WEBVTT

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，

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。

00:00:09.920 --> 00:00:13.856
這種電腦的智慧通常被稱為 AI，

00:00:13.880 --> 00:00:15.736
也就是人工智慧。

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。

00:00:20.880 --> 00:00:24.816
然而我們現今仍然面臨很大的挑戰，

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，

00:00:28.360 --> 00:00:30.720
比如感染性疾病以及癌症。

00:00:32.000 --> 00:00:34.296
每年，有數千名病人

00:00:34.320 --> 00:00:37.120
因為肝癌或口腔癌而喪命。

NOTE Paragraph

00:00:37.880 --> 00:00:40.576
若要幫助這些病人的最好方法

00:00:40.600 --> 00:00:44.920
就是早期偵測並診斷出這些疾病。

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？

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，

00:00:55.600 --> 00:00:58.256
專業的醫生首先會囑咐

00:00:58.280 --> 00:01:00.896
採用非常昂貴的醫療成像技術，

00:01:00.920 --> 00:01:05.016
例如螢光成像、
電腦斷層掃瞄、核磁共振。

00:01:05.040 --> 00:01:07.336
一旦收集到了這些影像，

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。

00:01:12.520 --> 00:01:15.976
不難看出，這是非常耗資源的過程，

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，

00:01:20.440 --> 00:01:23.536
而這在開發中國家是不實際的；

00:01:23.560 --> 00:01:26.920
事實上，在許多工業化的國家亦然。

NOTE Paragraph

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？

00:01:31.840 --> 00:01:35.896
現今，若我要用傳統人工智慧架構

00:01:35.920 --> 00:01:37.136
來解決這個問題，

00:01:37.160 --> 00:01:38.616
我會需要一萬——

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

00:01:42.680 --> 00:01:44.056
先被產生出來。

00:01:44.080 --> 00:01:46.976
產生出來後，接著去找專業醫生，

00:01:47.000 --> 00:01:49.496
來為我分析這些影像。

00:01:49.520 --> 00:01:51.616
用這兩種資訊，

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

00:01:55.320 --> 00:01:57.456
來提供對病人的診斷。

00:01:57.480 --> 00:01:59.216
和第一個方法很類似，

00:01:59.240 --> 00:02:01.383
傳統人工智慧方法

00:02:01.407 --> 00:02:02.856
也會遇到同樣的問題。

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。

NOTE Paragraph

00:02:08.320 --> 00:02:12.616
我們是否能發明
更有擴展性、更有效，

00:02:12.640 --> 00:02:15.936
且更有價值的人工智慧架構，

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？

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。

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

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

00:02:29.440 --> 00:02:31.640
所面臨的一些最重要的挑戰。

NOTE Paragraph

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。

00:02:35.560 --> 00:02:38.536
我們的第一個目標是要減少

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。

00:02:41.840 --> 00:02:43.936
我們的第二個目標——
我們的野心更大，

00:02:43.960 --> 00:02:47.696
我們想要減少使用昂貴醫療成像技術

00:02:47.720 --> 00:02:48.936
來篩選病人。

00:02:48.960 --> 00:02:50.160
我們要怎麼做？

NOTE Paragraph

00:02:50.920 --> 00:02:52.136
針對第一個目標，

00:02:52.160 --> 00:02:54.216
不像傳統人工智慧一開始

00:02:54.240 --> 00:02:57.256
要用到數萬張非常
昂貴的醫療影像，

00:02:57.280 --> 00:02:59.336
我們反而從單一張醫療影像開始。

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

00:03:03.160 --> 00:03:05.896
來取出數十億個資訊封包。

00:03:05.920 --> 00:03:09.616
這些資訊封包包括用
顏色、像素、幾何學，

00:03:09.640 --> 00:03:12.176
在醫療影像上呈現疾病。

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，

00:03:16.560 --> 00:03:20.096
大大減少了訓練所需要的資料量。

NOTE Paragraph

00:03:20.120 --> 00:03:21.336
至於第二個目標，

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，

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，

00:03:29.336 --> 00:03:32.456
可以用數位單眼相機或手機來拍攝。

00:03:32.480 --> 00:03:34.936
接著，還記得
那數十億個資訊封包嗎？

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，

00:03:38.520 --> 00:03:41.040
創造出我們所謂的合成影像。

00:03:41.480 --> 00:03:44.776
很讓我們驚訝的是，
我們只需要五十張——

00:03:44.800 --> 00:03:46.356
我重覆一次，只要五十張——

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。

NOTE Paragraph

00:03:50.680 --> 00:03:52.016
總結一下我們的方法，

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，

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，

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，

00:04:02.560 --> 00:04:05.056
用數位單眼相機或手機來拍攝即可，

00:04:05.080 --> 00:04:06.616
這樣就能提供出診斷結果。

00:04:06.640 --> 00:04:07.856
更重要的是，

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

00:04:11.040 --> 00:04:13.856
病人非常簡單的白光照片，

00:04:13.880 --> 00:04:16.320
取代昂貴的醫療成像技術。

NOTE Paragraph

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，

00:04:20.240 --> 00:04:22.176
在這個時代，人工智慧

00:04:22.200 --> 00:04:24.736
將會對我們的未來有很大的衝擊。

00:04:24.760 --> 00:04:27.216
想想傳統人工智慧，

00:04:27.240 --> 00:04:30.016
它在資料上很豐富，
但在應用上很有限，

00:04:30.040 --> 00:04:31.576
我們應該要持續思考

00:04:31.600 --> 00:04:34.616
有沒有其他非正統的
人工智慧架構，

00:04:34.640 --> 00:04:36.576
能夠接受更少量的資料，

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，

00:04:39.380 --> 00:04:41.016
特別是健康照護問題。

NOTE Paragraph

00:04:41.036 --> 00:04:42.316
非常謝謝。

NOTE Paragraph

00:04:42.336 --> 00:04:45.920
（掌聲）