چطور هوش مصنوعی تشخیص بیماری را آسان‌تر می‌کند
متن سخنرانی :
امروز الگوریتم‌های کامپیوتریدر حال انجام وظایفی باورنکردنی هستند با دقت بالا، در ابعاد عظیم،با استفاده از هوش شبه انسانی. و به این هوش کامپیوترهامعمولا AI گفته می‌شود یا هوش مصنوعی. هوش مصنوعی به وجود آمده تا تاثیر شگرفیدر زندگی آینده ما داشته باشد. با این وجود امروزه هنوزبا چالش‌های بزرگی روبرو هستیم در شناسایی و تشخیص چندین بیماری خطرناک، مانند بیماری‌های عفونی و سرطان. هر سال هزاران بیمار جان خود را به خاطر سرطان کبدیا دهان از دست می‌دهند.بهترین روش ما برای کمک به این بیماران شناسایی و تشخیص زودهنگاماین بیماری‌ها است. خوب امروز چطور این بیماری‌ها را شناساییمی‌کنیم، و آیا هوش مصنوعی می‌تواند کمک کند؟ در بیمارانی که، متاسفانه،مشکوک به این بیماری‌ها هستند، پزشک متخصص ابتدا دستور می‌دهد تصویربرداری‌های پزشکی بسیار گرانی مانند تصویربرداری فلوئورسانت،سی‌تی و ام‌آر‌آی انجام شوند. بعد از گرفتن آن تصویرها، پزشک متخصص دیگری با آن تصاویرتشخیص می‌دهد و با بیمار صحبت می‌کند. و می‌بینید که این فرایندیبسیار هزینه‌بر است، و هم به پزشکان متخصص نیاز دارد، و همفناوری‌های گران‌قیمت تصویربرداری پزشکی، و برای کشورهای در حال توسعهکاربردی تلقی نمی‌شود. و البته برای بسیاری ازکشورهای صنعتی هم به همچنین.
پس می‌توانیم این مشکل رابا هوش مصنوعی حل کنیم؟ امروز، اگر می‌خواستمبا معماری‌های هوش مصنوعی سنتی این مشکل را حل کنم، به ۱۰٫۰۰۰ -- تکرار می‌کنم، لازم بود اول چیزی حدود۱۰٫۰۰۰ از این تصویرهای بسیار گران گرفته شوند. پس از آن، پیش یک متخصص می‌رفتم، تا آن تصاویر را برای من تحلیل کند. و با استفاده از این دو اطلاعات، می‌توانم یک شبکه عصبی عمیق استانداردیا یک شبکه یادگیری عمیق بسازم که تشخیص را برای بیماران انجام دهد. مشابه روش اول، روش‌های هوش مصنوعی سنتی هم از مشکلات مشابهی رنج می‌برند. میزان زیادی اطلاعات، پزشکان متخصصو فناوری‌های تصویربرداری تخصصی پزشکی.
خوب، آیا می‌توانیم معماری‌های هوش مصنوعی مقیاس‌پذیرتر، موثرترو باارزش‌تری ایجاد کنیم که این مشکلات بسیار مهمکه امروز پیش روی ما هستند را حل کنند؟ و این دقیقا کاری است که گروه مندر آزمایشگاه رسانه MIT انجام می‌دهد. ما گونه‌های مختلف نامعمولیاز معماری هوش مصنوعی اختراع کرده‌ایم تا بعضی از مهم‌ترین چالش‌های امروزی پیش رو در تصویربرداری پزشکیو آزمایش‌های بالینی را حل کنیم.
در مثالی که امروز با شمامطرح کردم، دو هدف داشتیم. هدف اول کاهش تعداد تصاویر مورد نیاز برای آموزشبه الگوریتم‌های هوش مصنوعی بود. هدف دوم -- جاه‌طلب‌تر شدیم، می‌خواستیم استفاده از فناوری‌های گرانتصویربرداری پزشکی را هم برای بررسی بیماران کاهش دهیم. خوب چطور این کار را کردیم؟
برای هدف اول‌مان، به جای شروع با ده‌ها هزار تصویر گران‌قیمت پزشکی مثل هوش مصنوعی سنتی، با یک تصویر پزشکی شروع کردیم. از این تصویر، من و گروهم روشی هوشمندانه برای استخراج میلیاردهابسته اطلاعات پیدا کردیم. این بسته‌های اطلاعاتشامل رنگ، پیکسل، هندسه و ترجمه بیماری روی تصویر پزشکی بود. به بیانی، ما یک عکس را به میلیاردهانقطه اطلاعاتی آموزشی تبدیل کردیم، که به طور قابل توجهی میزاناطلاعات لازم برای آموزش را کاهش داد.
برای هدف دوم‌مان، برای کاهش استفاده از فناوری‌های تصویربرداریگران‌قیمت پزشکی برای بررسی بیماران، ما با یک عکس استانداردبا نور سفید شروع کردیم، که با یک دوربین DSLRیا دوربین گوشی از بیمار گرفته شده بود. بعد، آن میلیاردها بستهاطلاعاتی را یادتان هست؟ ما آنها را از تصویر پزشکیروی این عکس انداختیم، تا چیزی بسازیم که به آنتصویر مرکب می‌گوییم. در عین ناباوری، فقط به ۵۰ عکس -- تکرار می‌کنم، فقط ۵۰ -- از این عکس‌های ترکیبی را برای آموزشالگوریتم‌مان برای بازدهی بالا نیاز داشتیم.
برای خلاصه کردن روش‌مان، به جای استفاده از ۱۰٫۰۰۰عکس پزشکی خیلی گران، حالا می‌توانیم الگوریتم هوش مصنوعی رابه روشی نامعمول آموزش دهیم، با استفاده از فقط ۵۰ عکسرزولوشن بالا، اما استاندارد، که با دوربین DSLRو گوشی موبایل گرفته شده است، و تشخیص را انجام دهیم. مهم‌تر اینکه، الگوریتم ما می‌تواند، در آینده و حتی حالا، عکس‌های بسیار سادهنور سفید از بیمار را بپذیرد، به جای فناوری‌های گران تصویربرداری پزشکی.
من بر این باورمکه در حال ورود به دورانی هستیم که هوش مصنوعی تاثیری باورنکردنی بر آینده خواهد گذاشت. و من فکر می‌کنم که در کنارفکر کردن به هوش مصنوعی سنتی، که اطلاعات زیادی می‌خواهداما کارایی کمی دارد، همچنین باید به معماری‌های هوش مصنوعی نامعمول فکر کنیم، که می‌توانند میزان کمی اطلاعات بگیرند و بعضی از مهم‌ترین مشکلات امروزیپیش روی ما را حل کنند، مخصوصا در زمینه مراقبت‌های بهداشتی.
خیلی متشکرم.
(متشکرم)
