Jak pomáhá umělá inteligence při diagnostikování nemoci

Současné algoritmy umělé inteligence potřebují desítky tisíc drahých zdravotnických snímků, aby mohly diagnostikovat pacientovo onemocnění. Co kdybychom dokázali drasticky snížit množství dat, které je zapotřebí k učení umělé inteligence a diagnostika by tak byla levnější a účinnější? Spolupracovník TED Pratik Shah pracuje na chytrém systému, který přesně toto dokáže. S využitím neortodoxního přístupu k umělé inteligenci vyvinul Shan technologii, která potřebuje k vytvoření fungujícího algoritmu a následné diagnostice nemoci pouze 50 obrázků a zároveň může používat fotografie v mobilním telefonu lékaře. Zjistěte, jak může tento nový způsob analýzy zdravotnických informací vést k dřívějšímu odhalení životu ohrožujících nemocí a rozšířit tak diagnostiku s využitím umělé inteligence do celého světa a pomoci zdravějšímu světu.

Počítačové algoritmy v současnosti
předvádí neuvěřitelné výkony

s vysokou přesností a v obrobském měřítku
díky inteligenci, která se podobá lidské.

Této inteligenci počítačů
se často říká AI,

neboli umělá inteligence.

AI je připravená mít v budoucnu
obrovský dopad na naše životy.

V současnosti ovšem stále
čelíme obrovským problémům

při rozpoznání a diagnostice
některých životu ohrožujících nemocí,

například infekční onemocnění a rakovina.

Tisíce pacientů ročně

umírá na rakovinu jater a ústní dutiny.

Pacientům můžeme nejlépe pomoci

brzkým rozpoznáním a diagnostikou
těchto nemocí.

Takže jak rozpoznáváme tyto nemoci dnes?
A může nám s tím umělá inteligence pomoci?

Pacienti, u kterých je bohužel
podezření na tyto nemoci,

nejprve podstoupí

velice drahá zobrazovací vyšetření,

například fluorescenční snímkování,
CT či magnetickou resonanci.

Jakmile se snímky vytvoří,

další lékař poté tyto snímky zhodnotí,
určí diagnózu a sdělí ji pacientovi.

Jak vidíte, je to velice náročný proces,

kde jsou zapotřebí specialisté a
drahé zobrazovací přístroje.

Tento postup tedy není vhodný
pro rozvojové země.

A není vlastně vhodný ani pro
mnoho industrializovaných zemí.

Jak tedy můžeme tento problém vyřešit
s umělou inteligenci?

Kdybych nyní na tento problém použil

tradiční architektury umělé inteligence,

potřeboval bych jich 10 000 --

Ano, nejrve bychom museli vytvořit

10 000 těchto drahých snímků.

Poté bych je zanesl specialistovi,

který by je vyhodnotil.

Pomocí těchto dvou informací mohu trénovat

standardní hluboké neuronové sítě
nebo sítě hlubokého učení,

zjistit pacientovu diagnózu.

Stejně jako první přístup

mají tradiční přístupy umělé inteligence

stejný problém.

Velké objemy dat, přítomnost specialistů
a specializovaných zobrazovacích zařízení.

Můžeme tedy vyvinout dokonalejší,

účinnější a hodnotnější architektury
umělé inteligence,

abychom tak vyřešili důležité problémy,
kterým nyní čelíme?

A to je přesně to, co dělá můj tým
při MIT Media Lab.

Vyvinuli jsme různé netradiční
architektury umělé inteligence,

abychom vyřešili ty největší
problémy, kterým nyní čelíme

při zobrazovacích a klinických testech.

U příkladu, který jsem vám dnes ukázal,
jsme měli dva cíle.

Naším prvním cílem bylo snížit
počet snímků,

které jsou zapotřebí pro vytrénování
algoritmů umělé inteligence.

Naším druhý cílel bylo -ambicióznějším -

menší využívání drahých
zdravotnických zobrazovacích technologií

ke screeningu pacientů.

Tak jak jsme to dokázali?

Pro náš první cíl,

namísto začínání s desítkami a tisíci
drahých zdravotnických snímků,

jako tradiční umělá inteligence,

začali jsme u jednoho
zdravotnického snímku.

Z tohoto snímku jsem spolu s týmem
dokázali chytře získat

miliardy informačních souborů.

Tyto soubory obsahují informace o
barvách, pixelech, uspořádání

a podobě nemoci
na zdravotnickém snímku.

Vlastně jsme jen změnili jeden obrázek
na miliardy zkušebních datových bodů,

což značně snížilo množství dat,
která jsou pro učení zapotřebí.

Pro náš druhý cil,

omezit využívání drahých zdravotnických
snímkovacích technologií,

jsme začali se standardní
fotografií s bílým světlem,

kterou jsme pořídili buď zrcadlovkou,
nebo mobilním telefonem.

Vzpomínáte si na ty miliardy
informačních souborů?

Vložili jsme zdravotnický snímek
na tento obrázek

a vytvořili něco, čemu
říkáme složený snímek.

K našemu překvapení jsme jich
potřebovali pouze 50.

Opravdu jen 50 těchto složených snímků,

aby byly naše algoritmy účinné.

Abych shrnul náš přístup,

nepoužíváme 10 000 drahých
zdravotnických snímků,

můžeme natrénovat AI algoritmy
neortodoxním způsobem,

z pouze 50 standardních fotografií
s vysokým rozlišením,

které jsme pořídili zrcadlovkou
nebo mobilem

a provedeme diagnózu.

Důležitější ovšem je,

že naše algoritmy budou moci
a již nyní mohou analyzovat

některé jednoduché, přirozeně
osvětlené fotografie pacienta,

namísto drahých zobrazovacích zařízení.

Věřím, že jsme připravení
vstoupit do doby,

kdy bude mít umělá inteligence

velký vliv na naši budoucnost.

A myslím si, že namísto
tradiční umělé inteligence,

která zpracovává velké objemy dat,
ale je málo využitelná,

bychom se měli zamyset

nad netradičními architekturami
umělé inteligence,

které potřebují pouze malé množství dat

a dokážou vyřešit některé z největších
problémů,

kterým nyní
ve zdravotnictví čelíme.

Děkuji vám.

(potlesk)