Wie KI es leichter macht, Krankheiten zu diagnostizieren

Die heutigen KI-Algorithmen benötigen zehntausende teure medizinische Bilder, um die Krankheit eines Patienten zu entdecken. Was, wenn wir die Menge der Daten zum Training der KI drastisch reduzieren könnten, um so die Diagnosen günstig und viel effektiver zu machen? TED-Fellow Pratik Shah arbeitet an einem schlauen System, um genau das zu machen. Durch die Nutzung einer ungewöhnlichen KI-Methode hat Shah eine Technologie entwickelt, die gerade einmal 50 Bilder benötigt, um einen funktionierenden Algorithmus zu entwickeln -- und auch Bilder der Handykamera eines Arztes nutzen kann, um eine Diagnose zu stellen. Erfahren Sie mehr darüber, wie diese neue Art medizinische Daten zu analysieren zu einer früheren Erkennung lebensbedrohlicher Krankheiten führen könnte und KI-unterstützte Diagnosen zu mehr medizinischen Einrichtungen weltweit bringen könnte.

Heute verrichten Computeralgorithmen
unglaubliche Aufgaben

mit großer Präzision, von enormem Umfang,
durch menschenähnliche Intelligenz.

Diese Intelligenz von Computern
wird oft als KI bezeichnet

oder künstliche Intelligenz.

KI wird eine unglaubliche Auswirkung
auf unser Leben in der Zukunft zu haben.

Heute stehen wir jedoch
enormen Herausforderungen gegenüber

beim Erkennen und der Diagnose von
einigen lebensgefährlichen Krankheiten,

so wie Infektionskrankheiten und Krebs.

Jedes Jahr verlieren tausende Patienten

ihr Leben wegen Leber- und Mundkrebs.

Unser bester Weg,
diesen Patienten zu helfen,

ist eine Früherkennung und Diagnose
dieser Krankheiten durchzuführen.

Wie entdecken wir also diese Krankheiten
und kann künstliche Intelligenz helfen?

Bei Patienten mit Verdacht
auf eine solche Krankheit

weist ein Facharzt zuerst

sehr teure Technologien der Bilddiagnose

wie fluoreszierende Bildgebung,
CTs, MRTs, zur Ausführung an.

Sobald diese Bilder gesammelt worden sind,

macht ein anderer Experte die Bilddiagnose
und spricht mit dem Patienten.

Wie Sie sehen, ist dies ein sehr
ressourcenintensiver Prozess,

der sowohl Fachärzte als auch
teure Bildgebungsverfahren benötigt

und für Entwicklungsländer
als ungeeignet angesehen wird.

Und im Grunde auch
in vielen Industrieländern.

Können wir also dieses Problem lösen,
indem wir künstliche Intelligenz nutzen?

Wenn ich heute traditionelle Architektur
künstlicher Intelligenz nutzen würde,

um dieses Problem zu lösen,

würde ich 10.000 brauchen --

Ich wiederhole, etwa 10.000 von
diesen sehr teuren medizinischen Bildern

müssen zuerst erstellt werden.

Danach ginge ich zu einem Facharzt,

der für mich diese Bilder
analysieren würde.

Indem ich diese zwei Informationen nutze,

kann ich ein normales
"Deep Learning"-Netzwerk trainieren,

Diagnosen für Patienten zu erstellen.

Ähnlich wie beim ersten Ansatz

leiden Ansätze traditioneller KI
unter dem gleichen Problem.

Große Datenmengen, Fachärzte
und High-Tech in der Bilddiagnostik.

Können wir also skalierbare, effektivere

und wertvollere Architekturen
künstlicher Intelligenz erfinden,

um diese sehr wichtigen Probleme zu lösen,
vor denen wir heute stehen?

Genau das macht meine Gruppe
beim MIT Media Lab.

Wir erfanden eine Reihe an
unorthodoxen KI-Architekturen,

um einige der wichtigsten
Herausforderungen

bei Bilddiagnostik und
klinischen Prozessen zu lösen.

In dem Beispiel, das ich heute nannte,
hatten wir zwei Ziele.

Unser erstes Ziel war es,
die Anzahl der Bilder zu reduzieren,

die benötigt werden,
um KI-Algorithmen zu trainieren.

Unser zweites Ziel war ambitionierter,

nämlich den Einsatz
der teuren Bilddiagnose zu reduzieren,

um die Patienten zu screenen.

Wie haben wir das gemacht?

Für unser erstes Ziel haben wir,

statt wie traditionelle KI

mit Tausenden dieser sehr teuren
medizinischen Bilder zu starten,

mit einem einzelnen
medizinischen Bild angefangen.

Von diesem Bild aus fanden mein Team
und ich einen cleveren Weg,

Milliarden dieser
Informationspakete zu extrahieren.

Diese Informationspakete beinhalteten
Farben, Pixel, Geometrie

und die Darstellung der Krankheiten
auf den medizinischen Bildern.

Wir haben quasi ein Bild
in Milliarden Trainingsdaten gewandelt

und die Datenmenge massiv reduziert,
die für das Training benötigt wird.

Für unser zweites Ziel, die Nutzung

teurer medizinischer Bildtechnologien
beim Screening zu verringern,

starteten wir mit einer
normalen Weißlichtaufnahme,

aufgenommen mit einer DSLR Kamera oder
mit einer Telefonkamera für den Patienten.

Erinnern Sie sich an
die Milliarden Informationspakete?

Wir haben diese mit den
medizinischen Bildern überlagert

und etwas erschaffen,
das wir Verbund-Bild nennen.

Zum unserem großen Erstaunen
benötigten wir nur 50 --

Ich wiederhole, nur 50 --

dieser Verbund-Bilder, um die Algorithmen
auf hohe Effizienz zu bringen.

Zusammenfassend gesagt:

anstatt 10,000 dieser
sehr teuren Bilder zu verwenden,

können wir nun die KI-Algorithmen
auf unkonventionelle Art trainieren,

indem wir nur 50 dieser
hochauflösenden Standard-Fotos verwenden,

die von DSLR-Kameras und Mobiltelefonen
aufgenommen worden sind,

und Diagnosen erstellen.

Wichtiger noch,

unsere Algorithmen können
in der Zukunft und sogar schon jetzt,

ein paar simple Weißlichtaufnahmen
des Patienten annehmen,

anstelle von teuren
medizinischen Bildtechnologien.

Ich glaube, dass wir jetzt
in eine Ära gelangen,

wo künstliche Intelligenz

eine unglaubliche Auswirkung
auf unsere Zukunft hat.

Und ich glaube, dass wir neben
dem Nachdenken über traditionelle KI,

die reich an Daten,
aber arm an Anwendungen ist,

wir auch weiter nachdenken sollten

über ungewöhnliche KI-Architekturen,

die kleine Mengen an Daten
akzeptieren können

und ein paar der wichtigsten Probleme,
vor denen wir stehen, lösen kann,

insbesondere im Gesundheitswesen.

Vielen Dank.

(Applaus)