 --> 00:00:19.960
인공지능은 이미 우리의 미래에
엄청난 영향을 줄 힘을 가지고 있습니다.

00:00:20.880 --> 00:00:24.816
하지만, 오늘날 우리는 여전히
생명을 위협하는 질병들을

00:00:24.840 --> 00:00:28.336
발견하고 진단하는 데
많은 어려움을 겪고 있습니다.

00:00:28.360 --> 00:00:30.720
암이나 감염성 질병 같은 것들이죠.

00:00:32.000 --> 00:00:34.296
매년 수 천명의 환자들이

00:00:34.320 --> 00:00:37.120
간암과 구강암으로 생명을 잃습니다.

NOTE Paragraph

00:00:37.880 --> 00:00:40.576
이런 환자들을 도울 수 있는


00:00:40.600 --> 00:00:44.920
최선의 방법은 바로
질병의 조기 발견과 진단이죠.

00:00:45.880 --> 00:00:50.040
오늘날 어떤 식으로 질병이 발견되고,
인공지능은 어떤 도움을 주는지 알아볼까요?

00:00:51.920 --> 00:00:55.576
안타깝게도, 이런 질병에
감염된 것으로 의심되는 환자들에게,

00:00:55.600 --> 00:00:58.256
전문의들은 우선

00:00:58.280 --> 00:01:00.896
값비싼 의료영상기술을 사용합니다.

00:01:00.920 --> 00:01:05.016
형광영상법, CT, MRI 등이죠.

00:01:05.040 --> 00:01:07.336
수집된 영상들을

00:01:07.360 --> 00:01:11.880
또 다른 전문의가 판독하고
환자에게 소견을 보냅니다.

00:01:12.520 --> 00:01:15.976
보다시피,
아주 소모가 심한 과정입니다.

00:01:16.000 --> 00:01:20.416
전문의 둘에, 값비싼
의료영상기술까지 갖춰야 하니까

00:01:20.440 --> 00:01:23.536
개발 도상국들에게
실용적인 방법이 아니죠.

00:01:23.560 --> 00:01:26.920
사실, 여러 선진국들의
사정도 마찬가지입니다.

NOTE Paragraph

00:01:27.760 --> 00:01:30.640
그럼, 인공지능을 이용해
이 문제를 해결할 수 있을까요?

00:01:31.840 --> 00:01:35.896
오늘날,
제가 이 문제의 해결을 위해

00:01:35.920 --> 00:01:37.136
기존의 인공지능구조를 이용한다면,

00:01:37.160 --> 00:01:38.616
만장이 필요합니다.

00:01:38.640 --> 00:01:42.656
다시 말해, 만장의 값비싼 의료영상을

00:01:42.680 --> 00:01:44.056
먼저 찍어야만 합니다.

00:01:44.080 --> 00:01:46.976
그 다음에, 그 영상들을 분석해 줄

00:01:47.000 --> 00:01:49.496
전문의를 찾아가야 겠죠.

00:01:49.520 --> 00:01:51.616
그리고, 그 두 종류의 정보를 가지고

00:01:51.640 --> 00:01:55.296
표준화된 심층 신경망 또는
심층 학습망을 이용해

00:01:55.320 --> 00:01:57.456
환자들에게 진단을 내립니다.

00:01:57.480 --> 00:01:59.216
첫 번째 방식과 유사하게,

00:01:59.240 --> 00:02:01.383
기존의 인공지능은 같은 문제로

00:02:01.407 --> 00:02:02.856
어려움을 겪고 있습니다.

00:02:02.880 --> 00:02:07.440
방대한 자료, 전문의, 특수 의료영상기술
등이 필요하기 때문이죠.

NOTE Paragraph

00:02:08.320 --> 00:02:12.616
그렇다면, 더 확장성이 높고,

00:02:12.640 --> 00:02:15.936
효율적인 인공지능 구조를 만든다면,

00:02:15.960 --> 00:02:19.016
오늘날 우리에게 당면한
중대한 과제들을 해결할 수 있을까요?

00:02:19.040 --> 00:02:22.336
이것이 바로 MIT 미디어 연구소에서
저희 팀이 하고 있는 일입니다.

00:02:22.360 --> 00:02:26.216
다양한 대체 인공지능 구조를
만들고 있죠.

00:02:26.240 --> 00:02:29.416
의료영상과 임상시험 분야에서의

00:02:29.440 --> 00:02:31.640
중대한 과제들을 해결하기 위해서죠.

NOTE Paragraph

00:02:32.480 --> 00:02:35.536
오늘 예로 든 것에서,
저희는 두 가지 목표를 정했습니다.

00:02:35.560 --> 00:02:38.536
첫째, 인공지능 알고리즘의
학습에 필요한

00:02:38.560 --> 00:02:41.816
영상의 수를 줄이는 것이었습니다.

00:02:41.840 --> 00:02:43.936
둘째, 저희가 좀 더 욕심을 낸 것인데

00:02:43.960 --> 00:02:47.696
환자들을 선별하는
값비싼 의료영상기술의 사용을

00:02:47.720 --> 00:02:48.936
줄이는 것이었죠.

00:02:48.960 --> 00:02:50.160
과연 어떻게 됐을까요?

NOTE Paragraph

00:02:50.920 --> 00:02:52.136
첫 번째 목표를 위해,

00:02:52.160 --> 00:02:54.216
기존의 인공지능과 같이

00:02:54.240 --> 00:02:57.256
아주 많은 비용을 들여
촬영하는 영상 수 천장을 대신해,

00:02:57.280 --> 00:02:59.336
단 한 장으로 시작했습니다.

00:02:59.360 --> 00:03:03.136
동료들과 함께 그 영상에서
수 억개의 정보 패킷을

00:03:03.160 --> 00:03:05.896
추출할 수 있는
아주 기발한 방법을 찾아냈죠.

00:03:05.920 --> 00:03:09.616
이 정보 패킷들은 영상 속
질병의 색상, 화소, 기하학적 구조,

00:03:09.640 --> 00:03:12.176
렌더링 등이 포함되어 있습니다.

00:03:12.200 --> 00:03:16.536
즉, 하나의 영상을 수 십억개의
학습용 자료점으로 변환해,

00:03:16.560 --> 00:03:20.096
학습에 필요한 자료의 양을
현저히 줄이는 것이죠.

NOTE Paragraph

00:03:20.120 --> 00:03:21.336
두 번째 목표를 위해서는

00:03:21.360 --> 00:03:25.216
환자의 선별에 쓰이는
의료영상기술의 사용을 줄이기 위해,

00:03:25.240 --> 00:03:28.096
일반적인 백색광 사진을
사용하기 시작했습니다.

00:03:28.120 --> 00:03:32.456
DSLR 사진기나
휴대전화에서도 가능한 것이죠.

00:03:32.480 --> 00:03:34.936
수 십억개의 정보 패킷 기억하시죠?

00:03:34.960 --> 00:03:38.496
의료영상에서 빼낸 정보들을
바로 이 영상 위에 입혀

00:03:38.520 --> 00:03:41.040
합성하는 거죠.

00:03:41.480 --> 00:03:44.776
놀랍게도, 저희는 단 50장,

00:03:44.800 --> 00:03:46.136
한번 더 말하죠, 단 50장입니다.

00:03:46.160 --> 00:03:50.000
알고리즘의 학습이
단 50장의 영상으로 가능했던 것입니다.

NOTE Paragraph

00:03:50.680 --> 00:03:52.016
그 방식을 요약해 보면,

00:03:52.040 --> 00:03:55.216
만장이나 되는
아주 값비싼 의료영상을 대신해,

00:03:55.240 --> 00:03:58.256
이제는 색다른 방식으로
인공지능의 학습이 가능하게 된 것이죠.

00:03:58.280 --> 00:04:02.536
일반적인 DSLR 사진기나 휴대전화를
이용해 얻을 수 있는

00:04:02.560 --> 00:04:05.056
단 50장의 고화질 영상으로

00:04:05.080 --> 00:04:06.616
진단까지 가능해 진 것입니다.

00:04:06.640 --> 00:04:07.856
더 중요하게

00:04:07.880 --> 00:04:11.016
저희 알고리즘은 앞으로,
심지어 지금 당장이라도

00:04:11.040 --> 00:04:13.856
환자들이 제공하는 간단한
백색광 사진을 이용할 수 있습니다.

00:04:13.880 --> 00:04:16.320
고가의 의료영상기술을
대신해서 말이죠.

NOTE Paragraph

00:04:17.120 --> 00:04:20.216
저는 인공지능이 우리의 미래에

00:04:20.240 --> 00:04:22.176
엄청난 영향을 줄

00:04:22.200 --> 00:04:24.736
시대의 문턱에
이미 와 있다고 믿습니다.

00:04:24.760 --> 00:04:27.216
기존의 인공지능은

00:04:27.240 --> 00:04:30.016
자료는 방대하지만
활용도가 낮기 때문에,

00:04:30.040 --> 00:04:31.576
소량의 자료만으로도

00:04:31.600 --> 00:04:34.616
우리에게 당면한 중대한 과제들을
해결할 수 있는

00:04:34.640 --> 00:04:36.576
대체 인공지능 구조를

00:04:36.600 --> 00:04:39.536
계속 연구해야 한다고 생각합니다.

00:04:39.560 --> 00:04:40.816
특히 의료와 관련해서 말이죠.

NOTE Paragraph

00:04:40.840 --> 00:04:42.056
감사합니다.

NOTE Paragraph

00:04:42.080 --> 00:04:45.920
(박수)