字幕表 動画を再生する
Computer algorithms today are performing incredible tasks
翻訳: Yumi Urushihara 校正: Eriko T
with high accuracies, at a massive scale, using human-like intelligence.
現在のコンピューターアルゴリズムは 素晴らしい仕事をしています
And this intelligence of computers is often referred to as AI
人間のような知能を持ち 膨大なデータを 高い精度で処理しています
or artificial intelligence.
このコンピューターの知能は よく「AI」
AI is poised to make an incredible impact on our lives in the future.
あるいは「人工知能」と呼ばれます
Today, however, we still face massive challenges
AIは 人々の将来の暮らしに 素晴らしい影響を及ぼそうとしています
in detecting and diagnosing several life-threatening illnesses,
しかし 私達は今でも 感染症やがんなどの
such as infectious diseases and cancer.
命に関わる病気を 発見や診断をする際に
Thousands of patients every year
数多くの課題に直面しています
lose their lives due to liver and oral cancer.
毎年 何千人もの患者が
Our best way to help these patients
肝臓がんや口腔がんで 亡くなっています
is to perform early detection and diagnoses of these diseases.
これらの患者を救う 最善の方策は
So how do we detect these diseases today, and can artificial intelligence help?
がんの早期発見と診断を 行うことです
In patients who, unfortunately, are suspected of these diseases,
現在 病気はどう検出されているでしょう? AIは活用可能でしょうか?
an expert physician first orders
不幸にも 患者にこれらの 病気の疑いがある際には
very expensive medical imaging technologies
専門医が最初に指示するのは
such as fluorescent imaging, CTs, MRIs, to be performed.
蛍光イメージング、CT、MRIなどの
Once those images are collected,
とても高価な 医用画像技術の使用です
another expert physician then diagnoses those images and talks to the patient.
画像が集まったら
As you can see, this is a very resource-intensive process,
また別の専門医が画像を診断し 患者に診断を告げます
requiring both expert physicians, expensive medical imaging technologies,
お分かりのように この過程は 膨大なリソースを要します
and is not considered practical for the developing world.
2人の専門医、高価な医用画像技術
And in fact, in many industrialized nations, as well.
発展途上国では 実用的ではありません
So, can we solve this problem using artificial intelligence?
実際は 多くの先進国でも同じです
Today, if I were to use traditional artificial intelligence architectures
ではAIを使って この問題を 解決できるでしょうか?
to solve this problem,
現在 もし私が従来の AIの仕組みを使って
I would require 10,000 --
この問題を解決しようとしたなら
I repeat, on an order of 10,000 of these very expensive medical images
1万枚もの―
first to be generated.
繰り返しますが 万単位の とても高価な医用画像が
After that, I would then go to an expert physician,
まず必要になります
who would then analyze those images for me.
その後 私は 専門医のところに行き
And using those two pieces of information,
これらの画像を 分析してもらいます
I can train a standard deep neural network or a deep learning network
そして これら2つの 情報を用いて
to provide patient's diagnosis.
患者を診断するために 標準的な ディープニューラルネットワーク
Similar to the first approach,
または ディープラーニングネットワークに 学習させることができます
traditional artificial intelligence approaches
最初のアプローチと同じように
suffer from the same problem.
AIを使った従来のアプローチでは
Large amounts of data, expert physicians and expert medical imaging technologies.
同じ問題に突き当たります
So, can we invent more scalable, effective
膨大なデータ、専門医 専門医用画像技術
and more valuable artificial intelligence architectures
では より広めやすく、より効果的で
to solve these very important problems facing us today?
より価値のある AIを構築し
And this is exactly what my group at MIT Media Lab does.
現在私達が直面する 重要な課題を 解決することは可能でしょうか?
We have invented a variety of unorthodox AI architectures
それがまさに MITメディアラボで 私のグループが取り組んでいる内容です
to solve some of the most important challenges facing us today
現在 医用画像や臨床試験で直面する 最も重要な課題のいくつかを解決するために
in medical imaging and clinical trials.
いくつかの斬新な AIの仕組みを開発しました
In the example I shared with you today, we had two goals.
今日皆さんにお伝えした例では 2つの目標がありました
Our first goal was to reduce the number of images
最初の目標は AIのアルゴリズムの
required to train artificial intelligence algorithms.
学習に必要な画像の 枚数を減らすことでした
Our second goal -- we were more ambitious,
2つ目の目標は より野心的で
we wanted to reduce the use of expensive medical imaging technologies
患者をスクリーニングする際の 高価な医用画像技術の使用を
to screen patients.
減らしたいと考えました
So how did we do it?
私達は どう取り組んだでしょう?
For our first goal,
最初の目標については
instead of starting with tens and thousands
従来のAIのように
of these very expensive medical images, like traditional AI,
数万枚もの高価な医用画像から 取りかかるのではなく
we started with a single medical image.
1枚の医用画像から 始めることにしました
From this image, my team and I figured out a very clever way
私のチームは この画像から 何十億もの
to extract billions of information packets.
情報パケットを抽出する 賢い方法を見つけました
These information packets included colors, pixels, geometry
これら情報パケットに含まれるのは 色、画素、位置関係—
and rendering of the disease on the medical image.
そして医用画像に 病巣をレンダリングしたものです
In a sense, we converted one image into billions of training data points,
ある意味 1枚の画像を何十億もの 学習用データへ変換できたことで
massively reducing the amount of data needed for training.
学習に必要なデータ量の 大幅減が可能になりました
For our second goal,
二つ目の目標
to reduce the use of expensive medical imaging technologies to screen patients,
スクリーニングの目的で 高価な医用画像検査の使用を減らすために
we started with a standard, white light photograph,
患者のためにデジタル一眼レフカメラや 携帯電話で撮影された
acquired either from a DSLR camera or a mobile phone, for the patient.
標準的な白色光の写真から始めました
Then remember those billions of information packets?
先程の何十億もの 情報パケットを覚えていますか?
We overlaid those from the medical image onto this image,
医用画像から得たそれらの情報を この画像の上に重ね
creating something that we call a composite image.
いわゆる 合成写真を作りました
Much to our surprise, we only required 50 --
かなり驚いたことに わずか50枚で十分でした
I repeat, only 50 --
繰り返しますが わずか50枚の
of these composite images to train our algorithms to high efficiencies.
合成写真で 効率よくアルゴリズムに 学習させることができました
To summarize our approach,
私達のアプローチをまとめると
instead of using 10,000 very expensive medical images,
1万枚の とても高価な医用画像を 使うのではなく
we can now train the AI algorithms in an unorthodox way,
AIアルゴリズムを画期的な 方法で学習させることが可能になりました
using only 50 of these high-resolution, but standard photographs,
デジタル一眼レフカメラや 携帯電話で撮影した
acquired from DSLR cameras and mobile phones,
標準的な高解像度写真が たった50枚あれば
and provide diagnosis.
診断ができます
More importantly,
より重要なことに
our algorithms can accept, in the future and even right now,
私達のアルゴリズムは 将来 そして今でも
some very simple, white light photographs from the patient,
高価な医用画像技術ではなく 患者が持つ
instead of expensive medical imaging technologies.
ごくシンプルな 白色光写真を 活用できます
I believe that we are poised to enter an era
AIが私達の将来に 素晴らしい影響を及ぼす
where artificial intelligence
時代に入ろうとしていると
is going to make an incredible impact on our future.
私は考えています
And I think that thinking about traditional AI,
データはたくさんあれど 運用が不便だった
which is data-rich but application-poor,
従来のAIのことを考えると
we should also continue thinking
特に医療分野において
about unorthodox artificial intelligence architectures,
少量のデータを活用し
which can accept small amounts of data
私達が現在直面する
and solve some of the most important problems facing us today,
最も大切な課題を解決できる 斬新なAIの仕組みについて
especially in health care.
引き続き考えていくべきです
Thank you very much.
どうもありがとうございました
(Applause)
(拍手)