Как изкуственият интелект ще направи диагностицирането на болести по-лесно?

Днес, алгоритмите за изкуствен интелект (AI) се нуждаят от хиляди скъпи медицински образи, за да диагностицират пациент. Какво би се случило, ако можехме значително да намалим количеството данни, необходими, за да бъде обучен изкуственият интелект, с което бихме направили диагнозите по-евтини и ефикасни? Пратик Шах работи върху умна система, която може да прави точно това. Използвайки нестандартен AI подход, Шах е развил технология, която изисква само 50 изображения, за да развие работещ алгоритъм и може да използва дори снимки, направени с телефона на лекар, за да предостави диагноза. Научете повече за това как този нов начин за анализ на медицинска информация може да доведе до ранно откриване на живото-застрашаващи болести и да разпространи диагностицирането, подпомогнато от изкуствен интелект до повече здравни места по света.

Компютърните алгоритми днес
изпълняват невероятни задачи

с висока точност и в огромен мащаб,
използвайки интелект, подобен на човешкия.

Този компютърен интелект
често бива наричан AI

или изкуствен интелект.

Изкуственият интелект е на път да окаже невероятно въздействие върху нашия живот в бъдещето.

Днес, обаче, все още сме изправени
пред огромни предизвикателства

при откриването и диагностицирането
на няколко живото-застрашаващи заболявания,

като например
инфекциозните заболявания и рака.

Хиляди пациенти всяка година

губят живота си поради
рак на черния дроб и на устната кухина.

Най-добрият начин
да помогнем на тези пациенти

е ранното откриване
и диагностициране на тези заболявания.

Как откриваме тези заболявания днес и би
ли могъл изкуственият интелект да помогне?

При пациентите, при които, за съжаление,
има съмнение за такава болест,

лекарят специалист първо предписва

много скъпи медицински образни технологии,
като например

флуоресцентни образи,
компютърна томография, магнитен резонанс.

Когато образите са готови,

друг специалист ги използва за
диагностициране и ги обсъжда с пациента.

Както виждате,
този процес изисква много ресурси -

експерти и скъпи медицински технологии,

и не е практичен в развиващите се страни.

В интерес на инстината, също така и
в много индустрализирани страни.

Можем ли да разрешим този проблем,
използвайки изкуствен интелект?

Ако трябва да използвам традиционната
архитектура за изкуствен интелект,

за да реша този проблем,

ще са ми необходими 10 000,

повтарям 10 000 от тези скъпи
медицински образи,

които трябва да бъдат генерирани.

След това, ще трябва да отида
при специалист,

който ще анализира тези образи.

С тези два вида информация,

мога да обуча стандартна дълбока невронна
мрежа или мрежа за дълбоко обучение,

за да предоставя диагноза на пациентите.

Както и при първия подход,

традиционните подходи,
включващи изкуствен интелект,

страдат от същия проблем.

Големи количества данни, специалисти и
специализирани технологии за медицински образи.

Можем ли да създадем по-достъпна,
ефективна

и стойностна архитектура за
изкуствен интелект,

за да се справим с тези сериозни
проблеми, с които се сблъскваме?

Това е задачата, с която се занимава
моята група в Медийната лаборатория

на Технологичния Институт в Масачузец.

Ние изобретихме различни
нестандартни AI архитектури,

за да решим най-сериозните
проблеми, с които се сблъскваме днес

във връзка с медицинските образи и
и клинични изпитвания.

Във връзка с примера, който споделих днес
с вас, ние имахме две цели.

Първата ни цел беше да намалим
броя изображения,

необходими, за да бъдат обучени
алгоритмите на изкуствения интелект.

Втората ни цел - по-амбициозна -

беше да намалим използването на
скъпа медицинска образна технология

за преглед на пациенти.

Как го направихме?

За първата ни цел,

вместо да започнем с десетки хиляди

от тези скъпи медицински образи,
както при традиционния изкуствен интелект,

започнахме с едно единствено
медицинско изображение,

От това изображение, моят екип и аз
намерихме оригинален начин,

за да извлечем милиарди
информационни пакети.

Тези информационни пакети
включваха цветове, пиксели, геометрия

и изобразяване на болестта
върху медицинския образ.

В известен смисъл, ние превърнахме
едно изображение в милиарди източници за обучение

и така намалихме количеството данни,
необходими за обучението.

За втората ни цел,

намаляването на използването на скъпи медицински
образни технологии за преглед на пациенти,

ние започнахме със стандартна снимка
с бяла светлина,

създадена или с DSLR фотоапарат,
или мобилен телефон, за пациента.

Помните ли онези милиарди
информационни пакети?

Насложихме ги върху тази снимка,

създавайки по този начин нещо,
което се нарича композитно ичображение.

За наша изненада се нуждаехме от само 50,

потварям, само 50

от тези композитни изображения,
за да обучим нашите алгоритми до висока ефективност.

За да обобщя нашия подход,

вместо да използваме 10 000
много скъпи медицински образи,

можехме да обучим AI алгоритмите
по нестандартен начин,

използвайки само 50 от тези стандартни
снимки с висока резолюция,

направени с DSLR фотоапарати и
мобилни телефони

и да предоставим диагноза.

Още по-важно,

нашите алгоритми могат да получат
в бъдещето и дори в момента,

много обикновени снимки
с бяла светлина от пациентите,

вместо скъпите
медицински образни технологии.

Вярвам, че сме на прага на епоха,

в която изкуственият интелект

ще има невероятно въздействие
върху бъдещето.

И смятам, че когато мислим
за традиционния изкуствения интелект,

който е богат на данни,
но беден на приложения,

ние също трябва да продължим да мислим

за нестандартни архитектури
за изкуствен интелект,

които могат да получават
малки количества данни

и да решават проблемите, с които
се сблъскваме днес,

особено свързани
със здравеопазването.

Благодаря ви много.

(Аплодисменти)