Yapay zekâ hastalık teşhisini nasıl kolaylaştırır
-
0:01 - 0:05Günümüzde bilgisayar algoritmaları
insansı zekâları kullanarak -
0:05 - 0:10Büyük ölçülerde, büyük ölçeklerde
harika işler yapabilmektedirler. -
0:10 - 0:14Ve bilgisayarların bu zekâlarına
çoğunlukla YZ -
0:14 - 0:16ya da "yapay zekâ" deniyor.
-
0:16 - 0:20YZ gelecekte hayatımıza muazzam bir etki
oluşturmaya hazır. -
0:21 - 0:25Fakat günümüzde hâlâ
bazı bulaşıcı hastalıklar ve kanserin -
0:25 - 0:28farkına varma ve teşhis koyma aşamalarında
-
0:28 - 0:31büyük zorluklar ile karşılaşıyoruz.
-
0:32 - 0:34Her yıl binlerce hasta,
-
0:34 - 0:37ağız ve karaciğer kanserinden
hayatını kaybediyor. -
0:38 - 0:41Onlara yardımı en iyi şekilde
-
0:41 - 0:45erken tanı ve teşhisle yapabiliriz.
-
0:46 - 0:48Peki günümüzde bu hastalıkları
nasıl teşhis ediyoruz? -
0:48 - 0:51Ve teşhiste yapay zekâ bize
yardımcı olabilir mi? -
0:52 - 0:56Hasta olduğundan şüphelenilen kişiler için
-
0:56 - 0:58uzman bir doktor öncelikle
-
0:58 - 1:01MR ve tomografi gibi yüksek maliyetli
teknolojik sistemlerden -
1:01 - 1:05görüntüleme testleri istemektedir.
-
1:05 - 1:07Sonuçlar alındıktan sonra
-
1:07 - 1:12başka bir uzman görüntüleri inceler
ve teşhisi hastaya bildirir. -
1:13 - 1:16Gördüğünüz gibi bu süreç
günümüz dünyasına uymayan bir şekilde -
1:16 - 1:20uzman hekimler,
pahalı tıbbi görüntüleme teknolojileri -
1:20 - 1:24gibi kaynaklara
fazlaca bağımlı bir süreçtir. -
1:24 - 1:27Maalesef ki sanayileşmiş ülkelerde de
durum aynı. -
1:28 - 1:31Peki bu problemi yapay zekâ kullanarak
çözebilecek miyiz? -
1:32 - 1:36Bugün bu sorunu
geleneksel yapay zekâ mimarileriyle -
1:36 - 1:37çözmek istersem eğer,
-
1:37 - 1:3910.000 adet
-
1:39 - 1:43evet tekrar ediyorum, 10.000 adet
görüntüyü bu pahalı sistemlerden -
1:43 - 1:44elde etmemiz gerekli.
-
1:44 - 1:47Sonra uzman bir hekime gitmem
ve onun bu görüntüleri -
1:47 - 1:49benim için analiz etmesi gerekli.
-
1:50 - 1:52Ve elde edilen bu iki bilgiyi kullanarak
-
1:52 - 1:55standart bir derin yapay sinir ağını
veya bir derin öğrenme ağını -
1:55 - 1:57hastanın tanısı için eğitebilirim.
-
1:57 - 1:59İlk yaklaşıma benzer şekilde,
-
1:59 - 2:01geleneksel yapay zekâ yaklaşımları
-
2:01 - 2:03aynı sorundan muzdariptir.
-
2:03 - 2:07Büyük miktarda veri, uzman hekimler
ve ileri tıbbi görüntüleme teknolojileri. -
2:08 - 2:12Peki şu anda karşılaştığımız
bu önemli sorunları çözmek adına -
2:12 - 2:16daha etkili, daha ölçeklenebilir
ve daha değerli -
2:16 - 2:19yapay zekâ mimarileri
geliştirebilir miyiz? -
2:19 - 2:22İşte grubumla MIT Medya Laboratuvarı'nda
yaptığımız şey tam olarak bu. -
2:22 - 2:25Günümüzde klinik deneylerde karşılaşılan
-
2:25 - 2:28bu bazı önemli sorunların çözümü için
-
2:28 - 2:32alışılmışın dışında çeşitli
YZ mimarileri oluşturduk. -
2:32 - 2:36Bugün sizinle paylaştığım örnekte,
iki hedefimiz vardı. -
2:36 - 2:39Birinci hedefimiz,
yapay zekâ algoritmalarını eğitmek için -
2:39 - 2:42gereken görüntü sayısını azaltmaktı.
-
2:42 - 2:44İkinci hedefimiz ise
daha iddialıydı: -
2:44 - 2:48Hastaları incelemek için gerekli
maliyeti yüksek görüntüleme sistemlerinin -
2:48 - 2:49kullanımını azaltmak.
-
2:49 - 2:50Peki bunu nasıl başardık ?
-
2:51 - 2:52İlk hedefimiz için öncelikle
-
2:52 - 2:54geleneksel yapay zekâda gerektiği gibi
-
2:54 - 2:57yüzlerce pahalı test yapmak yerine
-
2:57 - 2:59sadece bir tıbbi görüntü kullandık.
-
2:59 - 3:03Tek bir görüntüden, milyarlarca
veri paketi elde etmek için -
3:03 - 3:06ekibimle akıllı bir yöntem keşfettik.
-
3:06 - 3:08Bu bilgi paketlerinde,
renkler, pikseller, şekiller -
3:08 - 3:11ve hastalığın tıbbi görüntüsü
bulunuyordu. -
3:12 - 3:17Başka bir deyişle,
bir resmi milyarlarca -
3:17 - 3:20eğitim materyali hâline getirip
gereken veriyi büyük ölçüde azalttık. -
3:20 - 3:21İkinci hedefe gelince,
-
3:21 - 3:25hastaları görüntülemek için
kullanılan pahalı testler yerine, -
3:25 - 3:28cep telefonu veya DSLR kamera ile
-
3:28 - 3:32beyaz ışıkta çekilmiş
standart bir fotoğraf ile başladık. -
3:32 - 3:35Milyarlarca bilgi paketini
hatırladınız mı? -
3:35 - 3:38Bu fotoğrafı,
tıbbi testlerden elde edilen görüntülerle -
3:38 - 3:41üst üste birleştirerek,
"kompozit görüntü"yü elde ettik. -
3:41 - 3:45Asıl sürpriz,
yalnızca 50 kompozit görüntü -
3:45 - 3:46tekrar ediyorum, 50 adet ile
-
3:46 - 3:50algoritmalarımızı yüksek verimlilikte
eğitmemiz mümkün oldu. -
3:50 - 3:52Yaklaşımımızı özetleyecek olursak;
-
3:52 - 3:5510.000 yüksek maliyetli tıbbi görüntü
kullanmak yerine, -
3:55 - 3:58cep telefonu veya
DSLR kamerayla elde edilmiş -
3:58 - 4:03yalnızca 50 adet yüksek çözünürlükte
görüntü ile YZ algoritmalarını -
4:03 - 4:05hastalıklara teşhis koymak üzere
-
4:05 - 4:07yenilikçi bir yöntemle eğitebiliyoruz.
-
4:07 - 4:08Daha da önemlisi,
-
4:08 - 4:11bu algoritmayı kullanmak için,
gelecekte ve hatta şu anda, -
4:11 - 4:14yüksek maliyetli tıbbi
görüntüleme sistemleri yerine -
4:14 - 4:17hastaların sağlayacağı
basit fotoğraflar yeterli olacak. -
4:17 - 4:20Yapay zekânın geleceğimiz üzerinde
-
4:20 - 4:22müthiş etkiler yaratacağı
-
4:22 - 4:25bir çağa girmeye
hazır olduğumuza inanıyorum. -
4:25 - 4:28Bence, zengin veri isteyen
ve uygulamada zayıf kalan -
4:28 - 4:30geleneksel yapay zekâ yerine,
-
4:30 - 4:32az miktarda veriyle iş yapabilen
-
4:32 - 4:36ve günümüzde karşılaştığımız
zorlu sorunların bazılarını çözebilen -
4:36 - 4:39yenilikçi yapay zekâ
mimarilerini konuşmalıyız. -
4:39 - 4:41Özellikle de sağlık alanında.
-
4:41 - 4:42Çok teşekkür ederim.
-
4:42 - 4:46(Alkışlar)
- Title:
- Yapay zekâ hastalık teşhisini nasıl kolaylaştırır
- Speaker:
- Pratik Shah
- Description:
-
Bugünün yapay zekâ algoritmaları hastalıkları teşhiste, pahalı tıbbi görüntüleme cihazlarından elde edilen on binlerce görüntüye ihtiyaç duyuyor. Peki ya yapay zekâyı uğraştıran veri yükünün büyük bir kısmından kurtulsak ve tanı sürecini etkili ve düşük maliyetli hale getirsek nasıl olur? TED burslusu Pratik Shah bunu yapabilecek bir akıllı sistem üzerinde çalışıyor. Alışılmışın dışında bir yapay zekâ yaklaşımı kullanan Shah, hastalığın teşhisi için hastanın 50 adet gibi az sayıda fotoğrafıyla, ki bu fotoğraflar doktorların cep telefonuyla çekilmiş dahi olabilir, işleyebilen bir algoritma geliştirdi. Tıbbi bilgileri analiz etmede kullanılan bu yeni yöntemin, hayati risk içeren hastalıkların erken teşhisinde nasıl öncülük edebileceğini ve yapay zekâ destekli tanı programının dünyadaki sağlık birimlerinde daha fazla kullanılmasını sağlayabileceğini öğrenin.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 04:59
Meric Aydonat approved Turkish subtitles for How AI is making it easier to diagnose disease | ||
Meric Aydonat edited Turkish subtitles for How AI is making it easier to diagnose disease | ||
Figen Ergürbüz accepted Turkish subtitles for How AI is making it easier to diagnose disease | ||
Figen Ergürbüz edited Turkish subtitles for How AI is making it easier to diagnose disease | ||
Figen Ergürbüz edited Turkish subtitles for How AI is making it easier to diagnose disease | ||
E. Barış Öndeş edited Turkish subtitles for How AI is making it easier to diagnose disease | ||
E. Barış Öndeş edited Turkish subtitles for How AI is making it easier to diagnose disease | ||
Figen Ergürbüz declined Turkish subtitles for How AI is making it easier to diagnose disease |