0:00:01.280,0:00:05.120
今天的计算机算法，[br]正在使用类似人类的智能，

0:00:05.120,0:00:09.946
大规模的执行具有高精度的，[br]不可思议的任务。

0:00:09.946,0:00:13.896
而这种计算机智能，通常被称为AI，

0:00:13.896,0:00:15.786
或“人工智能”。

0:00:15.786,0:00:19.960
人工智能有望在未来对我们的生活[br]产生令人难以置信的影响。

0:00:20.880,0:00:24.916
然而今天，在检测和诊断[br]几种危及生命的疾病，

0:00:24.916,0:00:28.386
比如传染病和癌症时，

0:00:28.386,0:00:30.720
我们仍然面临着大量的挑战。

0:00:32.000,0:00:34.346
每年，数以千计的病人

0:00:34.346,0:00:37.120
因患上肝癌和口腔癌失去生命。

0:00:37.880,0:00:40.560
帮助病人最好的方式

0:00:40.560,0:00:44.920
就是对这些疾病进行[br]早期检测和诊断。

0:00:45.880,0:00:50.040
那么，今天我们如何检测这些疾病？[br]AI可以提供帮助吗？

0:00:51.920,0:00:55.546
对于不幸被怀疑[br]患有这些疾病的患者，

0:00:55.546,0:00:58.286
专家医师会先要求他们照射

0:00:58.286,0:01:00.890
非常昂贵的医疗图像，

0:01:00.890,0:01:04.990
例如荧光成像，CT，MRI等。

0:01:04.990,0:01:07.326
收集到这些图像之后，

0:01:07.326,0:01:11.880
另一位专家医师会进行诊断，[br]并与患者交流。

0:01:12.520,0:01:15.986
显而易见，这是个[br]非常耗费资源的过程，

0:01:15.986,0:01:20.436
需要两位专家医师[br]和昂贵的医学图像技术。

0:01:20.440,0:01:23.510
这在发展中国家被认为并不实用，

0:01:23.510,0:01:26.920
事实上，在许多[br]工业化国家也是如此。

0:01:27.760,0:01:30.640
那么，我们能够用[br]人工智能解决这个问题吗？

0:01:31.840,0:01:35.936
今天，如果使用传统的[br]人工智能架构

0:01:35.936,0:01:37.140
来解决这个问题，

0:01:37.140,0:01:38.626
我可能需要1万张——

0:01:38.626,0:01:42.640
我重复一次，我首先需要[br]生成1万张这种非常昂贵的

0:01:42.640,0:01:44.060
医学图像。

0:01:44.060,0:01:47.036
之后，我会去找一位专业医师

0:01:47.036,0:01:49.500
为我分析这些图像。

0:01:49.500,0:01:51.640
利用这两条信息，

0:01:51.640,0:01:55.320
我可以训练标准的深度神经网络，[br]或深度学习网络

0:01:55.320,0:01:57.516
对患者进行诊断。

0:01:57.516,0:01:59.250
与第一步相似，

0:01:59.250,0:02:01.417
传统人工智能方法

0:02:01.417,0:02:02.906
遭遇了同样的问题：

0:02:02.906,0:02:07.440
那就是需要大量的数据、[br]专家医师和专业的医疗图像技术。

0:02:08.344,0:02:12.634
我们是否能够创造出一种[br]规模更大、更有效率、

0:02:12.634,0:02:15.960
同时更有价值的人工智能架构，

0:02:15.960,0:02:19.016
来解决我们今天面临的[br]这些重要的问题呢？

0:02:19.016,0:02:22.312
而这就是我们的团队[br]在MIT媒体实验室所研究的内容。

0:02:22.312,0:02:26.134
我们开发了各种新型AI架构，

0:02:26.134,0:02:29.440
来解决一些我们当今[br]在医疗图像和临床试验中

0:02:29.440,0:02:31.770
面临的最重要的挑战。

0:02:32.480,0:02:35.520
在我今天分享的例子中，[br]包括了我们的两个目标。

0:02:35.520,0:02:38.536
第一个目标，是减少[br]用来训练人工智能算法

0:02:38.536,0:02:41.780
所需要的图片数量。

0:02:41.780,0:02:43.976
第二个目标——更大的志向，

0:02:43.976,0:02:47.690
我们希望让患者减少使用昂贵的

0:02:47.690,0:02:48.880
医疗图像技术。

0:02:48.880,0:02:50.160
那么我们是怎样做的？

0:02:50.920,0:02:52.166
我们的第一个目标，

0:02:52.166,0:02:54.130
相比于传统AI

0:02:54.130,0:02:57.240
从成千上万张昂贵的医疗图像开始，

0:02:57.240,0:02:59.310
我们选择从单张图像开始。

0:02:59.310,0:03:03.120
根据这张图片，[br]我和我的团队想出了

0:03:03.120,0:03:05.890
一种非常聪明的方法[br]来提取数十亿个信息包。

0:03:05.890,0:03:09.686
这些信息包包含颜色、像素、形态

0:03:09.686,0:03:12.160
和疾病呈现在医疗图像上的效果。

0:03:12.160,0:03:16.566
这样一来，我们就将一张图像[br]转换成了数十亿个训练数据点，

0:03:16.566,0:03:20.136
需要训练的数据量就大大减少了。

0:03:20.136,0:03:21.304
第二个目标，

0:03:21.304,0:03:25.210
是减少对患者使用医疗图像技术。

0:03:25.210,0:03:28.060
最开始，我们会从[br]数码单反相机或手机中

0:03:28.060,0:03:32.450
获取一张标准的白色光线照片。

0:03:32.450,0:03:34.930
然后，还记得那[br]数十亿个信息包吗？

0:03:34.930,0:03:38.460
将这些医疗图像的信息包[br]覆盖在这张图片上，

0:03:38.460,0:03:41.040
这时我们就创建了一张合成图像。

0:03:41.480,0:03:44.760
令人惊讶的是，我们只需要50张——

0:03:44.760,0:03:46.110
强调一下，仅仅50张——

0:03:46.110,0:03:50.000
这些复合图像，[br]就能训练我们的算法提高效率。

0:03:50.680,0:03:52.066
总结一下我们的方法，

0:03:52.066,0:03:55.180
区别于用1万张昂贵的[br]医疗图像训练AI算法，

0:03:55.180,0:03:58.240
我们使用了一种全新的方式，

0:03:58.240,0:04:02.510
只需要将数码相机或手机拍摄的

0:04:02.510,0:04:05.096
50张高分辨率的标准照片，

0:04:05.096,0:04:06.640
即可提供诊断。

0:04:06.640,0:04:07.840
更重要的是，

0:04:07.840,0:04:11.000
在未来，甚至现在，[br]我们的算法可以接受

0:04:11.000,0:04:13.850
一些病人自己拍摄的白光照片，

0:04:13.850,0:04:16.320
来替代昂贵的医疗图像技术。

0:04:17.120,0:04:20.180
我相信，我们已经准备好[br]进入这样一个时代，

0:04:20.180,0:04:22.160
人工智能

0:04:22.160,0:04:24.730
正在对我们的未来产生[br]不可思议的影响。

0:04:24.730,0:04:27.210
我也认为相比拥有丰富数据

0:04:27.210,0:04:30.046
但应用困难的传统AI，

0:04:30.046,0:04:31.560
我们应该不断思考

0:04:31.560,0:04:34.610
非传统的人工智能架构。

0:04:34.610,0:04:36.560
它们能够接受少量数据，

0:04:36.560,0:04:39.510
并解决一些今天[br]我们所面临的重要问题，

0:04:39.510,0:04:40.810
特别是在医疗健康方面。

0:04:40.810,0:04:42.030
非常感谢。

0:04:42.030,0:04:45.920
（掌声）