1
00:00:01,280 --> 00:00:05,136
現今的電腦演算法能夠執行
很了不起的工作任務，

2
00:00:05,160 --> 00:00:09,896
有高度的精確性，規模可以很大，
且用的是類似人類的智慧。

3
00:00:09,920 --> 00:00:13,856
這種電腦的智慧通常被稱為 AI，

4
00:00:13,880 --> 00:00:15,736
也就是人工智慧。

5
00:00:15,760 --> 00:00:19,960
人工智慧已經準備好要對
我們未來的生活造成衝擊。

6
00:00:20,880 --> 00:00:24,816
然而我們現今仍然面臨很大的挑戰，

7
00:00:24,840 --> 00:00:28,336
包括偵測與診斷數種
會威脅生命的疾病，

8
00:00:28,360 --> 00:00:30,720
比如感染性疾病以及癌症。

9
00:00:32,000 --> 00:00:34,296
每年，有數千名病人

10
00:00:34,320 --> 00:00:37,120
因為肝癌或口腔癌而喪命。

11
00:00:37,880 --> 00:00:40,576
若要幫助這些病人的最好方法

12
00:00:40,600 --> 00:00:44,920
就是早期偵測並診斷出這些疾病。

13
00:00:45,880 --> 00:00:50,040
現今我們要如何偵測出這些疾病？
人工智慧能幫得上忙嗎？

14
00:00:51,920 --> 00:00:55,576
對於很不幸被懷疑可能
得了這些疾病的病人，

15
00:00:55,600 --> 00:00:58,256
專業的醫生首先會囑咐

16
00:00:58,280 --> 00:01:00,896
採用非常昂貴的醫療成像技術，

17
00:01:00,920 --> 00:01:05,016
例如螢光成像、
電腦斷層掃瞄、核磁共振。

18
00:01:05,040 --> 00:01:07,336
一旦收集到了這些影像，

19
00:01:07,360 --> 00:01:11,880
會有另一位專業醫生根據
這些影像做診斷，並和病人談。

20
00:01:12,520 --> 00:01:15,976
不難看出，這是非常耗資源的過程，

21
00:01:16,000 --> 00:01:20,416
需要專業的醫生
和昂貴的醫療成像技術兩者，

22
00:01:20,440 --> 00:01:23,536
而這在開發中國家是不實際的；

23
00:01:23,560 --> 00:01:26,920
事實上，在許多工業化的國家亦然。

24
00:01:27,760 --> 00:01:30,910
所以，我們能用人工智慧
來解決這個問題嗎？

25
00:01:31,840 --> 00:01:35,896
現今，若我要用傳統人工智慧架構

26
00:01:35,920 --> 00:01:37,136
來解決這個問題，

27
00:01:37,160 --> 00:01:38,616
我會需要一萬——

28
00:01:38,640 --> 00:01:42,656
我重覆一次，大約一萬張
這種非常昂貴的醫療影像

29
00:01:42,680 --> 00:01:44,056
先被產生出來。

30
00:01:44,080 --> 00:01:46,976
產生出來後，接著去找專業醫生，

31
00:01:47,000 --> 00:01:49,496
來為我分析這些影像。

32
00:01:49,520 --> 00:01:51,616
用這兩種資訊，

33
00:01:51,640 --> 00:01:55,296
我就能訓練標準的
深度類神經網路或深度學習網路

34
00:01:55,320 --> 00:01:57,456
來提供對病人的診斷。

35
00:01:57,480 --> 00:01:59,216
和第一個方法很類似，

36
00:01:59,240 --> 00:02:01,383
傳統人工智慧方法

37
00:02:01,407 --> 00:02:02,856
也會遇到同樣的問題。

38
00:02:02,880 --> 00:02:07,440
大量的資料、專業醫生，
以及專業醫療成像技術。

39
00:02:08,320 --> 00:02:12,616
我們是否能發明
更有擴展性、更有效，

40
00:02:12,640 --> 00:02:15,936
且更有價值的人工智慧架構，

41
00:02:15,960 --> 00:02:19,016
來解決我們現今所面臨的
這些非常重要的問題？

42
00:02:19,040 --> 00:02:22,336
這就是我的團隊在麻省理工學院
媒體實驗室在做的事。

43
00:02:22,360 --> 00:02:26,216
我們已經發明了多種
非正統的人工智慧架構

44
00:02:26,240 --> 00:02:29,416
來解決我們現今在醫療成像
及臨床實驗方面

45
00:02:29,440 --> 00:02:31,640
所面臨的一些最重要的挑戰。

46
00:02:32,480 --> 00:02:35,536
在今天我和各位分享的
例子中，我們有兩個目標。

47
00:02:35,560 --> 00:02:38,536
我們的第一個目標是要減少

48
00:02:38,560 --> 00:02:41,816
訓練人工智慧演算法
所需要的影像數量。

49
00:02:41,840 --> 00:02:43,936
我們的第二個目標——
我們的野心更大，

50
00:02:43,960 --> 00:02:47,696
我們想要減少使用昂貴醫療成像技術

51
00:02:47,720 --> 00:02:48,936
來篩選病人。

52
00:02:48,960 --> 00:02:50,160
我們要怎麼做？

53
00:02:50,920 --> 00:02:52,136
針對第一個目標，

54
00:02:52,160 --> 00:02:54,216
不像傳統人工智慧一開始

55
00:02:54,240 --> 00:02:57,256
要用到數萬張非常
昂貴的醫療影像，

56
00:02:57,280 --> 00:02:59,336
我們反而從單一張醫療影像開始。

57
00:02:59,360 --> 00:03:03,136
從這張影像，我和我的團隊
想出了一個非常聰明的方法

58
00:03:03,160 --> 00:03:05,896
來取出數十億個資訊封包。

59
00:03:05,920 --> 00:03:09,616
這些資訊封包包括用
顏色、像素、幾何學，

60
00:03:09,640 --> 00:03:12,176
在醫療影像上呈現疾病。

61
00:03:12,200 --> 00:03:16,536
在某種意義上，我們是把一張影像
轉變為數十億個訓練資料點，

62
00:03:16,560 --> 00:03:20,096
大大減少了訓練所需要的資料量。

63
00:03:20,120 --> 00:03:21,336
至於第二個目標，

64
00:03:21,360 --> 00:03:25,216
也就是減少使用昂貴的
醫療成像技術來篩選病人，

65
00:03:25,240 --> 00:03:29,316
我們一開始使用的是
一張病人的標準白光照片，

66
00:03:29,336 --> 00:03:32,456
可以用數位單眼相機或手機來拍攝。

67
00:03:32,480 --> 00:03:34,936
接著，還記得
那數十億個資訊封包嗎？

68
00:03:34,960 --> 00:03:38,496
我們將那些來自醫療影像的
封包疊到這張影像上，

69
00:03:38,520 --> 00:03:41,040
創造出我們所謂的合成影像。

70
00:03:41,480 --> 00:03:44,776
很讓我們驚訝的是，
我們只需要五十張——

71
00:03:44,800 --> 00:03:46,356
我重覆一次，只要五十張——

72
00:03:46,380 --> 00:03:50,000
這種合成影像，就能把我們的
演算法訓練到很高效能的程度。

73
00:03:50,680 --> 00:03:52,016
總結一下我們的方法，

74
00:03:52,040 --> 00:03:55,216
我們不需要使用一萬張
非常昂貴的醫療影像，

75
00:03:55,240 --> 00:03:58,476
我們現在可以用非正統的方法
來訓練人工智慧演算法，

76
00:03:58,496 --> 00:04:02,536
只要用五十張高解析度的
一般標準照片，

77
00:04:02,560 --> 00:04:05,056
用數位單眼相機或手機來拍攝即可，

78
00:04:05,080 --> 00:04:06,616
這樣就能提供出診斷結果。

79
00:04:06,640 --> 00:04:07,856
更重要的是，

80
00:04:07,880 --> 00:04:11,016
在未來，甚至在現在，
我們的演算法能接受

81
00:04:11,040 --> 00:04:13,856
病人非常簡單的白光照片，

82
00:04:13,880 --> 00:04:16,320
取代昂貴的醫療成像技術。

83
00:04:17,120 --> 00:04:20,216
我相信我們已經準備好
要進入一個新時代，

84
00:04:20,240 --> 00:04:22,176
在這個時代，人工智慧

85
00:04:22,200 --> 00:04:24,736
將會對我們的未來有很大的衝擊。

86
00:04:24,760 --> 00:04:27,216
想想傳統人工智慧，

87
00:04:27,240 --> 00:04:30,016
它在資料上很豐富，
但在應用上很有限，

88
00:04:30,040 --> 00:04:31,576
我們應該要持續思考

89
00:04:31,600 --> 00:04:34,616
有沒有其他非正統的
人工智慧架構，

90
00:04:34,640 --> 00:04:36,576
能夠接受更少量的資料，

91
00:04:36,600 --> 00:04:39,350
並解決一些現今我們
面臨最重要的問題，

92
00:04:39,380 --> 00:04:41,016
特別是健康照護問題。

93
00:04:41,036 --> 00:04:42,316
非常謝謝。

94
00:04:42,336 --> 00:04:45,920
（掌聲）