< Return to Video

כיצד בינה מלאכותית מקלה על אבחון מחלות

  • 0:01 - 0:05
    כיום, אלגוריתמים ממוחשבים
    מבצעים פעולות מדהימות
  • 0:05 - 0:10
    ברמת דיוק גבוהה, בכמויות נרחבות
    בעזרת חיקוי של חכמת בני אדם.
  • 0:10 - 0:14
    וה״חכמה״ הזו של המחשבים
    מתוארת פעמים רבות כב״מ
  • 0:14 - 0:16
    או בינה מלאכותית.
  • 0:16 - 0:20
    ב״מ מיועדת לייצר השפעה עצומה
    על החיים שלנו בעתיד.
  • 0:21 - 0:25
    למרות זאת, היום,
    אנו עדיין מתמודדים עם אתגרים כבדים
  • 0:25 - 0:28
    באיתור ואבחון של
    מספר מחלות מסכנות חיים,
  • 0:28 - 0:31
    כמו מחלות מדבקות וסרטן.
  • 0:32 - 0:34
    אלפי מטופלים מדי שנה
  • 0:34 - 0:37
    מאבדים את חייהם
    עקב סרטן הכבד והפה.
  • 0:38 - 0:41
    הדרך הטובה ביותר לעזור לאותם המטופלים
  • 0:41 - 0:45
    היא איתור ואבחון מוקדם
    של המחלות האלו.
  • 0:46 - 0:50
    אז כיצד אנו מאתרים את המחלות האלו היום,
    ואיך בינה מלאכותית יכולה לעזור?
  • 0:52 - 0:56
    למטופלים אשר, לצערנו הרב,
    אנו חושדים שחולים באחת מן המחלות,
  • 0:56 - 0:58
    רופא מומחה יזמין דבר ראשון
  • 0:58 - 1:01
    הדמיות רפואיות
    בטכנולוגיות יקרות מאוד
  • 1:01 - 1:05
    כגון רנטגן פלואורוסנטי,
    סי-טי, אמ-אר-איי.
  • 1:05 - 1:07
    ברגע שההדמיות נאספות,
  • 1:07 - 1:12
    רופא מומחה נוסף מאבחן
    את ההדמיות ומשוחח עם המטופל.
  • 1:13 - 1:16
    כפי שאתם רואים, מדובר
    בתהליך הדורש משאבים רבים,
  • 1:16 - 1:20
    ביניהם שני רופאים מומחים,
    טכנולוגיות הדמיה רפואית יקרות,
  • 1:20 - 1:24
    ותהליך זה לא נחשב יעיל
    ביחס לעולם המתפתח.
  • 1:24 - 1:27
    למעשה, אפילו ביחס
    להרבה מדינות מפותחות.
  • 1:28 - 1:31
    אז, האם ניתן לפתור את הבעיה
    בעזרת בינה מלאכותית?
  • 1:32 - 1:36
    כיום, אם הייתי משתמש
    בשיטות בינה מלאכותית מסורתיות
  • 1:36 - 1:37
    לפתרון הבעיה,
  • 1:37 - 1:39
    נדרשים לי 10,000--
  • 1:39 - 1:43
    אני חוזר, סדר גודל של 10,000
    הדמיות רפואיות יקרות
  • 1:43 - 1:44
    לשלב הראשוני.
  • 1:44 - 1:47
    לאחר מכן, אצטרך להפגש
    עם רופא מומחה,
  • 1:47 - 1:49
    אשר יצטרך לנתח
    את ההדמיות האלו עבורי.
  • 1:50 - 1:52
    ובעזרת שתי פיסות המידע האלו,
  • 1:52 - 1:55
    אני יכול לאמן רשת נוירונים סטנדרטית
    או רשת למידה
  • 1:55 - 1:57
    על למנת לספק אבחנה למטופל.
  • 1:57 - 1:59
    בדומה לגישה הראשונה,
  • 1:59 - 2:01
    גישות מסורתיות
    לבינה מלאכותיתֿ
  • 2:01 - 2:03
    סובלות מאותה הבעיה.
  • 2:03 - 2:07
    כמויות גדולות של מידע, רופאים מומחים
    וטכנולוגיות הדמיה רפואית מתוחכמות.
  • 2:08 - 2:13
    מכאן, האם ניתן להמציא פתרון מדרגי, יעיל
  • 2:13 - 2:16
    וליצור מערכות בינה מלאכותית
    בעלות ערך גדול יותר
  • 2:16 - 2:19
    לפתרון בעיות חשובות מסוג זה
    עמן אנו מתמודדים כיום?
  • 2:19 - 2:22
    וזה בדיוק
    מה שהקבוצה שלי עושה.
  • 2:22 - 2:26
    המצאנו מגוון
    מערכות בינה מלאכותית חדשניות
  • 2:26 - 2:29
    על מנת לפתור כמה מהאתגרים
    החשובים ביותר עמם אנו מתמודדים כיום
  • 2:29 - 2:32
    בהדמיה רפואית וניסויים קליניים.
  • 2:32 - 2:36
    בעזרת הדוגמה ששיתפתי איתכם היום
    הצבנו שתי מטרות.
  • 2:36 - 2:39
    המטרה הראשונה היא לצמצם
    את מספר ההדמיות
  • 2:39 - 2:42
    הנדרשות על מנת לאמן
    אלגוריתם של בינה מלאכותית.
  • 2:42 - 2:44
    המטרה השניה -- הייתה לנו יותר תעוזה,
  • 2:44 - 2:48
    רצינו לצמצם את השימוש
    בטכנולוגיות הדמיה רפואית יקרות
  • 2:48 - 2:49
    בשביל לסנן מטופלים.
  • 2:49 - 2:50
    כיצד עשינו זאת?
  • 2:51 - 2:52
    עבור המטרה הראשונה,
  • 2:52 - 2:54
    במקום להתחיל
    בעשרות אלפים
  • 2:54 - 2:57
    מן ההדמיות היקרות הללו,
    כמו בינה מלאכותית מסורתית,
  • 2:57 - 2:59
    התחלנו מהדמיה בודדת.
  • 2:59 - 3:03
    בעזרת אותה ההדמיה, הצוות ואני
    מצאנו שיטה חכמה
  • 3:03 - 3:06
    לאסוף ביליונים
    של מנות מידע.
  • 3:06 - 3:10
    מנות המידע האלו
    כללו צבעים, פיקסלים, גאומטריה
  • 3:10 - 3:12
    והתרגום של המחלה
    על ההדמיה הרפואית.
  • 3:12 - 3:17
    בצורה מסוימת, המרנו הדמיה אחת
    לביליונים של נתונים ללמידה,
  • 3:17 - 3:20
    תוך צמצום אדיר של כמות המידע
    הנדרש ללמידה.
  • 3:20 - 3:21
    עבור המטרה השנייה,
  • 3:21 - 3:25
    צמצום של השימוש בטכנולוגיות
    הדמיה רפואית לסינון מטופלים,
  • 3:25 - 3:28
    התחלנו בצילום תמונה סטנדרטית,
  • 3:28 - 3:32
    הנלקחה ממצלמת DSLR
    או טלפון סלולרי, עבור המטופל.
  • 3:32 - 3:35
    ואז, זוכרים את
    ביליוני מנות המידע?
  • 3:35 - 3:38
    החלנו אותן מההדמיה הרפואית
    על גבי התמונה שצילמנו,
  • 3:39 - 3:41
    ויצרנו דבר
    שקראנו לו תמונה מרוכבת.
  • 3:41 - 3:45
    למרבה ההפתעה,
    נדרשו לנו רק 50--
  • 3:45 - 3:46
    אני חוזר, רק 50--
  • 3:46 - 3:50
    מהתמונות המרוכבות הללו על מנת לאמן
    את האלגוריתמים שלנו ברמת דיוק גבוהה.
  • 3:51 - 3:52
    לסיכום הגישה שלנו,
  • 3:52 - 3:55
    במקום להשתמש ב10,000
    הדמיות רפואיות יקרות,
  • 3:55 - 3:58
    אנו מסוגלים כעת לאמן אלגוריתמים של ב״מ
    בצורה לא מסורתית,
  • 3:58 - 4:03
    על ידי שימוש ב 50 תמונות סטנדרטיות
    באיכות גבוהה
  • 4:03 - 4:05
    שנלקחו בעזרת מצלמות DSLR
    ומכשירים סלולריים,
  • 4:05 - 4:07
    ולספק אבחנה.
  • 4:07 - 4:08
    חשוב מכך,
  • 4:08 - 4:11
    האלגוריתמים שלנו מסוגלים לקלוט,
    בעתיד ואפילו עכשיו,
  • 4:11 - 4:14
    גם תמונות פשוטות של המטופל,
  • 4:14 - 4:16
    במקום הדמיות רפואיות
    בטכנולוגיות יקרות.
  • 4:17 - 4:20
    אני מאמין כי אנו עומדים
    להכנס לעידן
  • 4:20 - 4:22
    בו בינה מלאכותית
  • 4:22 - 4:25
    הולכת לייצר השפעה עצומה
    על העתיד שלנו.
  • 4:25 - 4:27
    ואני חושב שתוך חשיבה
    על ב״מ מסורתית,
  • 4:27 - 4:30
    אשר עשירה בנתונים אך חלשה ביישום,
  • 4:30 - 4:32
    עלינו להמשיך לחשוב
  • 4:32 - 4:35
    על שיטות חדשניות
    ליצירת בינה מלאכותית
  • 4:35 - 4:37
    אשר יכולות לעבוד עם כמות קטנה של מידע
  • 4:37 - 4:40
    ולפתור כמה מן הבעיות
    החשובות ביותר מולן אנו עומדים היום,
  • 4:40 - 4:41
    בייחוד ברפואה.
  • 4:41 - 4:42
    תודה רבה לכם.
  • 4:42 - 4:46
    (מחיאות כפיים)
Title:
כיצד בינה מלאכותית מקלה על אבחון מחלות
Speaker:
פראטיק שאה
Description:

כיום, אלגוריתמים של בינה מלאכותית דורשים עשרות אלפים של הדמיות רפואיות יקרות על מנת לאתר מחלה של מטופל. מה היה קורה אם היינו יכולם לצמצם משמעותית את כמות המידע הנדרש לאמן מערכת בינה מלאכותית, ובכך להפוך את תהליך האבחנה לזול ויעיל יותר? חבר טד פראטיק שאה מפתח מערכת חכמה שתעשה בדיוק את זה. על ידי שימוש בגישות חדשניות לבינה מלאכותית, שאה פיתח טכנולוגיה שדורשת 50 תמונות בלבד על מנת לפתח אלגוריתם מוצלח-- וניתן אפילו להשתמש בתמונות שצולמו מהמכשיר הנייד של הרופא על מנת לספק אבחנה. למדו כיצד השיטה החדשה לנתח מידע רפואי יכולה להוביל לאיתור מוקדם של מחלות מסכנות חיים ולהביא אבחון על ידי בינה מלאכותית למרכזים רפואיים בכל העולם.
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
04:59

Hebrew subtitles

Revisions

Our website uses cookies for analysis purposes.