Cum facilitează inteligenţa artificială diagnosticarea bolilor

Astăzi, algoritmii IA necesită zeci de mii de imagini medicale scumpe pentru a detecta boala unui pacient. Cum ar fi dacă am putea reduce drastic cantitatea de date necesară pentru instruirea unei IA, care să reducă și să eficientizeze costurile diagnosticării? TED Fellow Pratik Shah lucrează la un sistem inteligent pentru a face acest lucru. Folosind o abordare IA neortodoxă, Shah a dezvoltat o tehnologie care necesită doar 50 de imagini pentru a realiza un algoritm de lucru, și chiar poate folosi fotografiile făcute cu telefoanele mobile ale doctorilor pentru a stabili un diagnostic. Aflați mai multe despre felul în care acest nou mod de a analiza informațiile medicale ar putea duce la detectarea precoce a bolilor care pun viața în pericol și ar putea aduce diagnosticul asistat de IA la mai multe setări în domeniul sănătății în întreaga lume.

În prezent, algoritmii îndeplinesc
sarcini incredibile

cu mare acuratețe, la o scară enormă,
având o inteligență ca cea a oamenilor.

Aceasta inteligență a computerelor
e adesea denumită IA

sau inteligență artificială.

IA va avea un impact incredibil
asupra vieților noastre în viitor.

Astăzi, totuși, încă ne confruntăm
cu provocări enorme

în detectarea și diagnosticarea
câtorva boli care pun viețile în pericol,

cum ar fi bolile infecțioase și cancerul.

În fiecare an, mii de pacienți

își pierd viața din cauza
cancerului de ficat sau oral.

Cea mai bună metodă
de a ajuta acești pacienți

este să performăm o diagnosticare
și o detectare precoce a acestor boli.

Așadar, cum detectăm aceste boli astăzi
și cum ne poate ajuta IA?

Pacienților care, din păcate, sunt
suspectați de una dintre aceste boli,

un medic specialist cere prima oară

tehnologii medicale de imagistică
foarte scumpe,

cum ar fi imagistica fluorescentă,
CT, RMN.

Odată ce sunt colectate aceste imagini,

un alt medic specialist interpretează
aceste imagini și vorbește cu pacientul.

După cum vedeți, este un proces
care presupune multe resurse,

necesitând medici specialiști
și tehnologie medicală imagistică scumpă,

și nu este considerat practic
pentru lumea în curs de dezvoltare.

De fapt, și în multe țări industrializate.

Deci, putem rezolva această problemă
folosind inteligența artificială?

Astăzi, dacă ar fi să folosim
arhitectura tradițională a IA

pentru a rezolva problema,

aș avea nevoie de 10.000 --

repet, la un ordin de 10.000
din aceste imagini medicale foarte scumpe

să fie generate mai întâi.

După aceea, m-aș duce
la un medic specialist,

care ar analiza acele imagini pentru mine.

Și folosind aceste informații,

pot pregăti o rețea standard neurală
profundă sau o rețea de învățare profundă

pentru a stabili diagnosticul pacientului.

Similar cu prima abordare,

abordările tradiționale ale IA

prezintă aceeași problemă.

Cantitate mare de date, medici specialiști
și tehnologii imagistice de specialitate.

Deci, putem inventa
arhitecturi artificiale inteligente

mai accesibile, mai eficiente
și mai valoroase

pentru a rezolva aceste probleme
cu care ne confruntăm astăzi?

Și asta e exact cu ce se ocupă grupul meu
de la MIT Media Lab.

Am inventat o varietate
de arhitecturi IA neortodoxe

pentru a rezolva câteva provocări
cu care ne confruntăm astăzi

în imagistica medicală
și studiile clinice.

În exemplul pe care vi l-am arătat azi,
am avut două țeluri.

Primul țel a fost să reducem
numărul imaginilor

care se cer pentru a antrena
algoritmii inteligenței artificiale.

Al doilea țel - suntem și mai ambițioși,

am vrut să reducem uzul de tehnologie
imagistică medicală scumpă

pentru a consulta pacienții.

Cum am făcut-o?

Pentru primul nostru țel,

în loc să începem cu zeci și mii

de imagini medicale foarte scumpe
cum e tradiționala IA,

am început cu o singură imagine medicală.

Din această imagine, eu și echipa mea
am găsit o cale isteață

de a extrage miliarde de pachete
de informații.

Aceste pachete de informații includ
culori, pixeli, geometrie

și redarea bolii în imaginea medicală.

Într-un sens, am convertit o imagine
în miliarde de puncte de formare,

reducând masiv cantitatea de date
necesară pentru pregătire.

Pentru al doilea țel,

reducerea utilizării
de tehnologie medicală imagistică scumpă

pentru a examina pacienții,

s-a început cu fotografie
standard de lumină albă,

achiziționată fie de la camera DSLR
sau de la telefonul mobil al pacientului.

Rețineți acele miliarde
de pachete de informații?

Le-am suprapus pe acelea din imaginea
medicală pe această imagine,

creând ceva ce numim o imagine compusă.

Spre surprinderea noastră,
am avut nevoie de doar 50 -

repet, doar 50 -

de astfel de imagini compuse
ca să facem algoritmul mai eficient.

Ca să rezum,

în loc de 10.000 de imagini
medicale foarte scumpe,

acum putem antrena algoritmii IA
într-un mod neortodox,

folosind doar 50 de fotografii standard
de rezoluție mare,

achiziționate de la camere DSLR
și telefoane mobile,

și putem stabili diagnostice.

Mai important,

algoritmii noștri pot accepta,
în viitor sau chiar și acum,

fotografii foarte simple
cu lumină albă, de la pacient,

în loc de tehnologie medicală
imagistică foarte scumpă.

Cred că suntem pregătiți
pentru a intra într-o eră

în care inteligența artificială

o să aibă un impact incredibil
asupra viitorului nostru.

Cred că, gândindu-ne la IA tradițională,

care e bogată în date,
dar săracă în aplicații,

ar trebui să continuăm să ne gândim

la aceste neortodoxe arhitecturi
de inteligență artificială,

care pot accepta mici cantități de date

și pot rezolva câteva dintre problemele
cu care ne confruntăm,

în special în domeniul sănătății.

Vă mulțumesc foarte mult.

(Aplauze)