Hoe kunstmatige intelligentie diagnoses vergemakkelijkt

De huidige KI-algoritmen vereisen tienduizenden dure medische beelden om de ziekte van een patiënt te detecteren. Wat als we de hoeveelheid gegevens die nodig zijn om een KI te trainen drastisch kunnen verminderen en zo diagnoses goedkoper en effectiever maken? TED Fellow Pratik Shah werkt aan een slim systeem om precies dat te doen. Met behulp van een onorthodoxe KI-benadering heeft Shah een technologie ontwikkeld die slechts 50 foto's nodig heeft om een werkalgoritme te ontwikkelen. Ze kan zelfs foto's, die op mobiele telefoons van artsen zijn gemaakt, gebruiken om een diagnose te stellen. Leer meer over hoe deze nieuwe soort medische-informatie-analyse zou kunnen leiden tot vroegtijdige detectie van levensbedreigende ziekten en hoe ze KI-geassisteerde diagnose wereldwijd naar meer zorginstellingen zou kunnen brengen.

Computeralgoritmen verrichten
vandaag ongelooflijke taken

met een hoge nauwkeurigheid,
op grote schaal,

met behulp van mensachtige intelligentie.

Deze intelligentie van computers
wordt vaak aangeduid als KI

of kunstmatige intelligentie.

KI zal in de toekomst

een ongelooflijke invloed
op ons leven gaan hebben.

Vandaag echter worden we nog steeds
geconfronteerd met grote uitdagingen

in het opsporen en diagnosticeren

van diverse levensbedreigende ziekten,

zoals infectieziekten en kanker.

Duizenden patiënten per jaar

verliezen hun leven als gevolg
van lever- en mondkanker.

De beste manier
om deze patiënten te helpen

zijn vroegtijdige opsporing
en diagnose van deze ziekten.

Dus, hoe sporen we
vandaag deze ziekten op,

en kan kunstmatige intelligentie
daarbij helpen?

Bij patiënten waar, helaas,
deze ziekten worden vermoed,

bestelt een deskundige arts eerst

zeer dure medische
beeldvormingstechnieken

zoals fluorescerende
beeldvorming, CT en MRI.

Zodra die beelden zijn verzameld, stelt
een andere deskundige arts een diagnose

aan de hand van die beelden
en praat met de patiënt.

Zoals je ziet, komt er
veel kijken bij dit proces:

twee expert artsen,
dure medische beeldvormingstechniek.

Het wordt niet beschouwd
als praktisch voor de derde wereld.

In feite evenmin in veel
geïndustrialiseerde landen.

Kunnen we dit probleem oplossen
met behulp van kunstmatige intelligentie?

Als ik vandaag de traditionele
KI- platforms moest gebruiken

voor het oplossen van dit probleem,

zouden 10.000 --

ik herhaal: ongeveer 10.000
zeer dure medische beelden

moeten worden gegenereerd.

Daarna zou ik
een deskundige arts opzoeken

die die beelden dan
voor mij zou analyseren.

Met die twee stukken informatie

kan ik een standaard diep neuraal netwerk
of een diep-leren-netwerk trainen

om de patiënt te diagnosticeren.

Vergelijkbaar met de eerste benadering

lijden traditionele kunstmatige
intelligentie benaderingen

aan het zelfde probleem:

massa’s data, deskundige artsen
en deskundige medische beeldvorming.

Kunnen wij meer schaalbare, effectievere

en waardevollere kunstmatige
intelligentie platforms bedenken

om de zeer belangrijke
problemen op te lossen

waar wij vandaag voor staan?

Dat is precies wat mijn groep
bij MIT Media Lab doet.

We hebben een scala
aan onorthodoxe KI-platforms uitgevonden

voor het oplossen van enkele
van de belangrijkste huidige uitdagingen

in medische beeldvorming
en klinische proeven.

In het voorbeeld van vandaag
hadden we twee doelstellingen.

Ons eerste doel was het verminderen
van het aantal afbeeldingen

nodig om KI-algoritmen te trainen.

Ons tweede doel --
we werden ambitieuzer,

was beperking van het gebruik
van dure medische beeldtechniek

om patiënten te screenen.

Hoe deden wij dat?

Voor ons eerste doel

begonnen we niet met tienduizenden
van deze zeer dure medische beelden,

zoals bij traditionele KI,

maar met één enkel medisch beeld.

Uitgaande van dit beeld
bedachten mijn team en ik

een slimme manier om er miljarden
informatiepakketten uit te halen.

Deze informatiepakketten bevatten
kleuren, pixels, geometrie

en weergave van de ziekte
op het medische beeld.

In zekere zin zetten we één afbeelding om
in miljarden datapunten voor training,

en verminderden drastisch de benodigde
hoeveelheid data voor de training.

Ons tweede doel was:

minder dure, medische beeldtechnologieën
om patiënten te screenen.

We startten
met een standaard, wit-licht-foto,

van een digitale spiegelreflexcamera
of een mobiele telefoon, van de patiënt.

Herinner je je die miljarden
informatiepakketten?

We combineerden
die van het medische beeld met dit beeld,

en creëerden iets dat we
een composietafbeelding noemen.

Zeer tot onze verbazing
hadden we slechts 50 --

Ik herhaal, slechts 50 --

van deze samengestelde afbeeldingen nodig

om onze algoritmen
tot hoge rendementen te trainen.

Om onze aanpak samen te vatten:

in plaats van met 10.000
zeer dure medische beelden,

kunnen we nu de KI-algoritmen trainen
op een onorthodoxe manier,

met behulp van slechts 50 van deze
hoge resolutie, maar standaard, foto's,

van DSLR camera's en mobiele telefoons,

en diagnose aanbieden.

Nog belangrijker:

onze algoritmen kunnen,
in de toekomst en zelfs nu al,

werken met enkele zeer eenvoudige,
wit-licht-foto's van de patiënt,

in plaats met dure medische
beeldvormende technieken.

Ik denk dat we op de drempel staan

van een tijdperk
waarin de kunstmatige intelligentie

een ongelooflijke invloed
op onze toekomst gaat hebben.

En op het gebied van traditionele KI,

die data-rijk, maar applicatie-arm is,

moeten we blijven denken
aan onorthodoxe KI-architecturen,

die met kleine hoeveelheden data

een aantal van de belangrijkste problemen
van vandaag kunnen oplossen,

met name in de gezondheidszorg.

Veel dank.

(Applaus)