< Return to Video

Hogyan könnyíti meg a mesterséges intelligencia a betegségek diagnosztizálását?

  • 0:01 - 0:05
    Napjaink számítógépes algoritmusai
    hihetetlen feladatokat végeznek el
  • 0:05 - 0:10
    kiemelkedő pontossággal, óriási léptékben,
    szinte emberi intelligenciával.
  • 0:10 - 0:13
    Ezt a számítógépes intelligenciát
    gyakran MI-nek,
  • 0:13 - 0:16
    vagyis mesterséges
    intelligenciának nevezik.
  • 0:16 - 0:20
    Várhatóan hihetetlen hatása lesz
    jövőbeli életünkre.
  • 0:21 - 0:25
    Jelenleg azonban még kemény
    kihívásokkal nézünk szembe
  • 0:25 - 0:28
    számos halálos betegség,
    például fertőző kórok és rák
  • 0:28 - 0:31
    felismerésében és diagnosztizálásában.
  • 0:32 - 0:34
    Évente betegek ezrei halnak meg
  • 0:34 - 0:37
    májrákban és szájrákban.
  • 0:38 - 0:41
    Akkor tudunk legjobban segíteni azoknak,
  • 0:41 - 0:45
    akik ezektől szenvednek, ha időben
    felismerjük és diagnosztizáljuk a kórt.
  • 0:46 - 0:50
    De hogyan ismerjük fel ezeket napjainkban,
    és hogyan segíthet ebben az MI?
  • 0:52 - 0:56
    Azoknál a betegeknél,
    akiknél sajnos felmerül a kór gyanúja,
  • 0:56 - 0:58
    egy szakorvos mindenekelőtt
  • 0:58 - 1:01
    nagyon drága orvosi képalkotó
    eljárást rendel el,
  • 1:01 - 1:05
    például fluoreszcens képalkotó eljárást,
    CT-, MRI-vizsgálatokat.
  • 1:05 - 1:07
    A képek ismeretében
  • 1:07 - 1:12
    egy másik szakorvos felállítja
    a diagnózist, és beszél a beteggel.
  • 1:13 - 1:16
    Mint látják, ez hatalmas
    erőforrásigényű folyamat,
  • 1:16 - 1:20
    mely kétféle szakorvost és drága
    orvosi képalkotó eljárásokat igényel,
  • 1:20 - 1:24
    ami a fejlődő világban
    nagyon nehezen biztosítható.
  • 1:24 - 1:27
    Valójában ez a helyzet számos
    iparilag fejlett országban is.
  • 1:28 - 1:31
    Megoldható-e ez a probléma
    mesterséges intelligenciával?
  • 1:32 - 1:35
    A mai hagyományos MI-rendszerekkel
  • 1:35 - 1:37
    a probléma megoldásához mindenekelőtt
  • 1:37 - 1:39
    tízezres – ismétlem:
  • 1:39 - 1:43
    tízezres nagyságrendű ilyen drága
  • 1:43 - 1:44
    orvosi képre lenne szükségem.
  • 1:44 - 1:47
    Ezután szakorvoshoz fordulnék,
  • 1:47 - 1:49
    aki kielemezné nekem ezeket a képeket.
  • 1:50 - 1:52
    Majd ezzel a két információval
  • 1:52 - 1:55
    betaníthatok egy szokványos mély
    neurális hálót vagy mélytanulási hálót
  • 1:55 - 1:57
    a beteg diagnózisának felállításához.
  • 1:57 - 1:59
    Az első megközelítéshez hasonlóan,
  • 1:59 - 2:02
    a hagyományos MI-megközelítések is
  • 2:02 - 2:04
    ugyanazzal a problémával küszködnek.
  • 2:04 - 2:07
    Hatalmas adatmennyiség, szakorvosok
    és orvosi képalkotó technológiák.
  • 2:08 - 2:13
    Kitalálhatunk-e méretezhetőbb,
  • 2:13 - 2:16
    hatékonyabb és értékesebb
    MI-architektúrákat
  • 2:16 - 2:19
    ezeknek az előttünk álló,
    nagyon fontos problémák megoldására?
  • 2:19 - 2:22
    Csapatom jelenleg épp ezen fáradozik
    az MIT Media Labnál.
  • 2:22 - 2:26
    Feltaláltunk több rendhagyó
    MI-architektúrát,
  • 2:26 - 2:29
    hogy az orvosi képalkotásban
    és klinikai kísérletekben előttünk álló
  • 2:29 - 2:32
    legfontosabb kihívások
    egy részére válaszolni tudjunk.
  • 2:32 - 2:36
    Az előbb bemutatott példa megoldására
    két célt ki tűztünk ki.
  • 2:36 - 2:39
    Első célkitűzésünk az volt,
    hogy csökkentsük
  • 2:39 - 2:42
    az MI-algoritmusok betanításához
    szükséges képek számát.
  • 2:42 - 2:44
    Második célunk – még többet akartunk -
  • 2:44 - 2:47
    csökkenteni a betegek
    átvizsgálásához szükséges,
  • 2:47 - 2:49
    drága orvosi képalkotó
    technológiák használatát.
  • 2:49 - 2:50
    Hogyan oldottuk ezt meg?
  • 2:51 - 2:52
    Első célkitűzésünkhöz
  • 2:52 - 2:54
    egyetlen orvosi képet fogtunk,
  • 2:54 - 2:57
    nem pedig tízezernyi nagyon drága képet,
  • 2:57 - 2:59
    mint a hagyományos MI esetében.
  • 2:59 - 3:03
    Csapatom és én nagyon frappáns módot
    találtunk ki arra, hogy ebből a képből
  • 3:03 - 3:06
    milliárdnyi információs
    csomagot vonjunk ki.
  • 3:06 - 3:10
    Az információs csomagok tartalma:
    színek, képpontok, geometria,
  • 3:10 - 3:12
    és a betegség leképezése
    az orvosi képre.
  • 3:12 - 3:17
    Bizonyos értelemben több milliárd betanító
    adatponttá konvertáljuk ezt az egy képet,
  • 3:17 - 3:20
    jelentősen csökkentve a betanításhoz
    szükséges adatmennyiséget.
  • 3:20 - 3:22
    Második célkitűzésünkhöz,
    a betegek szűréséhez használt
  • 3:22 - 3:25
    drága orvosi képalkotó technológiák
    alkalmazásának csökkentéséhez
  • 3:25 - 3:28
    közönséges fényképet készítettünk
    nappali fényben,
  • 3:28 - 3:32
    tükörreflexes fényképezőgéppel
    vagy mobiltelefonnal.
  • 3:32 - 3:35
    Aztán emlékeznek arra a több milliárdnyi
    információcsomagra?
  • 3:35 - 3:38
    Azokat ráfektettük
    az orvosi képről erre a képre,
  • 3:39 - 3:41
    és úgynevezett összetett képet
    alkottunk belőlük.
  • 3:41 - 3:45
    Nagy meglepetésünkre
    ötven ilyen összetett kép
  • 3:45 - 3:47
    elég volt ahhoz – mondom: csak ötven –,
  • 3:47 - 3:50
    hogy igen nagy hatékonysággal
    betanítsuk ezeket az algoritmusokat.
  • 3:50 - 3:52
    Megközelítésünk összefoglalva:
  • 3:52 - 3:55
    tízezer nagyon drága orvosi kép
    felhasználása helyett
  • 3:55 - 3:58
    szokatlan módon taníthatjuk be
    az MI-algoritmusokat,
  • 3:58 - 4:02
    mindössze 50 darab nagy felbontású,
    tükörreflexes géppel
  • 4:02 - 4:05
    vagy mobiltelefonnal készített,
    közönséges fotóval,
  • 4:05 - 4:07
    és így állítjuk fel a diagnózist.
  • 4:07 - 4:08
    Még fontosabb,
  • 4:08 - 4:11
    hogy algoritmusaink a jövőben is,
    de már jelenleg is tudnak fogadni
  • 4:11 - 4:14
    nagyon egyszerű, nappali fényben
    készült fotókat a betegtől,
  • 4:14 - 4:16
    kiváltva a drága orvosi
    képalkotó eljárásokat.
  • 4:17 - 4:20
    Hiszem: készen állunk arra,
    hogy olyan korba lépjünk,
  • 4:20 - 4:22
    ahol a mesterséges intelligencia
  • 4:22 - 4:25
    hihetetlen hatással lesz a jövőre.
  • 4:25 - 4:27
    És szerintem, ahogy
    a hagyományos MI-re gondolunk,
  • 4:27 - 4:30
    ami adatokban gazdag,
    ám alkalmazásokban szegény,
  • 4:30 - 4:32
    tovább kell gondolkodnunk
  • 4:32 - 4:35
    a nem szokványos MI-architektúrákról,
  • 4:35 - 4:37
    amik kis adatmennyiséggel is képesek
  • 4:37 - 4:40
    kezelni és megoldani az előttünk álló
    legfontosabb problémákat,
  • 4:40 - 4:41
    különösen az egészségügyben.
  • 4:41 - 4:42
    Nagyon szépen köszönöm.
  • 4:42 - 4:46
    (Taps)
Title:
Hogyan könnyíti meg a mesterséges intelligencia a betegségek diagnosztizálását?
Speaker:
Pratik Shah
Description:

A jelenlegi MI-algoritmusok több tízezer drága orvosi kép alapján tudják csak felismerni a betegek kórképét. Mi lenne, ha drasztikusan csökkenthetnénk az adatmennyiséget, ami szükséges egy MI kiképzéséhez, hogy olcsón és hatékony módon állíthasson fel diagnózisokat? A TED-Fellow Pratik Shah egy intelligens rendszeren dolgozik ennek megvalósításán. Szokatlan MI-megközelítéssel kifejlesztett egy technológiát, ami alig 50 kép alapján képes működő algoritmust kifejleszteni – és akár az orvos mobilkamerájával készített fotó alapján is képes diagnózist felállítani. Hallgassuk meg az előadást, amiből részletesen megtudhatjuk: az orvosi információ elemzésének új módszere hozzásegíthet ahhoz, hogy hamarabb ismerhessük fel a halálos betegségeket, és MI-vel támogatott diagnózis felállításával világszerte tökéletesíthetjük az egészségügyi ellátást.
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
04:59

Hungarian subtitles

Revisions Compare revisions

Our website uses cookies for analysis purposes.