MIT实验室：仅仅使用50张图片 就能训练AI诊断疾病！

TED演讲实录（答魔社区：www.damor.cn 科研动态，资源干货，互动问答）

今天的计算机算法，正在使用类似人类的智能，大规模的执行具有高精度的，不可思议的任务。而这种计算机智能，通常被称为AI，或“人工智能”。人工智能有望在未来对我们的生活产生令人难以置信的影响。然而今天，在检测和诊断一些危及生命的疾病，比如传染病和癌症时，我们仍然面临着许多挑战。每年，数以千计的病人因患上肝癌和口腔癌失去生命。

帮助病人最好的方式就是对这些疾病进行早期检测和诊断。那么，今天我们如何检测这些疾病？AI可以提供帮助吗？对于被怀疑患有这些疾病的不幸人群，专家医师会先要求他们照射非常昂贵的医疗图像，例如荧光成像，CT，MRI等。收集到这些图像之后，另外的专家医师会进行诊断，并与患者交流。显而易见，这是个非常耗费资源的过程，需要两位专家医师和昂贵的医学成像技术。这在发展中国家并不实用，事实上，在许多工业化国家也是如此。

那么，我们能够用人工智能解决这个问题吗？目前，如果使用传统的人工智能架构来解决这个问题，我可能需要1万张——我重复一次，首先需要生成1万张这种非常昂贵的医学图像。之后，我会去找一位专业医师为我分析这些图像。利用这两种信息，我可以训练标准的深度神经网络，或深度学习网络对患者进行诊断。与第一步相似，传统人工智能方法遭遇了同样的问题：那就是需要大量的数据、专家医师和专业的医疗成像技术。

我们是否能够创造出一种规模更大、更有效率、同时更有价值的人工智能架构，来解决我们今天面临的这些重要问题呢？而这就是我们的团队在MIT媒体实验室所研究的内容。我们开发了各种新型AI架构，来解决一些我们当今在医疗成像和临床试验中面临的最重要的挑战。

手机辅助的增强疾病初级筛选模型（答魔社区：www.damor.cn 科研动态，资源干货，互动问答）

我今天分享的例子，包括了我们的两个目标。第一个目标，是减少用来训练人工智能算法所需要的图片数量。第二个，更大的目标，我们希望让患者减少使用昂贵的医疗成像技术。那么我们是怎样做的？

第一个目标，相比于传统AI从成千上万张昂贵的医疗图像开始，我们选择从单张图像开始。根据这张图片，我和团队想出了一种非常聪明的方法来提取数十亿个信息包。这些信息包包含颜色、像素、形态和疾病在医疗图像上的特征。这样一来，我们就将一张图像转换成了数十亿个训练数据点，需要训练的数据量就大大减少了。

第二个目标，是减少对患者使用医疗图成技术。最开始，我们会用数码单反相机或手机中的一张标准的白色光线照片。然后，还记得那数十亿个信息包吗？将这些医疗图像的信息包覆盖在这张图片上，这时我们就创建了一张合成图像。令人惊讶的是，我们只需要50张——强调一下，仅仅50张——这些复合图像，就能训练我们的算法提高效率。

使用白光图像进行荧光生物标记物和专家注释组合分类的机器学习（答魔社区：www.damor.cn 科研动态，资源干货，互动问答）

总结一下我们的方法，区别于用1万张昂贵的医疗图像训练AI算法，我们使用了一种全新的方式，只需要将数码相机或手机拍摄的50张高分辨率的标准照片，即可提供诊断。更重要的是，在未来，甚至现在，我们的算法可以接受一些患者自己拍摄的白光照片，来替代昂贵的医疗图像技术。

我相信，我们已经准备好进入这样一个时代，人工智能正在对我们的未来产生不可思议的影响。我也认为相比拥有丰富数据但应用困难的传统AI，我们应该不断思考非传统的人工智能架构。它们能够接受少量数据，并解决一些今天我们所面临的重要问题，特别是在医疗健康方面。

Pratik Shah博士在工程，医学成像，机器学习和医学之间创造了新的交叉点。他在麻省理工学院媒体实验室的研究项目开发了可扩展的低成本诊断和治疗方法。（答魔社区：www.damor.cn 科研动态，资源干货，互动问答）