
Turkish: 
Çeviri: E. Barış Öndeş
Gözden geçirme: Figen Ergürbüz
Günümüzde bilgisayar algoritmaları 
insansı zekâları kullanarak
Büyük ölçülerde, büyük ölçeklerde 
harika işler yapabilmektedirler.
Ve bilgisayarların bu zekâlarına 
çoğunlukla YZ
ya da "yapay zekâ" deniyor.
YZ gelecekte hayatımıza muazzam bir etki 
oluşturmaya hazır.
Fakat günümüzde hâlâ
bazı bulaşıcı hastalıklar ve kanserin
farkına varma ve teşhis koyma aşamalarında
büyük zorluklar ile karşılaşıyoruz.
Her yıl binlerce hasta,
ağız ve karaciğer kanserinden 
hayatını kaybediyor.
Onlara yardımı en iyi şekilde
erken tanı ve teşhisle yapabiliriz.

Russian: 
Переводчик: Olenka Rasskazova 
Редактор: Yulia Kallistratova
Компьютерные алгоритмы сегодня 
выполняют невероятные задачи
с высокой точностью, в широких масштабах, 
используя похожий на людской интеллект.
Вычислительную способность 
компьютеров часто называют ИИ,
или искусственный интеллект.
ИИ окажет невероятное влияние
влияние на нашу будущую жизнь.
Однако мы по-прежнему 
сталкиваемся с серьёзными проблемами
в выявлении и диагностировании ряда 
опасных для жизни болезней,
таких как рак и инфекционные заболевания.
Тысячи пациентов каждый год
умирают из-за рака печени и полости рта.
Лучший способ помочь этим пациентам —
выявить и диагностировать 
заболевание на ранней стадии.

Kurdish: 
Translator: Qaiwan University
Reviewer: halo fariq
لە ئەمڕۆدا، ئەلگۆریتمی کۆمپیوتەرەکان
چەندین کاری سەرسوڕهێنەر دەکەن
،بە وردیەکی بەرز و پێوەرێکی باڵا
.و بە بەکارهێنانی ژیری مرۆڤئاسا
ئەم ژیرییەی کە کۆمپیوتەر هەیەتی
ناو دەبرێت بە -ئەی ئای
.یان ژیری دروستکراو
ئەی ئای - وا ئامادەکراوە کاریگەریەکی 
.گەورەی هەبێت لەسەر داهاتوومان
،بەڵام تا ئێستەش
چەندین بەربەستی گەورەمان لەبەردەمە
لە دۆزینەوە و دیاریکردنی
،چەندین نەخۆشی کوشندە
.وەک هەوکردن و شێرپەنجە
ساڵانە هەزاران نەخۆش
ژیانیان لەدەست دەدەن بەهۆی 
.شێرپەنجەی جگەر و ناودەم
باشترین ڕێگە بۆ یارمەتی ئەم نەخۆشانە
ئەوەیە هەوڵی دۆزینەوەی پێشوەختی
.ئەم نەخۆشیانە بدەین

iw: 
תרגום: Talia Breuer
עריכה: Ido Dekkers
כיום, אלגוריתמים ממוחשבים
מבצעים פעולות מדהימות
ברמת דיוק גבוהה, בכמויות נרחבות
בעזרת חיקוי של חכמת בני אדם.
וה״חכמה״ הזו של המחשבים
מתוארת פעמים רבות כב״מ
או בינה מלאכותית.
ב״מ מיועדת לייצר השפעה עצומה
על החיים שלנו בעתיד.
למרות זאת, היום,
אנו עדיין מתמודדים עם אתגרים כבדים
באיתור ואבחון של
מספר מחלות מסכנות חיים,
כמו מחלות מדבקות וסרטן.
אלפי מטופלים מדי שנה
מאבדים את חייהם
עקב סרטן הכבד והפה.
הדרך הטובה ביותר לעזור לאותם המטופלים
היא איתור ואבחון מוקדם
של המחלות האלו.

Galician: 
Translator: Mario Cal
Reviewer: Xusto Rodriguez
Hoxe en día, os algoritmos informáticos
realizan tarefas incribles
con gran precisión e a enorme escala,
amosando intelixencia similar á nosa.
A esta intelixencia informática 
chámaselle a miúdo IA,
é dicir, intelixencia artificial.
A IA está lista para ter no futuro
un impacto incrible nas nosas vidas.
Con todo, hoxe aínda temos que
enfrontarnos a enormes desafíos
para detectar e diagnosticar varias
enfermidades potencialmente mortais,
como as infecciosas ou o cancro.
Cada ano miles de pacientes
perden a vida a causa 
do cancro de fígado ou de boca.
O mellor modo de axudar a estes pacientes
é detectar e diagnosticar
a enfermidade en fases temperás.

Japanese: 
翻訳: Yumi Urushihara
校正: Eriko T
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
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
このコンピューターの知能は
よく「AI」
あるいは「人工知能」と呼ばれます
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
しかし 私達は今でも
感染症やがんなどの
命に関わる病気を
発見や診断をする際に
数多くの課題に直面しています
毎年 何千人もの患者が
肝臓がんや口腔がんで
亡くなっています
これらの患者を救う
最善の方策は
がんの早期発見と診断を
行うことです

Chinese: 
譯者: Lilian Chiu
審譯者: Helen Chang
現今的電腦演算法能夠執行
很了不起的工作任務，
有高度的精確性，規模可以很大，
且用的是類似人類的智慧。
這種電腦的智慧通常被稱為 AI，
也就是人工智慧。
人工智慧已經準備好要對
我們未來的生活造成衝擊。
然而我們現今仍然面臨很大的挑戰，
包括偵測與診斷數種
會威脅生命的疾病，
比如感染性疾病以及癌症。
每年，有數千名病人
因為肝癌或口腔癌而喪命。
若要幫助這些病人的最好方法
就是早期偵測並診斷出這些疾病。

Spanish: 
Traductor: Valentina Capra
Revisor: Lucía Rodríguez
Hoy, los algoritmos computacionales
pueden realizar tareas asombrosas
con gran precisión, a una escala enorme
y con inteligencia parecida a la humana.
Y esta inteligencia computacional
es a la que solemos llamar IA
o inteligencia artificial.
La IA está preparada para tener un gran
impacto en nuestras vidas en el futuro.
Hoy, sin embargo, todavía
nos enfrentamos a retos enormes
en cuanto a la detección y el diagnóstico
de varias enfermedades terminales,
como las enfermedades
contagiosas y el cáncer.
Cada año, miles de pacientes
pierden la vida a causa 
del cáncer hepático u oral.
La mejor forma de ayudar a estos pacientes
es realizar un diagnóstico precoz
de esas enfermedades.

Burmese: 
Translator: sann tint
Reviewer: Myo Aung
ယနေ့ ကွန်ပြူတာအယ်ဂိုရစ်သမ်ဟာ 
လူသားလို ဉာဏ်ရည်မျိုးသုံးကာ
မယုံနိုင်တဲ့အလုပ်တွေကို မြင့်မားတဲ့
တိကျမှုတွေနဲ့ ပမာဏများစွာ စွမ်းဆောင်နေတယ်။
ကွန်ပြူတာတွေရဲ့ ဒီဉာဏ်ရည်ကို
မကြာခဏတော့ AI (သို့) ဉာဏ်ရည်တုလို့
ရည်ညွှန်းပြောဆိုပါတယ်။
AI ဟာ အနာဂတ် ဘဝတွေအပေါ် မယုံနိုင်
တဲ့ သက်ရောက်မှုတစ်ခု လုပ်ပေးဖို့ အသင့်ပါ။
ဒါပေမဲ ယနေ့မှာတော့
ကူးစက်ရောဂါတွေနဲ့ ကင်ဆာလိုမျိုး
များစွာသော အသက်ဘေးခြိမ်းခြောက်တဲ့ 
နာမကျန်းမှုတွေကို ရှာဖွေ၊ဖော်ထုတ်ရာမှာ
ကြီးမားတဲ့ စိန်ခေါ်မှုတွေ ရင်ဆိုင်ရဆဲပါ။
နှစ်စဉ် ထောင်ချီတဲ့လူနာတွေဟာ အသည်း(သို့)
အာခေါင် ကင်ဆာတွေကြောင့် အသက်ဆုံးရှုံးရတယ်။
ဒီလူနာတွေကို ကူညီဖို့ ကျွန်တော်တို့
အကောင်းဆုံးနည်းလမ်းက
ဒီရောဂါတွေရကို ရှာဖွေမှု ၊တွေ့ရှိမှုကို
စောစော လုပ်ဆောင်ဖို့ပါ။

Italian: 
Traduttore: Gabriella Patricola
Revisore: Elisabetta Siagri
Oggi, gli algoritmi informatici
eseguono compiti incredibili
in modo estremamente accurato, 
su vasta scala,
simulando l'intelligenza umana.
A questa intelligenza dei computer,
ci si riferisce spesso come IA
o intelligenza artificiale.
Si ipotizza che l'intelligenza artificiale
avrà un ruolo incredibile in futuro.
Oggi, comunque, ci troviamo davanti
a sfide estremamente impegnative
nel riconoscere e diagnosticare
diverse malattie potenzialmente mortali,
come malattie infettive e cancro.
Migliaia di pazienti ogni anno,
muoiono per un tumore al fegato
o alla cavità orale.
Il modo migliore
per aiutare questi pazienti
è la prevenzione e diagnosi precoce
di queste malattie.

Bulgarian: 
Translator: Luba Aleksandrova
Reviewer: Darina Stoyanova
Компютърните алгоритми днес
изпълняват невероятни задачи
с висока точност и в огромен мащаб,
използвайки интелект, подобен на човешкия.
Този компютърен интелект
често бива наричан AI
или изкуствен интелект.
Изкуственият интелект е на път да окаже невероятно въздействие върху нашия живот в бъдещето.
Днес, обаче, все още сме изправени
пред огромни предизвикателства
при откриването и диагностицирането
на няколко живото-застрашаващи заболявания,
като например 
инфекциозните заболявания и рака.
Хиляди пациенти всяка година
губят живота си поради
рак на черния дроб и на устната кухина.
Най-добрият начин 
да помогнем на тези пациенти
е ранното откриване
и диагностициране на тези заболявания.

Hungarian: 
Fordító: Andi Vida
Lektor: Mihály Földvári
Napjaink számítógépes algoritmusai
hihetetlen feladatokat végeznek el
kiemelkedő pontossággal, óriási léptékben,
szinte emberi intelligenciával.
Ezt a számítógépes intelligenciát
gyakran MI-nek,
vagyis mesterséges
intelligenciának nevezik.
Várhatóan hihetetlen hatása lesz
jövőbeli életünkre.
Jelenleg azonban még kemény
kihívásokkal nézünk szembe
számos halálos betegség,
például fertőző kórok és rák
felismerésében és diagnosztizálásában.
Évente betegek ezrei halnak meg
májrákban és szájrákban.
Akkor tudunk legjobban segíteni azoknak,
akik ezektől szenvednek, ha időben
felismerjük és diagnosztizáljuk a kórt.

Vietnamese: 
Translator: Huu Nhat Tran
Các thuật toán của máy tính ngày nay
đang thực hiện những công việc phi thường
với độ chính xác cao ở qui mô lớn, 
giống như trí thông minh của con người.
Trí thông minh của máy tính vẫn
thường được gọi là AI
hay trí tuệ nhân tạo.
AI đã sẵn sàng tạo ra tác động đáng kể
đối với cuộc sống con người ở tương lai.
Tuy vậy, ngày nay chúng ta vẫn đang
đối đầu với những thách thức gian nan
trong việc xác định và chẩn đoán 
một số bệnh đe dọa mạng sống con người
như các bệnh truyền nhiễm và ung thư.
Mỗi năm có hàng ngàn người
đã chết vì ung thư gan và miệng.
Cách tốt nhất để chúng ta giúp họ
là phát hiện và chẩn đoán sớm
những căn bệnh này.

German: 
Übersetzung: Uwe Sprenk
Lektorat: Andreas Herzog
Heute verrichten Computeralgorithmen
unglaubliche Aufgaben
mit großer Präzision, von enormem Umfang,
durch menschenähnliche Intelligenz.
Diese Intelligenz von Computern
wird oft als KI bezeichnet
oder künstliche Intelligenz.
KI wird eine unglaubliche Auswirkung
auf unser Leben in der Zukunft zu haben.
Heute stehen wir jedoch
enormen Herausforderungen gegenüber
beim Erkennen und der Diagnose von
einigen lebensgefährlichen Krankheiten,
so wie Infektionskrankheiten und Krebs.
Jedes Jahr verlieren tausende Patienten
ihr Leben wegen Leber- und Mundkrebs.
Unser bester Weg,
diesen Patienten zu helfen,
ist eine Früherkennung und Diagnose
dieser Krankheiten durchzuführen.

Portuguese: 
Tradutor: Tânia Crispim
Revisora: Margarida Ferreira
Hoje em dia, os algoritmos de computadores
desempenham tarefas incríveis
com grande precisão, em grande escala,
utilizando uma inteligência
parecida com a humana.
Esta inteligência dos computadores
é frequentemente chamada IA,
ou seja, inteligência artificial.
É previsto que a IA tenha, no futuro,
um enorme impacto na nossa vida.
Porém, hoje em dia, ainda 
enfrentamos desafios enormes
na detecção e diagnóstico 
de muitas doenças letais,
tais como doenças infecciosas e cancro.
Milhares de doentes, todos os anos,
perdem a vida devido
a um cancro do fígado ou da boca.
A melhor maneira 
de ajudar esses doentes
é realizar a detecção e o diagnóstico
dessas doenças mais cedo.

Chinese: 
翻译人员: Shuhui Chen
校对人员: Yolanda Zhang
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
几种危及生命的疾病，
比如传染病和癌症时，
我们仍然面临着大量的挑战。
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。

Persian: 
Translator: sadegh zabihi
Reviewer: Mary Jane
امروز الگوریتم‌های کامپیوتری
در حال انجام وظایفی باورنکردنی هستند
با دقت بالا، در ابعاد عظیم،
با استفاده از هوش شبه انسانی.
و به این هوش کامپیوترها
معمولا AI گفته می‌شود
یا هوش مصنوعی.
هوش مصنوعی به وجود آمده تا تاثیر شگرفی
در زندگی آینده ما داشته باشد.
با این وجود امروزه هنوز
با 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 کبد
یا دهان از دست می‌دهند.
بهترین روش ما برای کمک به این بیماران
شناسایی و تشخیص زودهنگام
این بیماری‌ها است.

Korean: 
번역: 태강 김
검토: TJ Kim
오늘날 컴퓨터 알고리즘의
기능은 정말 놀랍습니다.
인간의 지능과 비슷하지만,
아주 엄청난 양을 정확하게 처리하죠.
이런 컴퓨터의 지능을 흔히 AI 또는
인공지능이라고 하죠.
인공지능은 이미 우리의 미래에
엄청난 영향을 줄 힘을 가지고 있습니다.
하지만, 오늘날 우리는 여전히
생명을 위협하는 질병들을
발견하고 진단하는 데
많은 어려움을 겪고 있습니다.
암이나 감염성 질병 같은 것들이죠.
매년 수 천명의 환자들이
간암과 구강암으로 생명을 잃습니다.
이런 환자들을 도울 수 있는
최선의 방법은 바로
질병의 조기 발견과 진단이죠.

Romanian: 
Traducător: Eugen Marian Popescu
Corector: Cristina Nicolae
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.

Czech: 
Překladatel: Barbora Čamková
Korektor: Michal Töpfer
Počítačové algoritmy v současnosti
předvádí neuvěřitelné výkony
s vysokou přesností a v obrobském měřítku
díky inteligenci, která se podobá lidské.
Této inteligenci počítačů
se často říká AI,
neboli umělá inteligence.
AI je připravená mít v budoucnu
obrovský dopad na naše životy.
V současnosti ovšem stále
čelíme obrovským problémům
při rozpoznání a diagnostice
některých životu ohrožujících nemocí,
například infekční onemocnění a rakovina.
Tisíce pacientů ročně
umírá na rakovinu jater a ústní dutiny.
Pacientům můžeme nejlépe pomoci
brzkým rozpoznáním a diagnostikou 
těchto nemocí.

Arabic: 
المترجم: Nazem Chamaa
المدقّق: tasnim hemmade
تقوم خوارزميات الحاسوب اليوم بمهام هائلة
بدقة عالية، على نطاق واسع، 
وباستخدام ذكاء يشبه ذكاء الإنسان
وغالباً ما يعرف ذكاء الحواسيب بال"أيه آي"
أو الذكاء الاصطناعي
والذي سيكون له تأثير كبير على حياتنا 
في المستقبل
لكننا ما زلنا نواجه اليوم تحديات كثيرة
في كشف وتشخيص العديد من الأمراض 
التي تهدد الحياة
مثل الأمراض المُعدية والسرطان
الآلاف من المرضى في كل عام
يخسرون حياتهم بسبب سرطان الكبد والفم
أفضل طريقة لمساعدة هؤلاء المرضى
هي إجراء الكشف المبكر
وتشخيص هذه الأمراض.

French: 
Traducteur: Claire Ghyselen
Relecteur: Alice Gabillault
Les algorithmes réalisent aujourd'hui,
des tâches incroyables,
avec haute précision,
à une échelle massive,
basés sur une intelligence
similaire à l'homme.
Cette forme d'intelligence des ordinateurs
est souvent appelée IA,
l'intelligence artificielle.
L'IA est sur le point d'avoir un impact
extraordinaire sur nos vies.
Toutefois, il nous reste des défis majeurs
pour détecter et diagnostiquer
plusieurs maladies mortelles
comme les maladies infectieuses
ou le cancer.
Chaque année, des milliers de patients
perdent la vie à cause du cancer
du foie ou buccal.
Notre meilleur moyen à disposition
pour aider ces patients
est une détection et un diagnostic
précoces de ces affections.

Portuguese: 
Tradutor: Maurício Kakuei Tanaka
Revisor: Maricene Crus
Os algoritmos de computador hoje
estão realizando tarefas incríveis
com alta precisão, em larga escala,
usando inteligência semelhante à humana.
Essa inteligência dos computadores
é muitas vezes apresentada como IA
ou inteligência artificial.
A IA está pronta para causar um impacto
incrível em nossa vida no futuro.
Hoje, no entanto,
ainda enfrentamos enormes desafios
na detecção e no diagnóstico
de várias doenças potencialmente fatais,
como as doenças infecciosas e o câncer.
Milhares de pacientes, todos os anos,
perdem a vida devido ao câncer
de fígado e de boca.
Nossa melhor maneira
de ajudar esses pacientes
é fazendo a detecção precoce
e o diagnóstico dessas doenças.

English: 
Computer algorithms today
are performing incredible tasks
with high accuracies, at a massive scale,
using human-like intelligence.
And this intelligence of computers
is often referred to as AI
or artificial intelligence.
AI is poised to make an incredible impact
on our lives in the future.
Today, however,
we still face massive challenges
in detecting and diagnosing
several life-threatening illnesses,
such as infectious diseases and cancer.
Thousands of patients every year
lose their lives
due to liver and oral cancer.
Our best way to help these patients
is to perform early detection
and diagnoses of these diseases.

Korean: 
오늘날 어떤 식으로 질병이 발견되고,
인공지능은 어떤 도움을 주는지 알아볼까요?
안타깝게도, 이런 질병에
감염된 것으로 의심되는 환자들에게,
전문의들은 우선
값비싼 의료영상기술을 사용합니다.
형광영상법, CT, MRI 등이죠.
수집된 영상들을
또 다른 전문의가 판독하고
환자에게 소견을 보냅니다.
보다시피,
아주 소모가 심한 과정입니다.
전문의 둘에, 값비싼
의료영상기술까지 갖춰야 하니까
개발 도상국들에게
실용적인 방법이 아니죠.
사실, 여러 선진국들의
사정도 마찬가지입니다.
그럼, 인공지능을 이용해
이 문제를 해결할 수 있을까요?
오늘날,
제가 이 문제의 해결을 위해
기존의 인공지능구조를 이용한다면,
만장이 필요합니다.
다시 말해, 만장의 값비싼 의료영상을
먼저 찍어야만 합니다.
그 다음에, 그 영상들을 분석해 줄

French: 
Comment ces maladies sont-elles détectées
et l'usage de l'IA fait-il sens ?
Quand un patient, malheureusement,
semble avoir une de ces affections,
le spécialiste va d'abord requérir
des analyses très onéreuses
avec des technologies
d'imagerie médicale
telles l'imagerie par fluorescence,
une tomodensitométrie ou un IRM.
Une fois les images à disposition,
un autre spécialiste en fait un diagnostic
et parle avec le patient.
Vous le constatez, ce processus exige
beaucoup de ressources,
deux médecins spécialistes, 
de l'imagerie médicale très onéreuse,
et ce n'est pas envisageable
dans les pays en développement.
Ni d'ailleurs dans de nombreuses
nations industrialisées.
Peut-on résoudre ce problème
avec l'intelligence artificielle ?
Actuellement, si nous utilisons
les architectures classiques d'IA
pour résoudre ce problème,
nous aurions besoin de 10 000 --
j'insiste -- de générer 10 000
de ces images médicales si chères.
Ensuite, nous les confierions
à un spécialiste

Romanian: 
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,

Turkish: 
Peki günümüzde bu hastalıkları 
nasıl teşhis ediyoruz?
Ve teşhiste yapay zekâ bize 
yardımcı olabilir mi?
Hasta olduğundan şüphelenilen kişiler için
uzman bir doktor öncelikle
MR ve tomografi gibi yüksek maliyetli 
teknolojik sistemlerden
görüntüleme testleri istemektedir.
Sonuçlar alındıktan sonra
başka bir uzman görüntüleri inceler 
ve teşhisi hastaya bildirir.
Gördüğünüz gibi bu süreç
günümüz dünyasına uymayan bir şekilde
uzman hekimler, 
pahalı tıbbi görüntüleme teknolojileri
gibi kaynaklara 
fazlaca bağımlı bir süreçtir.
Maalesef ki sanayileşmiş ülkelerde de 
durum aynı.
Peki bu problemi yapay zekâ kullanarak
çözebilecek miyiz?
Bugün bu sorunu
geleneksel yapay zekâ mimarileriyle
çözmek istersem eğer,
10.000 adet
evet tekrar ediyorum, 10.000 adet
görüntüyü bu pahalı sistemlerden
elde etmemiz gerekli.
Sonra uzman bir hekime gitmem
ve onun bu görüntüleri

Portuguese: 
Então, como detectamos essas doenças
e como a IA pode ajudar?
Em doentes em quem, infelizmente,
haja suspeitas dessas doenças,
um médico especialista pede, primeiro,
uma qualquer tecnologia dispendiosa
de imagiologia médica,
como a imagiologia por fluorescência,
um TC, ou um MRI.
Depois de colhidas essas imagens,
outro especialista faz o diagnóstico 
das imagens e fala com o doente.
Como podem ver, este é 
um processo muito dispendioso
que requer médicos especialistas, 
tecnologia de imagiologia médica cara
e não é considerado prático
para os países em desenvolvimento.
O mesmo acontece
com as nações industrializadas.
Podemos resolver isto
com a inteligência artificial?
Hoje, se eu fosse usar arquitecturas
tradicionais de inteligência artificial
para resolver este problema,
seriam necessárias dez mil
— repito, cerca de dez mil —
dessas imagens médicas muito caras
só para serem geradas.
Depois disso, iria
a um médico especialista,

Kurdish: 
چۆن لە ئێستەدا ئەم نەخۆشیانە دەدۆزینەوە، 
ئایا ژیری دروستکراو دەکرێت بەسوود بێت؟
لە ئەو نەخۆشانەی کە بە داخەوە، گومانی
،ئەم نەخۆشییەیان لێدەکرێت
دکتۆرێکی شارەزا، داوای
چەندین تەکنیکی وێنەگرتنی پزیشکی گران دەکات
،وەک وێنەکردنی تیشکدانەوەی فلۆریدی 
.سی تی سکان و ئێم ئاڕ ئای بکرێن
،کاتێک ئەو وێنانە کۆ دەکرێنەوە
دکتۆرێکی تر ئەو نەخۆشیانە دەدۆزێتەوە و
.لەگەڵ نەخۆشەکەدا قسە دەکات
،وەک دەبینن
،ئەمە پرۆسەیەکە کە سەرچاوەی زۆری دەوێت
پێویستەی بە دکتۆری شارەزا و
،تەکنەلۆجیای وێنەکردنی پزیشکی گران
و بە شتێکی پراکتیکی لە وڵاتە
.هەژارنشینەکان نابینرێن
لەڕاستیدا، بۆ چەندین
.وڵاتی پیشەسازیش، هەمان بارودۆخیان هەیە
ئایا دەتوانین چارەسەری ئەم کێشانە بکەین
بە بەکار‌‌هێنانی ژیری دروستکراو؟
لە ئێستەدا، ئەگەر بمەوێت بە بونیادی ژیری 
،دروستکراوی ئەم سەردەمە بەکاربهێنم
،بۆ چارەسەری ئەم کێشەیە
--پێویستەم بە ١٠ هەزار دەبێت
دووبارەی دەکەمەوە، ١٠ هەزار
لەم وێنە پزیشکیە گرانبەهایانە
.بۆ ئەوەی دروست بکرێت
لە دوای ئەوەش، بڕوات 
،بۆ دکتۆرێکی شارەزا

Persian: 
خوب امروز چطور این بیماری‌ها را شناسایی
می‌کنیم، 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 تصاویر
تشخیص می‌دهد و با بیمار صحبت می‌کند.
و می‌بینید که این فرایندی
بسیار هزینه‌بر است،
و هم به پزشکان متخصص نیاز دارد، و هم
فناوری‌های گران‌قیمت تصویربرداری پزشکی،
و برای کشورهای در حال توسعه
کاربردی تلقی نمی‌شود.
و البته برای بسیاری از
کشورهای صنعتی هم به همچنین.
پس می‌توانیم این مشکل را
با هوش مصنوعی حل کنیم؟
امروز، اگر می‌خواستم
با معماری‌های هوش مصنوعی سنتی
این مشکل را حل کنم،
به ۱۰٫۰۰۰ --
تکرار می‌کنم، لازم بود اول چیزی حدود
۱۰٫۰۰۰ از این تصویرهای بسیار گران
گرفته شوند.
پس از آن، پیش یک متخصص می‌رفتم،

iw: 
אז כיצד אנו מאתרים את המחלות האלו היום,
ואיך בינה מלאכותית יכולה לעזור?
למטופלים אשר, לצערנו הרב,
אנו חושדים שחולים באחת מן המחלות,
רופא מומחה יזמין דבר ראשון
הדמיות רפואיות
בטכנולוגיות יקרות מאוד
כגון רנטגן פלואורוסנטי, 
סי-טי, אמ-אר-איי.
ברגע שההדמיות נאספות,
רופא מומחה נוסף מאבחן
את ההדמיות ומשוחח עם המטופל.
כפי שאתם רואים, מדובר 
בתהליך הדורש משאבים רבים,
ביניהם שני רופאים מומחים, 
טכנולוגיות הדמיה רפואית יקרות,
ותהליך זה לא נחשב יעיל
ביחס לעולם המתפתח.
למעשה, אפילו ביחס 
להרבה מדינות מפותחות.
אז, האם ניתן לפתור את הבעיה
בעזרת בינה מלאכותית?
כיום, אם הייתי משתמש 
בשיטות בינה מלאכותית מסורתיות
לפתרון הבעיה,
נדרשים לי 10,000--
אני חוזר, סדר גודל של 10,000
הדמיות רפואיות יקרות
לשלב הראשוני.
לאחר מכן, אצטרך להפגש
עם רופא מומחה,

Spanish: 
¿Cómo las detectamos hoy y cómo 
la inteligencia artificial puede ayudar?
Cuando se sospecha que el paciente
tiene alguna de estas enfermedades,
un médico especialista pide
tecnologías de escaneo muy caras
como la captación de imágenes por 
fluorescencia, los TAC o las RM.
Una vez que se obtienen las imágenes,
otro médico especialista hace 
el diagnóstico y habla con el paciente.
Como pueden ver, es un proceso
que requiere de muchos recursos,
médicos especialistas
y costosos equipos
de diagnóstico por escáner,
y no se considera práctico
para los países en desarrollo.
De hecho, ni siquiera en 
muchos países desarrollados.
¿Podemos resolver este problema 
con la inteligencia artificial?
Hoy, si fuera a utilizar arquitecturas
de inteligencia artificial tradicionales
para resolver este problema,
necesitaría obtener 10 000...
Repito, cerca de 10 000 de
estos costosos aparatos médicos,
y eso para empezar.
Luego, consultaría a un especialista,

Chinese: 
現今我們要如何偵測出這些疾病？
人工智慧能幫得上忙嗎？
對於很不幸被懷疑可能
得了這些疾病的病人，
專業的醫生首先會囑咐
採用非常昂貴的醫療成像技術，
例如螢光成像、
電腦斷層掃瞄、核磁共振。
一旦收集到了這些影像，
會有另一位專業醫生根據
這些影像做診斷，並和病人談。
不難看出，這是非常耗資源的過程，
需要專業的醫生
和昂貴的醫療成像技術兩者，
而這在開發中國家是不實際的；
事實上，在許多工業化的國家亦然。
所以，我們能用人工智慧
來解決這個問題嗎？
現今，若我要用傳統人工智慧架構
來解決這個問題，
我會需要一萬——
我重覆一次，大約一萬張
這種非常昂貴的醫療影像
先被產生出來。
產生出來後，接著去找專業醫生，

Russian: 
Как мы выявляем эти болезни сегодня и как
нам может помочь искусственный интеллект?
Для пациентов, у которых, к сожалению, 
есть подозрения на эти заболевания,
эксперт-медик сначала заказывает
очень дорогие медицинские анализы,
такие как флуоресцентная визуализация: 
томография ТТ и МРТ.
Как только изображения готовы,
следующий эксперт анализирует
изображения и сообщает диагноз пациенту.
Как вы заметили, 
это очень ресурсоёмкий процесс,
требующий как экспертного мнения,
так и дорогостоящих технологий томографии.
Не самый практичный подход
для развивающихся стран.
Фактически, даже для многих
промышленно развитых стран.
Итак, можно ли решить эту проблему 
с помощью искусственного интеллекта?
Сегодня, если использовать традиционные
модели искусственного интеллекта
для решения этой задачи,
потребуется 10 000 —
повторюсь, потребуется порядка
10 000 дорогостоящих изображений,
которые сначала надо сгенерировать.
Затем передать их эксперту-медику

Bulgarian: 
Как откриваме тези заболявания днес и би 
ли могъл изкуственият интелект да помогне?
При пациентите, при които, за съжаление,
има съмнение за такава болест,
лекарят специалист първо предписва
много скъпи медицински образни технологии,
като например
флуоресцентни образи, 
компютърна томография, магнитен резонанс.
Когато образите са готови,
друг специалист ги използва за 
диагностициране и ги обсъжда с пациента.
Както виждате, 
този процес изисква много ресурси -
експерти и скъпи медицински технологии,
и не е практичен в развиващите се страни.
В интерес на инстината, също така и 
в много индустрализирани страни.
Можем ли да разрешим този проблем,
използвайки изкуствен интелект?
Ако трябва да използвам традиционната 
архитектура за изкуствен интелект,
за да реша този проблем,
ще са ми необходими 10 000,
повтарям 10 000 от тези скъпи 
медицински образи,
които трябва да бъдат генерирани.
След това, ще трябва да отида
при специалист,

Portuguese: 
Como podemos detectar essas doenças hoje,
e a inteligência artificial pode ajudar?
Para pacientes que, infelizmente,
são suspeitos de terem essas doenças,
um médico especialista pede primeiro
a realização de exames de imagem caros,
tais como imagens fluorescentes,
tomografias, imagens de ressonâncias.
Assim que as imagens são coletadas,
outro médico especialista faz
o diagnóstico delas e fala com o paciente.
Como podem ver, é um processo
de recursos muito dispendioso,
que exige médicos especialistas
e exames de imagem caros,
e não é considerado prático
para os países em desenvolvimento
nem, de fato, para muitos
países industrializados.
Podemos resolver esse problema
usando inteligência artificial?
Hoje, se eu fosse utilizar arquiteturas
tradicionais de inteligência artificial
para resolver o problema,
eu solicitaria primeiro 10 mil,
repito, 10 mil dessas imagens
médicas muito caras.
Depois disso, eu iria
a um médico especialista,

Italian: 
Come riconoscerle e qual è il ruolo
dell'intelligenza artificiale?
Se, purtroppo, si sospetta in pazienti
l'eventualità di queste malattie,
un medico esperto dapprima prescrive
esami con tecnologie ad immagini
che sono molto costose,
come imaging a fluorescenza,
tomografia computerizzata,
risonanza magnetica.
Dopo aver raccolto queste immagini,
uno specialista formula una diagnosi
e ne parla con il paziente.
Come potete vedere,
questo è un processo molto costoso,
poiché richiede sia specialisti,
sia tecnologie mediche costose
e non è considerato praticabile
nei paesi in via di sviluppo.
In realtà, neanche in molte
nazioni industrializzate.
Possiamo risolvere questo problema
con l'aiuto dell'intelligenza artificiale?
Al giorno d'oggi, se dovessimo usare
le architetture tradizionali di IA
per risolvere questo problema,
ce ne vorrebbero 10.000.
Ripeto, 10.000 di queste
costosissime immagini mediche
dovrebbero essere prodotte.
In seguito dovremmo
consultare uno specialista

Chinese: 
那么，今天我们如何检测这些疾病？
AI可以提供帮助吗？
对于不幸被怀疑
患有这些疾病的患者，
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，
另一位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
和昂贵的医学图像技术。
这在发展中国家被认为并不实用，
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？
今天，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，我首先需要
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

Czech: 
Takže jak rozpoznáváme tyto nemoci dnes?
A může nám s tím umělá inteligence pomoci?
Pacienti, u kterých je bohužel
podezření na tyto nemoci,
nejprve podstoupí
velice drahá zobrazovací vyšetření,
například fluorescenční snímkování,
CT či magnetickou resonanci.
Jakmile se snímky vytvoří,
další lékař poté tyto snímky zhodnotí, 
určí diagnózu a sdělí ji pacientovi.
Jak vidíte, je to velice náročný proces,
kde jsou zapotřebí specialisté a
drahé zobrazovací přístroje.
Tento postup tedy není vhodný 
pro rozvojové země.
A není vlastně vhodný ani pro
mnoho industrializovaných zemí.
Jak tedy můžeme tento problém vyřešit
s umělou inteligenci?
Kdybych nyní na tento problém použil
tradiční architektury umělé inteligence,
potřeboval bych jich 10 000 --
Ano, nejrve bychom museli vytvořit
10 000 těchto drahých snímků.
Poté bych je zanesl specialistovi,

Vietnamese: 
Chúng ta làm việc đó bằng cách nào
và liệu trí tuệ nhân tạo có thể hỗ trợ?
Đối với những bệnh nhân không may bị
nghi ngờ mắc bệnh,
đầu tiên bác sĩ sẽ yêu cầu sử dụng
những công nghệ hình ảnh y khoa đắt đỏ,
như chụp chiếu huỳnh quang, CT hay MRI.
Sau khi thu thập được những hình ảnh,
một chuyên gia khác sẽ chẩn đoán dựa vào
những ảnh trên và trao đổi với bệnh nhân.
Như bạn thấy, đây là một quá trình
chuyên sâu và tốn kém nhiều tài nguyên,
cần có những chuyên gia 
cùng các thiết bị hình ảnh đắt đỏ,
và điều đó không thực tế đối với
các nước đang phát triển.
Thực ra ở nhiều nước công nghiệp hóa 
cũng vậy.
Vậy làm sao ta có thể giải quyết vấn đề
bằng trí tuệ nhân tạo ?
Ngày nay, nếu tôi phải dùng 
các mô hình trí tuệ nhân tạo truyền thống
để giải quyết vấn đề này,
tôi sẽ cần 10,000 --
tôi nhắc lại, cần 10,000 ảnh y khoa đắt đỏ
đầu tiên phải được chụp.
Sau đó, tôi sẽ đến một chuyên gia

English: 
So how do we detect these diseases today,
and can artificial intelligence help?
In patients who, unfortunately,
are suspected of these diseases,
an expert physician first orders
very expensive
medical imaging technologies
such as fluorescent imaging,
CTs, MRIs, to be performed.
Once those images are collected,
another expert physician then diagnoses
those images and talks to the patient.
As you can see, this is
a very resource-intensive process,
requiring both expert physicians,
expensive medical imaging technologies,
and is not considered practical
for the developing world.
And in fact, in many
industrialized nations, as well.
So, can we solve this problem
using artificial intelligence?
Today, if I were to use traditional
artificial intelligence architectures
to solve this problem,
I would require 10,000 --
I repeat, on an order of 10,000
of these very expensive medical images
first to be generated.
After that, I would then go
to an expert physician,

German: 
Wie entdecken wir also diese Krankheiten
und kann künstliche Intelligenz helfen?
Bei Patienten mit Verdacht
auf eine solche Krankheit
weist ein Facharzt zuerst
sehr teure Technologien der Bilddiagnose
wie fluoreszierende Bildgebung,
CTs, MRTs, zur Ausführung an.
Sobald diese Bilder gesammelt worden sind,
macht ein anderer Experte die Bilddiagnose
und spricht mit dem Patienten.
Wie Sie sehen, ist dies ein sehr
ressourcenintensiver Prozess,
der sowohl Fachärzte als auch
teure Bildgebungsverfahren benötigt
und für Entwicklungsländer
als ungeeignet angesehen wird.
Und im Grunde auch
in vielen Industrieländern.
Können wir also dieses Problem lösen,
indem wir künstliche Intelligenz nutzen?
Wenn ich heute traditionelle Architektur
künstlicher Intelligenz nutzen würde,
um dieses Problem zu lösen,
würde ich 10.000 brauchen --
Ich wiederhole, etwa 10.000 von
diesen sehr teuren medizinischen Bildern
müssen zuerst erstellt werden.
Danach ginge ich zu einem Facharzt,

Japanese: 
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？
不幸にも 患者にこれらの
病気の疑いがある際には
専門医が最初に指示するのは
蛍光イメージング、CT、MRIなどの
とても高価な
医用画像技術の使用です
画像が集まったら
また別の専門医が画像を診断し 
患者に診断を告げます
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
２人の専門医、高価な医用画像技術
発展途上国では
実用的ではありません
実際は 多くの先進国でも同じです
ではAIを使って この問題を
解決できるでしょうか？
現在 もし私が従来の
AIの仕組みを使って
この問題を解決しようとしたなら
１万枚もの―
繰り返しますが 万単位の
とても高価な医用画像が
まず必要になります
その後 私は
専門医のところに行き

Burmese: 
ဒီတော့ ယနေ့ ဒီရောဂါတွေကို ဘယ်လို 
ရှာဖွေပြီးဉာဏ်ရည်တုက ကူညီပေးနိုင်လဲ။
ကံဆိုးချင်တော့ ဒီရောဂါတွေ
ဖြစ်ဖို့ရှိတဲ့ လူနာတွေမှာ
ကျွမ်းကျင်တဲ့သမားတော်က ဦးဆုံး ညွန်ကြားတာက
အင်မတန်စျေးကြီးတဲ့ 
ဆေးဘက် ပုံထုတ်ခြင်းနည်းပညာတွေပါ၊
ဥပမာ ဓာတ်မှန်ရိုက်ခြင်းလို
CTs MRIs တွေလုပ်ဖို့ပါ။
ဒီပုံတွေကို စုပြီးတာနဲ့
အခြားကျွမ်းကျင်သမားတော်က ဒီပုံတွေကို
ရောဂါဖော်ထုတ်ပြီး လူနာကို ပြောဆိုပါတယ်။
သိတဲ့အတိုင်း ဒါဟာ အင်မတန် အရင်းအမြစ် 
အားစိုက်ရတဲ့ လုပ်ငန်းစဉ်ပါ၊
ကျွန်းကျင်သမားတော်နဲ့ စျေးကြီးတဲ့ ဆေးဘက် 
ပုံထုတ်နည်းပညာတွေ နှစ်ခုစလုံးလိုအပ်ပြီး
ဖွံ့ဖြိုးဆဲကမ္ဘာအတွက်တော့ လက်တွေ့
မကျဘူးလို့ ထင်မှတ်ရပါတယ်။
တကယ်တမ်းက စက်မှုနိုင်ငံ
များစွာမှာရောပါ။
ဒီတော့ ဒီပြဿနာကို ဉာဏ်ရည်တုကို 
သုံးပြီး ဖြေရှင်နိုင်မလား။
ယနေ့မှာ ဒီပြဿနာဖြေရှင်းဖို့ အစဉ်အလာ
ဉာဏ်ရည်တု တည်ဆောက်ပုံတွေကို
အသုံးပြုမယ်ဆိုရင်တော့
ပုံ ၁၀၀၀၀ လိုလိမ့်မယ်၊
ထပ်ပြောမယ်၊ အရင်ဆုံး လုပ်ဆောင်ဖို့
ဒီစျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာပုံ ၁၀၀၀၀ မှာ
ယူမှုတစ်ခုပါ။
ဒီနောက်မှာ ကျွန်တော့အတွက် ဒီပုံတွေကို
စိစစ်ပေးမယ့်

Arabic: 
إذن كيف نكتشف هذه الأمراض اليوم،
وهل يمكن للذكاء الاصطناعي أن يساعد؟
للأسف، فالمرضى الذين يشتبه 
بإصابتهم بهذه الأمراض،
يطلب منهم الطبيب أولاً إجراء
صور شعاعية متطورة ومكلفة جداً
مثل التصوير الفلوري والأشعة المقطعية
والرنين المغناطيسي
وبمجرد جمع هذه الصور
يقوم طبيب آخر بتشخيص تلك الصور
والتحدث إلى المريض.
كما ترون، تتطلب هذه العملية 
الكثير من الموارد
كما تتطلب أطباء ذوي خبرة،
وتقنيات تصوير طبي مكلفة،
وهذا الحل ليس عملياً
للعالم النامي
وفي الحقيقة، للكثير من الدول
الصناعية كذلك.
إذاً هل نستطيع حل هذه المشكلة،
باستخدام الذكاء الاصطناعي؟
اليوم، إذا ما أردنا استخدام 
نقنيات الذكاء الاصطناعي التقليدي
لحل هذه المشكلة
فإننا بحاجة إلى عشرة آلاف...
أكرر، بحدود 10 آلاف صورة
من هذه الصور الطبية المكلفة
يجب أن تكون جاهزة أولاً
بعد ذلك، نحن بحاجة لأطباء ذوي خبرة

Hungarian: 
De hogyan ismerjük fel ezeket napjainkban,
és hogyan segíthet ebben az MI?
Azoknál a betegeknél,
akiknél sajnos felmerül a kór gyanúja,
egy szakorvos mindenekelőtt
nagyon drága orvosi képalkotó
eljárást rendel el,
például fluoreszcens képalkotó eljárást,
CT-, MRI-vizsgálatokat.
A képek ismeretében
egy másik szakorvos felállítja
a diagnózist, és beszél a beteggel.
Mint látják, ez hatalmas
erőforrásigényű folyamat,
mely kétféle szakorvost és drága
orvosi képalkotó eljárásokat igényel,
ami a fejlődő világban
nagyon nehezen biztosítható.
Valójában ez a helyzet számos
iparilag fejlett országban is.
Megoldható-e ez a probléma
mesterséges intelligenciával?
A mai hagyományos MI-rendszerekkel
a probléma megoldásához mindenekelőtt
tízezres – ismétlem:
tízezres nagyságrendű ilyen drága
orvosi képre lenne szükségem.
Ezután szakorvoshoz fordulnék,

Galician: 
Como detectamos hoxe estas enfermidades?
Pode axudar a intelixencia artificial?
Cando se sospeita que, por desgraza,
un paciente padece unha destas doenzas,
un médico experto comeza por pedir
probas carísimas baseadas
en tecnoloxías de imaxe,
como a microscopia de fluorescencia,
a tomografía ou a resonancia magnética.
Unha vez obtidas esas imaxes,
outro experto fai un diagnóstico
e fala co paciente.
Como vedes, é un proceso
que consome moitos recursos,
ao requirir médicos expertos
e custosas tecnoloxías médicas de imaxe,
e non se considera práctico nos países
en vías de desenvolvemento.
De feito, tampouco en moitas
nacións industrializadas.
Pódese resolver o problema
coa axuda da intelixencia artificial?
Se hoxe usásemos arquitecturas
de intelixencia artificial tradicionais
para resolver este problema,
faría falla xerar 10.000,
repito, arredor de 10.000
destas imaxes médicas carísimas,
como primeiro paso.
Logo acudiría a un médico experto,

Persian: 
تا آن تصاویر را برای من تحلیل کند.
و با استفاده از این دو اطلاعات،
می‌توانم یک شبکه عصبی عمیق استاندارد
یا 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 متخصص
و فناوری‌های تصویربرداری تخصصی پزشکی.
خوب، آیا می‌توانیم معماری‌های هوش مصنوعی
مقیاس‌پذیرتر، موثرتر
و باارزش‌تری ایجاد کنیم
که این مشکلات بسیار مهم
که امروز پیش روی ما هستند را حل کنند؟
و این دقیقا کاری است که گروه من
در آزمایشگاه رسانه MIT انجام می‌دهد.
ما گونه‌های مختلف نامعمولی
از معماری هوش مصنوعی اختراع کرده‌ایم
تا بعضی از مهم‌ترین چالش‌های امروزی پیش رو
در تصویربرداری پزشکی
و آزمایش‌های بالینی را حل کنیم.
در مثالی که امروز با شما
مطرح کردم، دو هدف داشتیم.
هدف اول کاهش تعداد تصاویر
مورد نیاز برای آموزش
به الگوریتم‌های هوش مصنوعی بود.
هدف دوم -- جاه‌طلب‌تر شدیم،
می‌خواستیم استفاده از فناوری‌های گران
تصویربرداری پزشکی را هم

German: 
der für mich diese Bilder
analysieren würde.
Indem ich diese zwei Informationen nutze,
kann ich ein normales
"Deep Learning"-Netzwerk trainieren,
Diagnosen für Patienten zu erstellen.
Ähnlich wie beim ersten Ansatz
leiden Ansätze traditioneller KI
unter dem gleichen Problem.
Große Datenmengen, Fachärzte
und High-Tech in der Bilddiagnostik.
Können wir also skalierbare, effektivere
und wertvollere Architekturen
künstlicher Intelligenz erfinden,
um diese sehr wichtigen Probleme zu lösen,
vor denen wir heute stehen?
Genau das macht meine Gruppe
beim MIT Media Lab.
Wir erfanden eine Reihe an
unorthodoxen KI-Architekturen,
um einige der wichtigsten
Herausforderungen
bei Bilddiagnostik und
klinischen Prozessen zu lösen.
In dem Beispiel, das ich heute nannte,
hatten wir zwei Ziele.
Unser erstes Ziel war es,
die Anzahl der Bilder zu reduzieren,
die benötigt werden,
um KI-Algorithmen zu trainieren.
Unser zweites Ziel war ambitionierter,
nämlich den Einsatz
der teuren Bilddiagnose zu reduzieren,

Romanian: 
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

Kurdish: 
بۆ ئەوەی ئەو وێنانە 
.شیبکاتەوە بۆمن
،و بە بەکارهێنانی ئەو دوو زانیاریە
دەتوانم تۆڕێکی قووڵی دەماری یان
تۆڕێکی فێربوونی قووڵ ڕابهێنم
.بۆ پێدانی شیکاری نەخۆشیەکە
،نزیک لە یەکەم بیرۆکە
ژیری دروستکراوی ئەم سەردەمە
هەمان کێشەیان هەیە
بڕێکی زۆری زانیاری، دکتۆری شارەزا
تەکنەلۆجیای پێشکەوتووی وێنەگرتن
ئەگەر بتوانین، جۆرێکی کارامەتر، باشتر
ژیریەکی دروستکراوی بەبەهاتر 
،و پێشکەوتوتر دروست بکەین
بۆ چارەسەری کێشە گرنگەکانی ئەم سەردەمە؟
ئەمە بە دیاریکراوی کاری گروپەکەمە 
لە تاقیگەی میدیای ئێم ئای تی
چەندین جۆری ئەی - ئای 
نا ئاسایمان بونیاد ناوە
بۆ چارەسەرکردنی ئەو بەربەستانەی کە 
ڕوبەڕومان دەبنەوە لەمڕۆدا
لە وێنەگرتنی پزیشکی و تاقیگە پزیشکیەکان
لەو نمونەیەی کە پیشانمدان ئەمڕۆ
.دوو ئامانجمان هەبوو
یەکەم ئامانج بە کەمکردنەوە
ژمارەی ئەو وێنانە دەبێت
کە پێویستە بۆ ڕاهێنانی 
.ئەلگۆریتمەکانی ژیری دروستکراو
ئامانجی دووهەمان - کە زۆر بە پەرۆش بووین
دەمانویست بەکارهێنانی تەکنیکی
وێنەکاری پزیشکی کەم بکەینەوە

Portuguese: 
que analisaria essas imagens.
Usando estes dois bocados de informações,
posso treinar uma rede neural profunda
ou uma rede de aprendizagem profunda
para fazer os diagnósticos a doentes.
Tal como a primeira abordagem,
a abordagem tradicional
da inteligência artificial
passa pelo mesmo problema.
Uma grande quantidade de dados,
médicos especialistas
e especialistas
de tecnologias de imagiologia.
Será que podemos inventar
arquitecturas de IA
mais evolutivas, mais eficazes
e mais valiosas,
para resolver esses problemas 
importantes que hoje enfrentamos?
É exactamente isto o que faz
o meu grupo no MIT Media Lab.
Inventámos uma variedade
de arquitecturas IA pouco ortodoxas
para resolver alguns dos desafios
mais importantes que temos hoje
em imagiologia médica e testes clínicos.
No exemplo que partilho aqui
tínhamos dois objetivos.
O nosso primeiro objectivo era
reduzir o número de imagens
necessárias para treinar o algoritmo
da inteligência artificial.
No segundo objetivo fomos mais ambiciosos.
Queríamos reduzir o uso de tecnologia
de imagiologia médica cara

Portuguese: 
que, então, analisaria
essas imagens para mim.
Usando essas duas informações,
posso capacitar uma rede neural
ou de aprendizagem profunda padrão
a fornecer o diagnóstico do paciente.
Semelhante à primeira abordagem,
as abordagens tradicionais de inteligência
artificial sofrem do mesmo problema.
Grandes quantidades de dados,
médicos especialistas
e tecnologias especializadas
de imagem médica,
Será que podemos inventar
arquiteturas de inteligência artificial
mais valiosas, escaláveis e eficazes
para resolver esses problemas
muito importantes que enfrentamos hoje?
É exatamente isso o que meu grupo
do MIT Media Lab faz.
Temos inventado uma variedade
de arquiteturas de IA pouco convencionais
para resolver alguns dos desafios
mais importantes que enfrentamos hoje
em exames de imagem e ensaios clínicos.
No exemplo que compartilhei hoje
com vocês, tínhamos dois objetivos.
O primeiro era reduzir o número de imagens
necessárias para capacitar
os algoritmos de inteligência artificial.
O segundo objetivo era mais ambicioso:

Burmese: 
ကျွမ်းကျင်သမားတော်ဆီသွားမှာပါ။
ဒီသတင်းအချက်အလက် နှစ်ခုကိုသုံးပြီး
လူနာရောဂါစစ်တမ်းကို ထောက်ပံ့ဖို့
ပုံမှန် အတွင်းကျတဲ့ အာရုံကြောကွန်ရက်(သို့)
အတွင်း သင်ယူမှုကွန်ရက်ကို
ပုံစံသွင်းနိုင်တယ်
ပထမနည်းအတိုင်းပဲ
အစဉ်အလာ ဉာဏ်ရည်တုနည်းလမ်းတွေဟာ
အလားတူ ပြဿနာတွေ ကြုံရပါတယ်။
ကြီးမားတဲ့ ဒေတာပမာဏ၊ ကျွမ်းကျင်သမားတော်နဲ့
ကျွမ်းကျင်တဲ့ ဆေးဘက်ပုံထုတ်နည်းပညာတွေပါ။
ဒီတော့ ယနေ့ ရင်ဆိုင်နေရတဲ့ အင်မတန်
အရေးကြီးတဲ့
ပြဿနာတွေဖြေရှင်းဖို့ ပိုပြီး အရွယ်အစား
ပြောင်းလို့ရကာ ထိရောက်ပြီး
ပိုတန်ဖိုးရှိတဲ့ ဉာဏ်ရည်တု တည်ဆောင်ပုံတွေ
တီတွင်နိုင်လား။
ဒါကတော့ ကျွန်တော်တို့အဖွဲ့ 
MIT Media Lab မှာ လုပ်တာ အတိအကျပါ။
ဆေးဘက်ဆိုင်ရာ ပုံထုတ်ခြင်းနဲ့ လက်တွေ့
စမ်းသပ်မှုတွေမှာ ယနေ့ ရင်ဆိုင်နေရတဲ့
အရေးပါဆုံးစိန်ခေါ်မှုတစ်ချို့ကို 
ဖြေရှင်းဖို့အစဉ်အလာမဟုတ်တဲ့
AI တည်ဆောက်ပုံမျိုးစုံ
တည်ဆောက်ထားပါတယ်။
ဒီနေ့ မျှဝေခဲ့တဲ့ နမူနာထဲမှာ 
ရည်မှန်းချက်နှစ်ခုရှိခဲ့တယ်။
ပထမရည်မှန်းချက်က ဉာဏ်ရည်တု 
အယ်ဂိုရစ်သမ်ကို ပြုပြင်ဖို့လိုတဲ့
ပုံအရေအတွက်ကို လျှော့ချဖို့ပါ။
ဒုတိယ ရည်မှန်းချက်က ပိုရည်မှန်းချက်ကြီးတာက
လူနာတွေကို စစ်ဆေးဖို့ စျေးကြီးတဲ့ 
ဆေးဘက် ပုံထုတ်ခြင်းနည်းပညာ သုံးစွဲမှုကို

Russian: 
для проведения анализа 
полученных результатов.
Используя эти две части информации,
я могу запрограммировать 
стандартную нейронную сеть
на выявление диагноза пациента.
Подобно первому подходу,
традиционные методы 
искусственного интеллекта
сталкиваются с той же проблемой:
огромные объёмы данных, 
работа экспертов и технологии томографии.
Можем ли мы изобрести
масштабируемые, эффективные
и более действенные модели
искусственного интеллекта
для решения проблем первоочередной 
важности, стоящих перед нами сегодня?
Этим вопросом мы занимаемся
в моей группе в Медиа-лаборатории MIT.
Мы изобрели множество 
неортодоксальных форм ИИ
для решения не всех, но наиболее
важных задач, стоящих перед нами
в области томографии 
и клинических испытаний.
В примере, которым я поделился сегодня, 
мы преследовали две цели.
Наша первая цель заключается
в уменьшении количества изображений,
необходимых для обучения алгоритмов 
искусственного интеллекта.
Вторая цель более амбициозна:
мы хотим уменьшить использование 
дорогостоящих медицинских процедур

Korean: 
전문의를 찾아가야 겠죠.
그리고, 그 두 종류의 정보를 가지고
표준화된 심층 신경망 또는
심층 학습망을 이용해
환자들에게 진단을 내립니다.
첫 번째 방식과 유사하게,
기존의 인공지능은 같은 문제로
어려움을 겪고 있습니다.
방대한 자료, 전문의, 특수 의료영상기술
등이 필요하기 때문이죠.
그렇다면, 더 확장성이 높고,
효율적인 인공지능 구조를 만든다면,
오늘날 우리에게 당면한
중대한 과제들을 해결할 수 있을까요?
이것이 바로 MIT 미디어 연구소에서
저희 팀이 하고 있는 일입니다.
다양한 대체 인공지능 구조를
만들고 있죠.
의료영상과 임상시험 분야에서의
중대한 과제들을 해결하기 위해서죠.
오늘 예로 든 것에서,
저희는 두 가지 목표를 정했습니다.
첫째, 인공지능 알고리즘의
학습에 필요한
영상의 수를 줄이는 것이었습니다.
둘째, 저희가 좀 더 욕심을 낸 것인데
환자들을 선별하는
값비싼 의료영상기술의 사용을

Spanish: 
que analizaría esas imágenes.
Y con esos dos datos,
puedo entrenar una red neuronal profunda
o una red de aprendizaje profundo
para diagnosticar a los pacientes.
Parecido al primer enfoque,
los enfoques tradicionales de IA
tienen el mismo problema.
Gran cantidad de datos, especialistas
y equipos profesionales de escaneo.
¿Podemos entonces inventar
arquitecturas de inteligencia artificial
más escalables, efectivas y más útiles
para resolver estos problemas
a los que hoy nos enfrentamos?
Esto es exactamente lo que hace
mi grupo en el MIT Media Labs.
Hemos inventado una variedad de
arquitecturas de IA no convencionales
para resolver algunos de los retos
más importantes que enfrentamos hoy
en los escáneres y estudios clínicos.
En el ejemplo que compartí hoy
teníamos dos objetivos.
El primero era reducir
el número de imágenes
necesarias para entrenar a
los algoritmos de inteligencia artificial.
Con el segundo fuimos más ambiciosos,
queríamos reducir el uso de 
estos costosos equipos de tecnología

Hungarian: 
aki kielemezné nekem ezeket a képeket.
Majd ezzel a két információval
betaníthatok egy szokványos mély 
neurális hálót vagy mélytanulási hálót
a beteg diagnózisának felállításához.
Az első megközelítéshez hasonlóan,
a hagyományos MI-megközelítések is
ugyanazzal a problémával küszködnek.
Hatalmas adatmennyiség, szakorvosok
és orvosi képalkotó technológiák.
Kitalálhatunk-e méretezhetőbb,
hatékonyabb és értékesebb
MI-architektúrákat
ezeknek az előttünk álló,
nagyon fontos problémák megoldására?
Csapatom jelenleg épp ezen fáradozik
az MIT Media Labnál.
Feltaláltunk több rendhagyó
MI-architektúrát,
hogy az orvosi képalkotásban
és klinikai kísérletekben előttünk álló
legfontosabb kihívások
egy részére válaszolni tudjunk.
Az előbb bemutatott példa megoldására
két célt ki tűztünk ki.
Első célkitűzésünk az volt,
hogy csökkentsük
az MI-algoritmusok betanításához
szükséges képek számát.
Második célunk – még többet akartunk -
csökkenteni a betegek
átvizsgálásához szükséges,

Chinese: 
为我分析这些图像。
利用这两条信息，
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图像技术。
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
这些重要的问题呢？
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
在医疗图像和临床试验中
面临的最重要的挑战。
在我今天分享的例子中，
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。
第二个目标——更大的志向，
我们希望让患者减少使用昂贵的

English: 
who would then analyze
those images for me.
And using those two pieces of information,
I can train a standard deep neural network
or a deep learning network
to provide patient's diagnosis.
Similar to the first approach,
traditional artificial
intelligence approaches
suffer from the same problem.
Large amounts of data, expert physicians
and expert medical imaging technologies.
So, can we invent more scalable, effective
and more valuable artificial
intelligence architectures
to solve these very important
problems facing us today?
And this is exactly
what my group at MIT Media Lab does.
We have invented a variety
of unorthodox AI architectures
to solve some of the most important
challenges facing us today
in medical imaging and clinical trials.
In the example I shared
with you today, we had two goals.
Our first goal was to reduce
the number of images
required to train
artificial intelligence algorithms.
Our second goal -- we were more ambitious,
we wanted to reduce the use
of expensive medical imaging technologies

Japanese: 
これらの画像を
分析してもらいます
そして これら２つの
情報を用いて
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
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
最初のアプローチと同じように
AIを使った従来のアプローチでは
同じ問題に突き当たります
膨大なデータ、専門医
専門医用画像技術
では より広めやすく、より効果的で
より価値のある
AIを構築し
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？
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
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
いくつかの斬新な
AIの仕組みを開発しました
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
最初の目標は
AIのアルゴリズムの
学習に必要な画像の
枚数を減らすことでした
２つ目の目標は
より野心的で
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

Galician: 
que analizaría esas imaxes para min.
E con esas dúas fontes de datos,
podo adestrar unha rede neural estándar
ou unha rede de aprendizaxe profunda
para que faga o diagnóstico.
Ao igual que no primeiro método,
partir da intelixencia artificial
tradicional
presenta o mesmo problema.
Moitísimos datos, médicos expertos
e tecnoloxías de imaxe especializadas.
É posible inventar arquitecturas
de intelixencia artificial
ampliables, máis eficientes e máis útiles
para resolver estes importantes problemas
que temos hoxe?
Isto é precisamente o que fai o meu grupo
no Media Lab do MIT.
Levamos inventadas varias arquitecturas
de IA pouco convencionais
para resolver algúns dos desafíos
actuais máis importantes
no campo da imaxe médica
e as probas clínicas.
No caso que veño de describirvos
tiñamos dous obxectivos.
O primeiro era reducir o número de imaxes
que cómpren para adestrar
algoritmos de intelixencia artificial.
O segundo era máis ambicioso.
Queríamos reducir o uso
de custosas tecnoloxías de imaxe médica

French: 
qui les analyserait à notre attention.
A partir ces deux informations,
je peux former un réseau de neurones,
ou réseau d'apprentissage profond,
à réaliser des diagnostics de patients.
D'autres approches similaires,
des approches traditionnelles de l'IA,
sont pénalisées par le même problème :
un volume important de données,
des médecins spécialistes
et des experts en imagerie médicale.
Pourrions-nous concevoir
des architectures d'IA
plus évolutives,
plus efficaces et plus utiles,
pour résoudre ces problèmes cruciaux
auxquels nous sommes confrontés ?
C'est précisément ce que nous faisons
au Media Lab du MIT.
Nous avons inventé une série
d'architectures d'IA inhabituelles
pour résoudre les défis
les plus importants
dans l'imagerie médicale
et les tests cliniques.
Dans l'exemple que je vous ai montré,
nous avions deux objectifs.
Le premier consiste
à réduire le nombre d'images
nécessaire pour former
les algorithmes de l'IA.
Notre deuxième objectif, plus ambitieux,
est de vouloir réduire l'usage
de technologies d'imagerie médicale chères

iw: 
אשר יצטרך לנתח
את ההדמיות האלו עבורי.
ובעזרת שתי פיסות המידע האלו,
אני יכול לאמן רשת נוירונים סטנדרטית
או רשת למידה
על למנת לספק אבחנה למטופל.
בדומה לגישה הראשונה,
גישות מסורתיות
לבינה מלאכותיתֿ
סובלות מאותה הבעיה.
כמויות גדולות של מידע, רופאים מומחים
וטכנולוגיות הדמיה רפואית מתוחכמות.
מכאן, האם ניתן להמציא פתרון מדרגי, יעיל
וליצור מערכות בינה מלאכותית
בעלות ערך גדול יותר
לפתרון בעיות חשובות מסוג זה
עמן אנו מתמודדים כיום?
וזה בדיוק
מה שהקבוצה שלי עושה.
המצאנו מגוון
מערכות בינה מלאכותית חדשניות
על מנת לפתור כמה מהאתגרים
החשובים ביותר עמם אנו מתמודדים כיום
בהדמיה רפואית וניסויים קליניים.
בעזרת הדוגמה ששיתפתי איתכם היום
הצבנו שתי מטרות.
המטרה הראשונה היא לצמצם
את מספר ההדמיות
הנדרשות על מנת לאמן 
אלגוריתם של בינה מלאכותית.
המטרה השניה -- הייתה לנו יותר תעוזה,
רצינו לצמצם את השימוש
בטכנולוגיות הדמיה רפואית יקרות

Vietnamese: 
để người đó phân tích những tấm ảnh.
Và sử dụng hai thông tin đó,
tôi có thể tạo ra một liên kết nơ-ron
nhân tạo tiêu chuẩn hoặc nghiên cứu sâu
để chẩn đoán bệnh.
Tương tự như vậy,
trí tuệ nhân tạo truyền thống
cũng trải qua vấn đề đó.
Khối lượng dữ liệu lớn, bác sĩ hàng đầu
và những chuyên gia về công nghệ hình ảnh.
Vậy chúng ta có thể phát minh ra mô hình
mở rộng mang tính hiệu quả
và nhiều kiến trúc trí tuệ nhân tạo
đáng giá hơn
để xử lí các vấn đề quan trọng
mà ta đang đối mặt ngày nay ?
Và đây là những việc nhóm phòng thí nghiệm
truyền thông MIT thực hiện.
Chúng tôi đã phát minh ra
nhiều kiến trúc AI không chính thống
để giải quyết một số thách thức
quan trọng nhất mà ta đang gặp phải
trong kĩ thuật ảnh y khoa và 
các thử nghiệm lâm sàng.
Ở ví dụ đã chia sẻ với các bạn 
hôm nay, chúng tôi có hai mục tiêu.
Đầu tiên là giảm số lượng hình ảnh
cần để huấn luyện các thuật toán
trí tuệ nhân tạo.
Thứ hai--
chúng tôi có tham vọng hơn thế nữa,
chúng tôi muốn giảm đi việc sử dụng
các kỹ thuật hình ảnh y khoa đắt đỏ

Chinese: 
來為我分析這些影像。
用這兩種資訊，
我就能訓練標準的
深度類神經網路或深度學習網路
來提供對病人的診斷。
和第一個方法很類似，
傳統人工智慧方法
也會遇到同樣的問題。
大量的資料、專業醫生，
以及專業醫療成像技術。
我們是否能發明
更有擴展性、更有效，
且更有價值的人工智慧架構，
來解決我們現今所面臨的
這些非常重要的問題？
這就是我的團隊在麻省理工學院
媒體實驗室在做的事。
我們已經發明了多種
非正統的人工智慧架構
來解決我們現今在醫療成像
及臨床實驗方面
所面臨的一些最重要的挑戰。
在今天我和各位分享的
例子中，我們有兩個目標。
我們的第一個目標是要減少
訓練人工智慧演算法
所需要的影像數量。
我們的第二個目標——
我們的野心更大，
我們想要減少使用昂貴醫療成像技術

Italian: 
per analizzare le immagini.
Usando questi due tipi di informazioni,
posso modellare una rete neurale standard
o processo di apprendimento in profondità
per fornire la diagnosi al paziente.
Analogamente al primo approccio,
gli approcci tradizionali di IA
riferiscono lo stesso problema.
Grande quantità di dati, specialisti
e tecnologie mediche ad immagini.
Possiamo progettare architetture
di intelligenza artificiale
più scalabili, più efficienti e più utili
per risolvere le criticità
che stiamo affrontando oggi?
È esattamente quello che facciamo
al MIT Media Lab.
Abbiamo progettato numerose
architetture IA non ortodosse
per risolvere i problemi attuali
più preoccupanti
nelle tecnologia clinica ad immagini
e nel processo clinico.
Nell'esempio che vi ho portato oggi,
avevamo due obiettivi.
Il primo obiettivo era
ridurre il numero di immagini
richieste nel processo di apprendimento
dell'algoritmo IA.
Per il secondo obiettivo,
eravamo più ambiziosi,
volevamo ridurre l'utilizzo
delle tecnologie mediche più costose

Bulgarian: 
който ще анализира тези образи.
С тези два вида информация,
мога да обуча стандартна дълбока невронна 
мрежа или мрежа за дълбоко обучение,
за да предоставя диагноза на пациентите.
Както и при първия подход,
традиционните подходи, 
включващи изкуствен интелект,
страдат от същия проблем.
Големи количества данни, специалисти и 
специализирани технологии за медицински образи.
Можем ли да създадем по-достъпна, 
ефективна
и стойностна архитектура за 
изкуствен интелект,
за да се справим с тези сериозни
проблеми, с които се сблъскваме?
Това е задачата, с която се занимава
моята група в Медийната лаборатория
на Технологичния Институт в Масачузец.
Ние изобретихме различни
нестандартни AI архитектури,
за да решим най-сериозните
проблеми, с които се сблъскваме днес
във връзка с медицинските образи и 
и клинични изпитвания.
Във връзка с примера, който споделих днес 
с вас, ние имахме две цели.
Първата ни цел беше да намалим
броя изображения,
необходими, за да бъдат обучени
алгоритмите на изкуствения интелект.
Втората ни цел - по-амбициозна -
беше да намалим използването на 
скъпа медицинска образна технология

Turkish: 
benim için analiz etmesi gerekli.
Ve elde edilen bu iki bilgiyi kullanarak
standart bir derin yapay sinir ağını
veya bir derin öğrenme ağını
hastanın tanısı için eğitebilirim.
İlk yaklaşıma benzer şekilde,
geleneksel yapay zekâ yaklaşımları
aynı sorundan muzdariptir.
Büyük miktarda veri, uzman hekimler
ve ileri tıbbi görüntüleme teknolojileri.
Peki şu anda karşılaştığımız 
bu önemli sorunları çözmek adına
daha etkili, daha ölçeklenebilir
ve daha değerli
yapay zekâ mimarileri
geliştirebilir miyiz?
İşte grubumla MIT Medya Laboratuvarı'nda 
yaptığımız şey tam olarak bu.
Günümüzde klinik deneylerde karşılaşılan
bu bazı önemli sorunların çözümü için
alışılmışın dışında çeşitli 
YZ mimarileri oluşturduk.
Bugün sizinle paylaştığım örnekte,
iki hedefimiz vardı.
Birinci hedefimiz, 
yapay zekâ algoritmalarını eğitmek için
gereken görüntü sayısını azaltmaktı.
İkinci hedefimiz ise
daha iddialıydı:
Hastaları incelemek için gerekli
maliyeti yüksek görüntüleme sistemlerinin

Czech: 
který by je vyhodnotil.
Pomocí těchto dvou informací mohu trénovat
standardní hluboké neuronové sítě
nebo sítě hlubokého učení,
zjistit pacientovu diagnózu.
Stejně jako první přístup
mají tradiční přístupy umělé inteligence
stejný problém.
Velké objemy dat, přítomnost specialistů
a specializovaných zobrazovacích zařízení.
Můžeme tedy vyvinout dokonalejší,
účinnější a hodnotnější architektury 
umělé inteligence,
abychom tak vyřešili důležité problémy,
kterým nyní čelíme?
A to je přesně to, co dělá můj tým
při MIT Media Lab.
Vyvinuli jsme různé netradiční
architektury umělé inteligence,
abychom vyřešili ty největší
problémy, kterým nyní čelíme
při zobrazovacích a klinických testech.
U příkladu, který jsem vám dnes ukázal,
jsme měli dva cíle.
Naším prvním cílem bylo snížit 
počet snímků,
které jsou zapotřebí pro vytrénování
algoritmů umělé inteligence.
Naším druhý cílel bylo -ambicióznějším -
menší využívání drahých 
zdravotnických zobrazovacích technologií

Arabic: 
لتحليل هذه الصور لنا.
وباستخدامنا لهذه المعلومات،
يمكننا تدريب شبكة عصبونية عميقة نموذجية
أو شبكة تعلم عميق
لتوفير التشخيص للمريض
على غرار النهج الأول،
فإن أساليب الذكاء الاصطناعي التقليدي
تعاني من نفس المشكلة.
كميات كبيرة من البيانات والأطباء الخبراء 
وتقنيات تصوير طبي متطورة.
هل يمكننا إذًا إيجاد أساليب 
أكثر فعالية وقابلة للتوسع
إضافة إلى طرق ذكاء اصطناعي قيمة
لحل هذه المشاكل التي تواجهنا اليوم؟
هذا تماماً هو ما تعمل عليه مجموعتنا 
في مختبر "إم آي تي ميديا لاب".
اختراع مجموعة متنوعة 
من أساليب الذكاء الاصطناعي غير التقليدية
لحل الكثير من التحديات التي تواجهنا اليوم
في مجال التصوير الطبي والتجارب السريرية
في المثال الذي عرضته اليوم،
كان لدينا هدفان
الهدف الأول كان تقليص
عدد الصور الطبية المطلوبة
لتدريب خوارزميات الذكاء الاصطناعي.
أما الهدف الثاني، فهو أكثر طموحاً،
كنا نريد التقليل من استخدام 
تقنيات التصوير الطبي عالية الكلفة

Russian: 
для обследования пациентов.
Итак, как нам это удалось?
Для достижения первой цели
вместо обработки десятков или тысяч
дорогостоящих скринингов,
как при традиционной форме ИИ,
мы начали с единственного изображения.
На основе снимка мы с моей командой
разработали очень рациональный способ
извлечения миллиардов блоков информации.
Эти блоки информации содержат
цвет, пиксели, геометрию,
визуализируя саму болезнь на изображении.
Мы превратили одну картинку 
в миллиарды точек данных,
значительно уменьшив объём данных, 
необходимых для обучения алгоритма.
Для достижения второй цели —
сокращения использования
дорогих технологий скрининга —
мы берём стандартную цифровую фотографию,
сделанную либо на фотоаппарате, 
либо с помощью смартфона.
Помните про миллиарды блоков информации?
Мы наложили на них изображения,
создав так называемое
составное изображение.
К нашему удивлению, 
нам потребовалось всего лишь 50 —
повторяю, всего 50 —

Portuguese: 
reduzir o uso de tecnologias caras
de imagem médica para examinar pacientes.
Como fizemos isso?
Para o primeiro objetivo, em vez
de começarmos com dezenas e milhares
de imagens muito caras,
como a IA tradicional,
começamos com uma única imagem.
A partir dela, minha equipe e eu
descobrimos uma maneira muito inteligente
de extrair bilhões de pacotes
de informação.
Esses pacotes incluíam
cores, pixels, geometria
e renderização da doença na imagem médica.
De certa forma, convertemos uma imagem
em bilhões de pontos de dados de formação,
reduzindo bastante a quantidade
de dados necessários para a formação.
Para o segundo objetivo,
reduzir o uso de tecnologias caras
de imagem médica para examinar pacientes,
começamos com uma fotografia
padrão, de luz branca,
obtida a partir de uma câmera DSLR
ou de um telefone celular para o paciente.
Lembram-se dos bilhões
de pacotes de informação?
Sobrepusemos os da imagem
médica a essa imagem,
criando algo que chamamos
de imagem composta.
Para nossa surpresa,
precisamos apenas de 50,
repito, apenas 50

Hungarian: 
drága orvosi képalkotó
technológiák használatát.
Hogyan oldottuk ezt meg?
Első célkitűzésünkhöz
egyetlen orvosi képet fogtunk,
nem pedig tízezernyi nagyon drága képet,
mint a hagyományos MI esetében.
Csapatom és én nagyon frappáns módot
találtunk ki arra, hogy ebből a képből
milliárdnyi információs
csomagot vonjunk ki.
Az információs csomagok tartalma:
színek, képpontok, geometria,
és a betegség leképezése
az orvosi képre.
Bizonyos értelemben több milliárd betanító
adatponttá konvertáljuk ezt az egy képet,
jelentősen csökkentve a betanításhoz
szükséges adatmennyiséget.
Második célkitűzésünkhöz,
a betegek szűréséhez használt
drága orvosi képalkotó technológiák
alkalmazásának csökkentéséhez
közönséges fényképet készítettünk
nappali fényben,
tükörreflexes fényképezőgéppel
vagy mobiltelefonnal.
Aztán emlékeznek arra a több milliárdnyi
információcsomagra?
Azokat ráfektettük
az orvosi képről erre a képre,
és úgynevezett összetett képet
alkottunk belőlük.
Nagy meglepetésünkre
ötven ilyen összetett kép
elég volt ahhoz – mondom: csak ötven –,

Italian: 
per lo screening del paziente.
Come?
Per il nostro primo obiettivo,
invece di partire con decine di migliaia
di costosissime immagini,
come con l'IA tradizionale,
abbiamo iniziato con una singola lastra.
Da questa lastra, insieme al mio team
ho elaborato un modo molto ingegnoso
per estrapolare miliardi
di blocchi di informazione.
Questi blocchi di informazione
includevano colori, pixel, relazione
e interpretazione della malattia
sulla lastra.
Pertanto, abbiamo convertito un'immagine
in miliardi di punti di apprendimento,
riducendo enormemente l'ammontare
dei dati necessari per l'apprendimento.
Per il secondo obiettivo,
ridurre l'uso di tecnologie costose
per l'esame clinico dei pazienti,
abbiamo cominciato con una fotografia
a luce bianca standard,
acquisita con una macchina digitale
o la fotocamera del cellulare.
Ricordate quei miliardi
di blocchi di informazioni?
Sono stati sovrapposti
dalla lastra su questa immagine,
creando un'immagine composta.
Sorprendentemente,
ne sono occorse solo 50,
ripeto, solo 50

Burmese: 
လျှော့ချဖို့ပါ။
ဒီတော့ ဘယ်လိုလုပ်ခဲ့လဲ။
ပထမ ရည်မှန်းချက်အတွက်
အစဉ်အလာ AI လို သောင်းချီတဲ့
အလွန်စျေးကြီးတဲ့ 
ဆေးဘက်ဆိုင်ရာပုံတွေနဲ့ စတာအစား
ဆေးဘက်ဆိုင်ရာပုံတစ်ပုံတည်းနဲ့ စခဲ့တယ်။
ဒီပုံကနေ ကျွန်တော်တို့အဖွဲ့ဟာ ဘီလီယံ
သန်းချီတဲ့ သတင်းအချက်အလက်အထုပ်လေးတွေကနေ
ထုတ်ယူဖို့ အရမ်းကောင်းတဲ့ 
နည်းတစ်ခုကို မှန်းဆခဲ့တယ်။
ဒီသတင်းအချက်အလက်အထုပ်လေးတွေမှာ
အရောင်တွေ၊ ပစ်ဇယ်တွေ၊ ဂျီဩမေထရီနဲ့့
ဆေးဘက်ဆိုငိရာပုံပေါ်က ရောဂါရဲ့ 
ပြန်ဆိုချက်ပါတယ်။
သဘောတစ်ခုက ပုံတစ်ပုံကို ပုံစံသွင်းထားတဲ့ 
ဘီလီယံချီတဲ့ ဒေတာအချက်တွေအဖြစ်ပြောင်းတယ်
ပုံစံပြောင်းဖို့လိုအပ်တဲ့ ဒေတာပမာဏကို
အများအပြား လျှောချရင်းပါ။
ဒုတိယပန်းတိုင်အတွက်
လူနာတွေကို စစ်ဆေးဖို့ စျေးကြီးတဲ့ ဆေးဘက်
ပုံထုတ်နည်းပညာ အသုံးကိုလျှော့ဖို့ပါ။
ပုံမှန် အရောင်မဲ့အလင်းဓာတ်ပုံနဲ့
စတင်ခဲ့တယ်၊
DSLR ကင်မရာ(သို့) ဖုန်းတစ်လုံးကနေ
လူနာအတွက် ရိုက်ထားတာပေါ့။
ဒီနောက် ဒီဘီလီယံချီတဲ့ သတင်းထုပ်
ကလေးတွေကို သတိရပါ။
ဒါတွေကို ဆေးဘက်ဆိုင်ရာပုံကနေ 
ဒီပုံပေါ်ကို ထပ်လိုက်တယ်။
ပေါင်းစပ်ပုံလို့ ခေါ်တာတစ်ခုကို
ဖန်တီးရင်းပေါ့
ကျွန်တော်တို့ အရမ်းအံ့တာက
ပုံ ၅၀ ပဲ ကျွန်တော်တို့လိုတယ်၊
ထပ်ပြောမယ် အယ်လ်ဂိုရစ်သမ်ကို

French: 
pour examiner les patients.
Comment avons-nous fait ?
Pour le premier objectif,
au lieu de commencer
avec des dizaines de milliers
d'images médicales chères,
comme pour une IA traditionnelle,
on a commencé avec une seule image.
À partir de cette image, avec mon équipe,
on a trouvé une manière très ingénieuse
d'extraire des milliards
de paquets de données.
Ces paquets d'informations incluent
des couleurs, des pixels, la géométrie,
et le rendu de la maladie
sur l'image médicale.
En fait, on a converti une image
en milliards de données de formation,
réduisant ainsi massivement le volume
de données nécessaire à cette formation.
Pour notre 2e objectif, réduire l'usage
de technologies d'imagerie médicale
pour examiner les patients,
on a commencé avec une photo
normale, à la lumière du jour,
prise avec un appareil photographique
reflex mono-objectif, ou un smartphone.
Souvenez-vous maintenant
des milliards de paquets d'informations.
On les a superposés
à partir de l'image médicale,
créant ce qu'on appelle
une image composite.
À notre grande surprise,
nous n'avons eu besoin de seulement 50,
j'insiste, seulement 50,

Persian: 
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 میلیاردها
بسته اطلاعات پیدا کردیم.
این بسته‌های اطلاعات
شامل رنگ، پیکسل، هندسه
و ترجمه بیماری روی تصویر پزشکی بود.
به بیانی، ما یک عکس را به میلیاردها
نقطه اطلاعاتی آموزشی تبدیل کردیم،
که به طور قابل توجهی میزان
اطلاعات لازم برای آموزش را کاهش داد.
برای هدف دوم‌مان،
برای کاهش استفاده از فناوری‌های تصویربرداری
گران‌قیمت پزشکی برای بررسی بیماران،
ما با یک عکس استاندارد
با نور سفید شروع کردیم،
که با یک دوربین DSLR
یا دوربین گوشی از بیمار گرفته شده بود.
بعد، آن میلیاردها بسته
اطلاعاتی را یادتان هست؟
ما آنها را از تصویر پزشکی
روی این عکس انداختیم،
تا چیزی بسازیم که به آن
تصویر مرکب می‌گوییم.
در عین ناباوری، فقط به ۵۰ عکس --
تکرار می‌کنم، فقط ۵۰ --

Portuguese: 
para examinar doentes.
Então, como o fizemos?
No primeiro objectivo,
em vez de começarmos
com dezenas e milhares
destas imagens médicas caras,
como a IA tradicional,
começámos com uma única imagem médica.
A partir desta imagem, a minha equipa e eu
encontrámos uma forma inteligente
de extrair milhares de milhões 
de pacotes de informações.
Estes pacotes de informações
incluíam cores, pixeis, geometria
e a apresentação da doença
na imagem médica.
Ou seja, convertemos uma imagem
em milhares de milhões de pontos de dados,
reduzindo massivamente o número
de dados necessários para o treino.
Para o segundo objectivo
— reduzir o uso da tecnologia
de imagiologia médica cara
para examinar doentes —
começámos com uma fotografia
normal, com luz natural,
tirada por uma câmara DSLR
ou um telemóvel, para o doente.
Lembram-se dos milhares de milhões
de pacotes de informações?
Nós sobrepomos esses pacotes
da imagem médica nesta imagem,
criando algo a que chamamos 
uma imagem composta.
Para nossa surpresa,
só precisámos de 50
— repito, só 50 —

German: 
um die Patienten zu screenen.
Wie haben wir das gemacht?
Für unser erstes Ziel haben wir,
statt wie traditionelle KI
mit Tausenden dieser sehr teuren
medizinischen Bilder zu starten,
mit einem einzelnen
medizinischen Bild angefangen.
Von diesem Bild aus fanden mein Team
und ich einen cleveren Weg,
Milliarden dieser
Informationspakete zu extrahieren.
Diese Informationspakete beinhalteten
Farben, Pixel, Geometrie
und die Darstellung der Krankheiten
auf den medizinischen Bildern.
Wir haben quasi ein Bild
in Milliarden Trainingsdaten gewandelt
und die Datenmenge massiv reduziert,
die für das Training benötigt wird.
Für unser zweites Ziel, die Nutzung
teurer medizinischer Bildtechnologien
beim Screening zu verringern,
starteten wir mit einer
normalen Weißlichtaufnahme,
aufgenommen mit einer DSLR Kamera oder
mit einer Telefonkamera für den Patienten.
Erinnern Sie sich an
die Milliarden Informationspakete?
Wir haben diese mit den
medizinischen Bildern überlagert
und etwas erschaffen,
das wir Verbund-Bild nennen.
Zum unserem großen Erstaunen
benötigten wir nur 50 --
Ich wiederhole, nur 50 --

Korean: 
줄이는 것이었죠.
과연 어떻게 됐을까요?
첫 번째 목표를 위해,
기존의 인공지능과 같이
아주 많은 비용을 들여
촬영하는 영상 수 천장을 대신해,
단 한 장으로 시작했습니다.
동료들과 함께 그 영상에서
수 억개의 정보 패킷을
추출할 수 있는
아주 기발한 방법을 찾아냈죠.
이 정보 패킷들은 영상 속
질병의 색상, 화소, 기하학적 구조,
렌더링 등이 포함되어 있습니다.
즉, 하나의 영상을 수 십억개의
학습용 자료점으로 변환해,
학습에 필요한 자료의 양을
현저히 줄이는 것이죠.
두 번째 목표를 위해서는
환자의 선별에 쓰이는
의료영상기술의 사용을 줄이기 위해,
일반적인 백색광 사진을
사용하기 시작했습니다.
DSLR 사진기나
휴대전화에서도 가능한 것이죠.
수 십억개의 정보 패킷 기억하시죠?
의료영상에서 빼낸 정보들을
바로 이 영상 위에 입혀
합성하는 거죠.
놀랍게도, 저희는 단 50장,
한번 더 말하죠, 단 50장입니다.

English: 
to screen patients.
So how did we do it?
For our first goal,
instead of starting
with tens and thousands
of these very expensive medical images,
like traditional AI,
we started with a single medical image.
From this image, my team and I
figured out a very clever way
to extract billions
of information packets.
These information packets
included colors, pixels, geometry
and rendering of the disease
on the medical image.
In a sense, we converted one image
into billions of training data points,
massively reducing the amount of data
needed for training.
For our second goal,
to reduce the use of expensive medical
imaging technologies to screen patients,
we started with a standard,
white light photograph,
acquired either from a DSLR camera
or a mobile phone, for the patient.
Then remember those
billions of information packets?
We overlaid those from
the medical image onto this image,
creating something
that we call a composite image.
Much to our surprise,
we only required 50 --
I repeat, only 50 --

Romanian: 
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 -

Bulgarian: 
за преглед на пациенти.
Как го направихме?
За първата ни цел,
вместо да започнем с десетки хиляди
от тези скъпи медицински образи,
както при традиционния изкуствен интелект,
започнахме с едно единствено 
медицинско изображение,
От това изображение, моят екип и аз
намерихме оригинален начин,
за да извлечем милиарди
информационни пакети.
Тези информационни пакети
включваха цветове, пиксели, геометрия
и изобразяване на болестта
върху медицинския образ.
В известен смисъл, ние превърнахме
едно изображение в милиарди източници за обучение
и така намалихме количеството данни,
необходими за обучението.
За втората ни цел,
намаляването на използването на скъпи медицински 
образни технологии за преглед на пациенти,
ние започнахме със стандартна снимка 
с бяла светлина,
създадена или с DSLR фотоапарат,
или мобилен телефон, за пациента.
Помните ли онези милиарди 
информационни пакети?
Насложихме ги върху тази снимка,
създавайки по този начин нещо, 
което се нарича композитно ичображение.
За наша изненада се нуждаехме от само 50,
потварям, само 50

Kurdish: 
.کە وێنەی نەخۆشەکان دەگرێت
چۆن ئەمەمان کرد؟
،بۆ یەکەم ئامانجمان
لە جیاتی ئەوەی بە هەزاران و دەیان هەزار
لەم وێنە گرانبەهایانە بەکاربێنین 
،وەک (ئەی- ئای)ەکانی پێشتر
.بە یەک وێنەی پزیشکی دەستمان پێکرد
لەم وێنەیەوە، خۆم و تیمەکەم،
ڕێگەیەکی زۆر زیرەکانەمان دۆزیەوە
بۆ دۆزینەوە و دەرهێنانی 
.ملیارەها جۆری زانیاری
ئەم زانیاریانە، لە ڕەنگ
،پێکسڵەکان و شێوەی ئەندازەیی پێکهاتبوون
و دوبارە ڕێکخستنەوەی ئەم نەخۆشیانە
.لەڕێگەی ئەم وێنە پزیشکییەوە
بە شێوەیەک، ئێمە یەک وێنەمان
،گۆڕی بۆ ملیارەها خاڵی ڕاهێنان
بە ئەمەش بڕێکی زۆری کەمدەکاتەوە 
لەو زانیاریانەی کە پێویستە بۆ ڕاهێنان.
،ئامانجی دووهەم
بۆ کەمکردنەوەی بەکارهێنانی تەکنەلۆجیای
وێنەکردنی پزیشکی بۆ نەخۆشەکان
بە یەک وێنەی ئاسایی دەستمانپێکرد
کە لە مۆبایل یان کامێرا دەگیرێت
.بۆ نەخۆشەکە
بیری ئەو ملیار پاکێتی زانیاریانت هەیە؟
،ئەو وێنە پزیشکیانەمان خستە سەر ئەم وێنەیە
کە شتێک پێکدێنێت پێی دەوترێت 
.وێنەیەکی ئاوێتە
،بە شێوەیەکی سەرسامکەر
تەنها ٥٠ دانەمان پێویستە بوو
دووبارەی دەکەمەوە تەنها ٥٠ دانە

Japanese: 
減らしたいと考えました
私達は どう取り組んだでしょう？
最初の目標については
従来のAIのように
数万枚もの高価な医用画像から
取りかかるのではなく
１枚の医用画像から
始めることにしました
私のチームは
この画像から 何十億もの
情報パケットを抽出する
賢い方法を見つけました
これら情報パケットに含まれるのは
色、画素、位置関係—
そして医用画像に
病巣をレンダリングしたものです
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
学習に必要なデータ量の
大幅減が可能になりました
二つ目の目標
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
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
標準的な白色光の写真から始めました
先程の何十億もの
情報パケットを覚えていますか？
医用画像から得たそれらの情報を
この画像の上に重ね
いわゆる 合成写真を作りました
かなり驚いたことに
わずか50枚で十分でした
繰り返しますが
わずか50枚の

Galician: 
na detección de enfermidades.
Como o fixemos?
Para o primeiro fin,
no canto de comezar con decenas de miles
desas carísimas imaxes médicas,
como na IA tradicional,
empezamos con só unha.
A partir desta imaxe, o meu equipo
atopou un modo moi enxeñoso
de extraer miles de millóns
de paquetes de datos.
Estes paquetes contiñan
cores, píxels, xeometría
e representación da doenza
na imaxe médica.
En certo sentido, convertemos unha imaxe
en miles de millóns de observacións
e reducimos moito a cantidade de datos
necesaria para adestrar o sistema.
Para o segundo obxectivo,
reducir o uso de custosas tecnoloxías
de imaxe para detectar enfermidades,
comezamos cunha foto estándar
iluminada con luz branca,
tomada cunha cámara réflex dixital
ou cun móbil.
Entón, lembrades os miles de millóns
de paquetes de datos?
Superpuxemos ese datos obtidos
da imaxe médica sobre estoutra imaxe,
creando así o que chamamos
unha imaxe composta.
Para a nosa sorpresa, fixeron falla só 50,
insisto, só 50,

Chinese: 
医疗图像技术。
那么我们是怎样做的？
我们的第一个目标，
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，
我和我的团队想出了
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
和疾病呈现在医疗图像上的效果。
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像技术。
最开始，我们会从
数码单反相机或手机中
获取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——

Chinese: 
來篩選病人。
我們要怎麼做？
針對第一個目標，
不像傳統人工智慧一開始
要用到數萬張非常
昂貴的醫療影像，
我們反而從單一張醫療影像開始。
從這張影像，我和我的團隊
想出了一個非常聰明的方法
來取出數十億個資訊封包。
這些資訊封包包括用
顏色、像素、幾何學，
在醫療影像上呈現疾病。
在某種意義上，我們是把一張影像
轉變為數十億個訓練資料點，
大大減少了訓練所需要的資料量。
至於第二個目標，
也就是減少使用昂貴的
醫療成像技術來篩選病人，
我們一開始使用的是
一張病人的標準白光照片，
可以用數位單眼相機或手機來拍攝。
接著，還記得
那數十億個資訊封包嗎？
我們將那些來自醫療影像的
封包疊到這張影像上，
創造出我們所謂的合成影像。
很讓我們驚訝的是，
我們只需要五十張——
我重覆一次，只要五十張——

Vietnamese: 
để chụp bệnh nhân.
Vậy chúng tôi đã làm thế nào?
Đối với mục tiêu đầu tiên,
thay vì bắt đầu với hàng nghìn
ảnh chụp y khoa đắt tiền,
như AI truyền thống,
chúng tôi bắt đầu
với một ảnh y khoa.
Từ ảnh này, nhóm tôi đã tìm ra
một cách rất thông minh
trích ra hàng tỉ gói thông tin.
Các gói thông tin này bao gồm màu sắc,
điểm ảnh, khối hình học
và tập hợp lại các bệnh trên ảnh y khoa.
Nói cách khác, chúng tôi đã chuyển một ảnh
thành hàng tỉ dữ liệu huấn luyện,
giảm một khối lượng lớn
các dữ liệu cần thiết cho việc huấn luyện.
Đối với mục tiêu thứ hai,
để hạn chế sử dụng các công nghệ
đắt tiền cho bệnh nhân,
chúng tôi bắt đầu với một bức ảnh
ánh sáng trắng chuẩn,
được lấy từ máy ảnh DSLR hay điện thoại,
từ bệnh nhân.
Các bạn còn nhớ hàng tỉ gói thông tin
đó không?
Chúng tôi phủ chúng lên tấm ảnh này,
tạo ra thứ mà chúng tôi gọi là
ảnh tổng hợp.
Chúng tôi rất ngạc nhiên khi chỉ cần 50--
tôi nhắc lại, chỉ 50 tấm ảnh tổng hợp--

Czech: 
ke screeningu pacientů.
Tak jak jsme to dokázali?
Pro náš první cíl,
namísto začínání s desítkami a tisíci
drahých zdravotnických snímků,
jako tradiční umělá inteligence,
začali jsme u jednoho 
zdravotnického snímku.
Z tohoto snímku jsem spolu s týmem
dokázali chytře získat
miliardy informačních souborů.
Tyto soubory obsahují informace o
barvách, pixelech, uspořádání
a podobě nemoci
na zdravotnickém snímku.
Vlastně jsme jen změnili jeden obrázek
na miliardy zkušebních datových bodů,
což značně snížilo množství dat,
která jsou pro učení zapotřebí.
Pro náš druhý cil,
omezit využívání drahých zdravotnických
snímkovacích technologií,
jsme začali se standardní
fotografií s bílým světlem,
kterou jsme pořídili buď zrcadlovkou,
nebo mobilním telefonem.
Vzpomínáte si na ty miliardy 
informačních souborů?
Vložili jsme zdravotnický snímek
na tento obrázek
a vytvořili něco, čemu
říkáme složený snímek.
K našemu překvapení jsme jich
potřebovali pouze 50.
Opravdu jen 50 těchto složených snímků,

Turkish: 
kullanımını azaltmak.
Peki bunu nasıl başardık ?
İlk hedefimiz için öncelikle
geleneksel yapay zekâda gerektiği gibi
yüzlerce pahalı test yapmak yerine
sadece bir tıbbi görüntü kullandık.
Tek bir görüntüden, milyarlarca 
veri paketi elde etmek için
ekibimle akıllı bir yöntem keşfettik.
Bu bilgi paketlerinde, 
renkler, pikseller, şekiller
ve hastalığın tıbbi görüntüsü
bulunuyordu.
Başka bir deyişle, 
bir resmi milyarlarca
eğitim materyali hâline getirip 
gereken veriyi büyük ölçüde azalttık.
İkinci hedefe gelince,
hastaları görüntülemek için
kullanılan pahalı testler yerine,
cep telefonu veya DSLR kamera ile
beyaz ışıkta çekilmiş 
standart bir fotoğraf ile başladık.
Milyarlarca bilgi paketini
hatırladınız mı?
Bu fotoğrafı, 
tıbbi testlerden elde edilen görüntülerle
üst üste birleştirerek,
"kompozit görüntü"yü elde ettik.
Asıl sürpriz, 
yalnızca 50 kompozit görüntü
tekrar ediyorum, 50 adet ile

Arabic: 
لفحص المرضى
إذاً كيف فعلنا ذلك؟
بالنسبة لهدفنا الأول،
بدلاً من البدء بالعشرات والآلاف
من هذه الصور الطبية المكلفة، 
واستعمال الذكاء الاصطناعي التقليدي
بدأنا بصورة طبية واحدة
ومن خلال هذه الصورة، 
استطعت أنا وفريقي أن نجد أسلوبًا ذكيًّا
لاستخراج المليارات من حزم المعلومات.
تتضمن حزم المعلومات هذه: 
الألوان والبكسلات والأبعاد
وتوصيفات المرض على الصورة الطبية.
بمعنى آخر، قمنا بتحويل صورة واحدة
إلى مليارات النقاط من بيانات التدريب،
مما قلل بشكل كبير من كمية البيانات 
اللازمة للتدريب
بالنسبة للهدف الثاني،
أي الحد من استخدام الصور الطبية المكلفة 
لفحص المرضى،
بدأنا بصورة الضوء الأبيض القياسية،
الملتقطة للمريض إما من آلة تصوير رقمية 
ذات عدسة أحادية عاكسة أو من هاتف محمول.
المليارات من حزم المعلومات 
الذي ذكرناها قبل قليل؟
قمنا بتركيبها على هذه الصورة،
وأنشأنا ما نسميه صورة مركبة.
وما أدهشنا هو أننا احتجنا فقط إلى 50 صورة
أكرر، فقط خمسون صورة

Spanish: 
para escaner los pacientes.
¿Cómo lo hicimos?
Para el primer objetivo,
en vez de comenzar con decenas de miles
de estas costosas imágenes,
como la IA tradicional,
comenzamos con una sola imagen médica.
De esta imagen, mi equipo y yo
encontramos una manera ingeniosa
de extraer miles de millones
de paquetes de información.
Estos paquetes incluían
colores, píxeles, geometría
y la representación de la enfermedad
en la imagen de diagnóstico.
Es decir, convertimos una imagen en 
miles de millones de puntos de datos,
reduciendo enormemente la cantidad
de datos necesarios para el entrenamiento.
Para el segundo objetivo,
para reducir el uso de los costosos 
escáneres para examinar pacientes
comenzamos con una fotografía
estándar con luz natural
tomada con una cámara DSLR
o con el teléfono del paciente.
¿Recuerdan esos miles de millones
de paquetes de información?
Superpusimos esos paquetes 
de la imagen de diagnóstico
sobre esta imagen,
creando lo que llamamos 
una imagen compuesta.
Para nuestra sorpresa,
solo necesitamos 50,
repito, solo 50

iw: 
בשביל לסנן מטופלים.
כיצד עשינו זאת?
עבור המטרה הראשונה,
במקום להתחיל
בעשרות אלפים
מן ההדמיות היקרות הללו,
כמו בינה מלאכותית מסורתית,
התחלנו מהדמיה בודדת.
בעזרת אותה ההדמיה, הצוות ואני 
מצאנו שיטה חכמה
לאסוף ביליונים
של מנות מידע.
מנות המידע האלו
כללו צבעים, פיקסלים, גאומטריה
והתרגום של המחלה
על ההדמיה הרפואית.
בצורה מסוימת, המרנו הדמיה אחת
לביליונים של נתונים ללמידה,
תוך צמצום אדיר של כמות המידע
הנדרש ללמידה.
עבור המטרה השנייה,
צמצום של השימוש בטכנולוגיות 
הדמיה רפואית לסינון מטופלים,
התחלנו בצילום תמונה סטנדרטית,
הנלקחה ממצלמת DSLR
או טלפון סלולרי, עבור המטופל.
ואז, זוכרים את 
ביליוני מנות המידע?
החלנו אותן מההדמיה הרפואית
על גבי התמונה שצילמנו,
ויצרנו דבר
שקראנו לו תמונה מרוכבת.
למרבה ההפתעה, 
נדרשו לנו רק 50--
אני חוזר, רק 50--

Burmese: 
မြင့်မားတဲ့ လုပ်ဆောင်မှုတွေဆီ 
ပုံစံပြောင်းဖို့ ပုံ ၅၀ ပဲ။
ဒီနည်းကို အကျဉ်းချုပ်ရင်
စျေးအရမ်းကြီးတဲ့ ဆေးလက်ဆိုင်ရာ ပုံ
၁၀၀၀၀ ကို သုံးတာအစား
AI အယ်လ်ဂိုရစ်သမ်ကို ပုံမှန်မဟုတ်တဲ့
နည်းမှာပုံစံပြောင်းနိုင်တယ်
DSLR ကင်မရာ(သို့) ဖုန်း
တစ်လုံးကနေ ရိုက်ယူထားတဲ့
ရုပ်ထွက်ကောင်း၊ ပုံမှန်ဖြစ်တဲ့
ဓာတ်ပုံ ၅၀ ပဲ သုံးပြီး
ရောဂါရှာဖွေမှုကို ထောက်ပံ့တယ်။
ပိုအရေးကြီးတာက
ကျွန်တော်တို့ရဲ့ အယ်လ်ဂိုရစ်သမ်တွေဟာ
အနာဂတ်နဲ အခုတောင်မှ
စျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာ
ပုံထုတ်တဲ့ နည်းပညာတွေအစား
လူနာဆီက ရိုးရိုးး အရောင်မဲ့
ပုံတေွကိုလက်ခံနိုင်တယ်။
ဉာဏ်ရည်တူတွေဟာ အနာဂတ်အပေါ်
မယုံနိုင်အောင် သက်ရောက်မှုတစ်ခုကို
ဖန်တီးပေးမယ့် ခေတ်တစ်ခုထဲကို
ဝင်ဖို့ ကျွန်တော်တို့အသင့်ရှိနေတယ်လို့ 
ယုံကြည်ပါတယ်။
အစဉ်အလာ AI အကြောင်းတွေးမိတာ
ထင်တယ်၊
ဒေတာများပေမဲ့ လုပ်ဆောင်မှုက
ညံ့တယ်၊
အစဉ်အလာမဟုတ်တဲ့ ဉာဏ်ရည်တု
တည်ဆောက်ပုံတွေအကြောင်းလည်း
ဆက်လက်တွေးသင့်ပါတယ်၊
ဒေတာပမာဏအနည်းငယ်ပဲ
လက်ခံနိုင်ပေမဲ့
ဒီနေ့ရင်ဆိုင်ရတဲ့ အရေးပါဆုံး 
ပြဿနာတစ်ချို့ကိုဖြေရှင်းနိုင်တယ်
အထူးက ကျန်းမာရေးမှာပါ။
ကျေးဇူးအများကြီးတင်ပါတယ်။
(လက်ခုပ်သံများ)

Bulgarian: 
от тези композитни изображения,
за да обучим нашите алгоритми до висока ефективност.
За да обобщя нашия подход,
вместо да използваме 10 000
много скъпи медицински образи,
можехме да обучим AI алгоритмите
по нестандартен начин,
използвайки само 50 от тези стандартни 
снимки с висока резолюция,
направени с DSLR фотоапарати и
мобилни телефони
и да предоставим диагноза.
Още по-важно,
нашите алгоритми могат да получат
в бъдещето и дори в момента,
много обикновени снимки
с бяла светлина от пациентите,
вместо скъпите 
медицински образни технологии.
Вярвам, че сме на прага на епоха,
в която изкуственият интелект
ще има невероятно въздействие 
върху бъдещето.
И смятам, че когато мислим 
за традиционния изкуствения интелект,
който е богат на данни, 
но беден на приложения,
ние също трябва да продължим да мислим
за нестандартни архитектури 
за изкуствен интелект,
които могат да получават 
малки количества данни
и да решават проблемите, с които 
се сблъскваме днес,
особено свързани 
със здравеопазването.
Благодаря ви много.
(Аплодисменти)

Hungarian: 
hogy igen nagy hatékonysággal
betanítsuk ezeket az algoritmusokat.
Megközelítésünk összefoglalva:
tízezer nagyon drága orvosi kép
felhasználása helyett
szokatlan módon taníthatjuk be
az MI-algoritmusokat,
mindössze 50 darab nagy felbontású,
tükörreflexes géppel
vagy mobiltelefonnal készített,
közönséges fotóval,
és így állítjuk fel a diagnózist.
Még fontosabb,
hogy algoritmusaink a jövőben is,
de már jelenleg is tudnak fogadni
nagyon egyszerű, nappali fényben
készült fotókat a betegtől,
kiváltva a drága orvosi
képalkotó eljárásokat.
Hiszem: készen állunk arra,
hogy olyan korba lépjünk,
ahol a mesterséges intelligencia
hihetetlen hatással lesz a jövőre.
És szerintem, ahogy
a hagyományos MI-re gondolunk,
ami adatokban gazdag,
ám alkalmazásokban szegény,
tovább kell gondolkodnunk
a nem szokványos MI-architektúrákról,
amik kis adatmennyiséggel is képesek
kezelni és megoldani az előttünk álló
legfontosabb problémákat,
különösen az egészségügyben.
Nagyon szépen köszönöm.
(Taps)

Portuguese: 
dessas imagens compostas para capacitar
nossos algoritmos para altos rendimentos.
Para resumir nossa abordagem,
em vez de usarmos 10 mil
imagens médicas muito caras,
podemos capacitar os algoritmos de IA
de um modo pouco convencional,
usando apenas 50 dessas fotografias
de alta resolução, porém, padrão,
obtidas de câmeras DSLR
e telefones celulares,
e fornecer o diagnóstico.
Principalmente,
nossos algoritmos podem aceitar,
no futuro e até neste momento,
algumas fotos muito simples,
de luz branca, do paciente,
em vez de tecnologias
de imagens médicas caras.
Acredito que estamos prontos
para entrar em uma era
em que a inteligência artificial
irá causar um impacto incrível
em nosso futuro.
Quando pensamos na IA tradicional,
rica em dados, mas pobre em aplicativos,
devemos também continuar pensando
em arquiteturas pouco convencionais
de inteligência artificial,
que aceitem pequenas
quantidades de dados
e resolvam problemas importantes,
especialmente na assistência médica.
Muito obrigado.
(Aplausos)

Arabic: 
من هذه الصور المركبة، 
من أجل تدريب خوارزمياتنا لفعالية عالية
لتلخيص طريقتنا،
بدلاً من استخدام عشرة آلاف صورة
طبية عالية التكلفة
يمكننا الآن تدريب خوارزميات الذكاء 
الاصطناعي بطريقة غير تقليدية
باستخدام فقط 50 صورة 
قياسية عالية الجودة،
ملتقطة بآلات تصوير رقمية 
ذات عدسة أحادية عاكسة وهواتف محمولة.
لتوفير التشخيص.
والأهم من هذا،
فخوارزمياتنا يمكنها أن تقبل، 
في المستقبل وحتى في الوقت الحالي
بعض الصور البسيطة جداً للمريض 
بتقنية الضوء الأبيض،
عوضاً عن تقنيات التصوير الطبي المكلفة.
أعتقد أننا مستعدون لدخول عصر
حيث يمكن للذكاء الاصطناعي
أن يؤثر فيه بشكل هائل على مستقبلنا
وأعتقد أن التفكير 
في الذكاء الاصطناعي التقليدي
الذي يعتبر غنيًّا بالبيانات 
وفقيرًا في التطبيق
يجب علينا أيضاً متابعة التفكير،
في طرق غير تقليدية لتطوير الذكاء الاصطناعي
التي تتطلب فقط كمية محدودة من البيانات
لحل بعض المشاكل الكبيرة
التي تواجهنا اليوم
خاصة في الرعاية الصحية.
شكراً جزيلاً لكم.
(تصفيق)

English: 
of these composite images to train
our algorithms to high efficiencies.
To summarize our approach,
instead of using 10,000
very expensive medical images,
we can now train the AI algorithms
in an unorthodox way,
using only 50 of these high-resolution,
but standard photographs,
acquired from DSLR cameras
and mobile phones,
and provide diagnosis.
More importantly,
our algorithms can accept,
in the future and even right now,
some very simple, white light
photographs from the patient,
instead of expensive
medical imaging technologies.
I believe that we are poised
to enter an era
where artificial intelligence
is going to make an incredible
impact on our future.
And I think that thinking
about traditional AI,
which is data-rich but application-poor,
we should also continue thinking
about unorthodox artificial
intelligence architectures,
which can accept small amounts of data
and solve some of the most important
problems facing us today,
especially in health care.
Thank you very much.
(Applause)

iw: 
מהתמונות המרוכבות הללו על מנת לאמן
את האלגוריתמים שלנו ברמת דיוק גבוהה.
לסיכום הגישה שלנו,
במקום להשתמש ב10,000
הדמיות רפואיות יקרות,
אנו מסוגלים כעת לאמן אלגוריתמים של ב״מ
בצורה לא מסורתית,
על ידי שימוש ב 50 תמונות סטנדרטיות
באיכות גבוהה
שנלקחו בעזרת מצלמות DSLR
ומכשירים סלולריים,
ולספק אבחנה.
חשוב מכך,
האלגוריתמים שלנו מסוגלים לקלוט,
בעתיד ואפילו עכשיו,
גם תמונות פשוטות של המטופל,
במקום הדמיות רפואיות 
בטכנולוגיות יקרות.
אני מאמין כי אנו עומדים
להכנס לעידן
בו בינה מלאכותית
הולכת לייצר השפעה עצומה
על העתיד שלנו.
ואני חושב שתוך חשיבה 
על ב״מ מסורתית,
אשר עשירה בנתונים אך חלשה ביישום,
עלינו להמשיך לחשוב
על שיטות חדשניות 
ליצירת בינה מלאכותית
אשר יכולות לעבוד עם כמות קטנה של מידע
ולפתור כמה מן הבעיות
החשובות ביותר מולן אנו עומדים היום,
בייחוד ברפואה.
תודה רבה לכם.
(מחיאות כפיים)

Vietnamese: 
để huấn luyện các thuật toán 
của mình đạt hiệu quả cao.
Tóm lại,
thay vì 10,000 hình ảnh y khoa
cực kì đắt đỏ,
chúng ta bây giờ có thể dùng thuật toán AI
theo cách không chính thống,
chỉ cần 50 bức ảnh chuẩn 
có độ phân giải cao,
được lấy từ máy ảnh DSLR hay điện thoại,
để chẩn đoán.
Quan trọng hơn thế,
thuật toán của chúng tôi có thể chấp nhận,
trong tương lai và cả hiện tại,
những bức ảnh với ánh sáng trắng đơn giản
từ bệnh nhân,
thay vì các công nghệ hình ảnh y khoa
đắt tiền.
Tôi tin rằng chúng ta sẵn sàng
để bước vào một kỉ nguyên
nơi mà trí tuệ nhân tạo
sẽ tạo ra những ảnh hưởng khó tin
trong tương lai.
Và tôi cho rằng ý kiến về AI truyền thống,
thứ giàu tài nguyên nhưng ít ứng dụng,
chúng ta nên suy nghĩ thêm
về các mô hình 
trí tuệ nhân tạo không chính thống,
chỉ cần một lượng nhỏ dữ liệu
để giải quyết các vấn đề quan trọng nhất
mà chúng ta đang đối mặt ngày nay,
nhất là việc chăm sóc sức khỏe.
Cảm ơn rất nhiều.
(Vỗ tay)

Portuguese: 
dessas imagens compostas para
treinar o algoritomo para alta eficiência.
Para resumir a nossa abordagem,
em vez de usarmos 10 000
imagens médicas muito caras,
podemos treinar o algoritmo
da IA, de uma forma pouco ortodoxa,
usando apenas 50 destas fotos
normais, mas de alta resolução
tiradas por uma câmara DSLR
ou um telemóvel,
e providenciando o diagnóstico.
Mais importante,
o nosso algoritmo pode aceitar,
no futuro e até mesmo agora,
algumas fotografias simples
à luz normal, do doente,
em vez da tecnologia
de imagiologia médica cara.
Acredito que estamos 
preparados a entrar numa era
em que a inteligência artificial
vai ter um incrível impacto
no nosso futuro.
Acho que pensar na IA tradicional
que é rica em dados
mas pobre em aplicações,
devíamos continuar a pensar
em arquitecturas pouco 
ortodoxas para a inteligência artificial
que aceitem pequenas quantias de dados
e resolvam problemas importantes
que enfrentamos hoje em dia,
sobretudo nos cuidados de saúde.
Muito obrigado.
(Aplausos)

Galician: 
desas imaxes compostas para adestrar
algoritmos ata taxas altas de eficiencia.
Para resumir o noso enfoque,
no canto de empregar 10.000
imaxes médicas carísimas,
agora podemos adestrar os algoritmos
de modo pouco convencional,
usando só 50 destas fotografías,
de alta resolución pero estándares,
tomadas con réflex dixitais
ou teléfonos móbiles,
e obter un diagnóstico.
E o que é máis importante,
os nosos algoritmos admiten,
no futuro e xa agora mesmo,
fotografías sinxelas, de luz branca,
feitas polo paciente,
no canto de tecnoloxías de imaxe médica
moi custosas.
Penso que estamos xa listos
para entrar nunha era
na que a intelixencia artificial
vai ter un impacto incrible
no noso futuro.
E en relación coa IA tradicional,
potente no manexo de datos pero
moi débil nas aplicacións,
deberíamos seguir pensando tamén
en arquitecturas de intelixencia
artificial pouco convencionais
que poden traballar con poucos datos
para resolver algúns 
dos maiores problemas que temos hoxe,
sobre todo en sanidade.
Moitas grazas.
(Aplausos)

Czech: 
aby byly naše algoritmy účinné.
Abych shrnul náš přístup,
nepoužíváme 10 000 drahých
zdravotnických snímků,
můžeme natrénovat AI algoritmy 
neortodoxním způsobem,
z pouze 50 standardních fotografií 
s vysokým rozlišením,
které jsme pořídili zrcadlovkou
nebo mobilem
a provedeme diagnózu.
Důležitější ovšem je,
že naše algoritmy budou moci 
a již nyní mohou analyzovat
některé jednoduché, přirozeně
osvětlené fotografie pacienta,
namísto drahých zobrazovacích zařízení.
Věřím, že jsme připravení 
vstoupit do doby,
kdy bude mít umělá inteligence
velký vliv na naši budoucnost.
A myslím si, že namísto 
tradiční umělé inteligence,
která zpracovává velké objemy dat,
ale je málo využitelná,
bychom se měli zamyset
nad netradičními architekturami
umělé inteligence,
které potřebují pouze malé množství dat
a dokážou vyřešit některé z největších
problémů,
kterým nyní 
ve zdravotnictví čelíme.
Děkuji vám.
(potlesk)

Persian: 
از این عکس‌های ترکیبی را برای آموزش
الگوریتم‌مان برای بازدهی بالا نیاز داشتیم.
برای خلاصه کردن روش‌مان،
به جای استفاده از ۱۰٫۰۰۰
عکس پزشکی خیلی گران،
حالا می‌توانیم الگوریتم هوش مصنوعی را
به روشی نامعمول آموزش دهیم،
با استفاده از فقط ۵۰ عکس
رزولوشن بالا، اما استاندارد،
که با دوربین DSLR
و گوشی موبایل گرفته شده است،
و تشخیص را انجام دهیم.
مهم‌تر اینکه،
الگوریتم ما می‌تواند، در آینده و حتی حالا،
عکس‌های بسیار ساده
نور سفید از بیمار را بپذیرد،
به جای فناوری‌های گران تصویربرداری پزشکی.
من بر این باورم
که در حال ورود به دورانی هستیم
که هوش مصنوعی
تاثیری باورنکردنی بر آینده خواهد گذاشت.
و من فکر می‌کنم که در کنار
فکر کردن به هوش مصنوعی سنتی،
که اطلاعات زیادی می‌خواهد
اما کارایی کمی دارد،
همچنین باید
به معماری‌های هوش مصنوعی نامعمول فکر کنیم،
که می‌توانند میزان کمی اطلاعات بگیرند
و بعضی از مهم‌ترین مشکلات امروزی
پیش روی ما را حل کنند،
مخصوصا در زمینه مراقبت‌های بهداشتی.
خیلی متشکرم.
(متشکرم)

Korean: 
알고리즘의 학습이
단 50장의 영상으로 가능했던 것입니다.
그 방식을 요약해 보면,
만장이나 되는
아주 값비싼 의료영상을 대신해,
이제는 색다른 방식으로
인공지능의 학습이 가능하게 된 것이죠.
일반적인 DSLR 사진기나 휴대전화를
이용해 얻을 수 있는
단 50장의 고화질 영상으로
진단까지 가능해 진 것입니다.
더 중요하게
저희 알고리즘은 앞으로,
심지어 지금 당장이라도
환자들이 제공하는 간단한
백색광 사진을 이용할 수 있습니다.
고가의 의료영상기술을
대신해서 말이죠.
저는 인공지능이 우리의 미래에
엄청난 영향을 줄
시대의 문턱에
이미 와 있다고 믿습니다.
기존의 인공지능은
자료는 방대하지만
활용도가 낮기 때문에,
소량의 자료만으로도
우리에게 당면한 중대한 과제들을
해결할 수 있는
대체 인공지능 구조를
계속 연구해야 한다고 생각합니다.
특히 의료와 관련해서 말이죠.
감사합니다.
(박수)

Japanese: 
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
私達のアプローチをまとめると
１万枚の とても高価な医用画像を
使うのではなく
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
デジタル一眼レフカメラや
携帯電話で撮影した
標準的な高解像度写真が
たった50枚あれば
診断ができます
より重要なことに
私達のアルゴリズムは
将来 そして今でも
高価な医用画像技術ではなく
患者が持つ
ごくシンプルな 白色光写真を
活用できます
AIが私達の将来に
素晴らしい影響を及ぼす
時代に入ろうとしていると
私は考えています
データはたくさんあれど
運用が不便だった
従来のAIのことを考えると
特に医療分野において
少量のデータを活用し
私達が現在直面する
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
引き続き考えていくべきです
どうもありがとうございました
（拍手）

Chinese: 
這種合成影像，就能把我們的
演算法訓練到很高效能的程度。
總結一下我們的方法，
我們不需要使用一萬張
非常昂貴的醫療影像，
我們現在可以用非正統的方法
來訓練人工智慧演算法，
只要用五十張高解析度的
一般標準照片，
用數位單眼相機或手機來拍攝即可，
這樣就能提供出診斷結果。
更重要的是，
在未來，甚至在現在，
我們的演算法能接受
病人非常簡單的白光照片，
取代昂貴的醫療成像技術。
我相信我們已經準備好
要進入一個新時代，
在這個時代，人工智慧
將會對我們的未來有很大的衝擊。
想想傳統人工智慧，
它在資料上很豐富，
但在應用上很有限，
我們應該要持續思考
有沒有其他非正統的
人工智慧架構，
能夠接受更少量的資料，
並解決一些現今我們
面臨最重要的問題，
特別是健康照護問題。
非常謝謝。
（掌聲）

Spanish: 
de esas imágenes compuestas para entrenar 
a los algoritmos con gran eficiencia.
Para resumir nuestro enfoque,
en lugar de utilizar 10 000
costosas imágenes de diagnóstico,
hoy podemos entrenar a los algoritmos
de IA de un modo poco ortodoxo,
usando solo 50 de estas fotos 
de alta definición pero estándares,
tomadas con cámaras DSLR y teléfonos,
y establecer un diagnóstico.
Más importante aun,
nuestros algoritmos pueden aceptar,
en el futuro o incluso hoy,
algunas fotos muy sencillas
y estándares del paciente,
en lugar de los costosos equipos
de diagnósticos por escáner.
Creo que estamos preparados
para entrar en una nueva era
en la que la inteligencia artificial
incidirá increíblemente en nuestro futuro.
Y, pensando en la IA tradicional,
que es rica en datos pero
ineficiente en su utilización,
deberíamos seguir pensando
en arquitecturas de IA no convencionales
que aceptan poca cantidad de datos
y resuelven algunos de los problemas 
más importantes de hoy en día,
especialmente en el sector de la salud.
Muchas gracias.
(Aplausos)

German: 
dieser Verbund-Bilder, um die Algorithmen
auf hohe Effizienz zu bringen.
Zusammenfassend gesagt:
anstatt 10,000 dieser
sehr teuren Bilder zu verwenden,
können wir nun die KI-Algorithmen
auf unkonventionelle Art trainieren,
indem wir nur 50 dieser
hochauflösenden Standard-Fotos verwenden,
die von DSLR-Kameras und Mobiltelefonen
aufgenommen worden sind,
und Diagnosen erstellen.
Wichtiger noch,
unsere Algorithmen können
in der Zukunft und sogar schon jetzt,
ein paar simple Weißlichtaufnahmen
des Patienten annehmen,
anstelle von teuren
medizinischen Bildtechnologien.
Ich glaube, dass wir jetzt
in eine Ära gelangen,
wo künstliche Intelligenz
eine unglaubliche Auswirkung
auf unsere Zukunft hat.
Und ich glaube, dass wir neben
dem Nachdenken über traditionelle KI,
die reich an Daten,
aber arm an Anwendungen ist,
wir auch weiter nachdenken sollten
über ungewöhnliche KI-Architekturen,
die kleine Mengen an Daten
akzeptieren können
und ein paar der wichtigsten Probleme,
vor denen wir stehen, lösen kann,
insbesondere im Gesundheitswesen.
Vielen Dank.
(Applaus)

Kurdish: 
لە ئەو وێنانە بۆ ئەوەی ئەلگۆریتمەکانمان
.بە شێوەیەکی باش ڕابهێنین
،بۆ ئەوەی ئەم بیرۆکەیە کورت بکەینەوە
لەجیاتی بەکارهێنانی 
وێنەی پزیشکی گرانبەها
ئێستا، ئێمە دەتوانین ئەلگۆریتمەکانی
،ئەی-ئای بە شێوەیەکی نائاسایی ڕابهێنین
بە بەکارهێنانی ٥٠ وێنەی 
،ئاسایی کوالیتی بەرز
لە وێنەی ئاسایی کامێرای(دی ئێس ئێڵ ئاڕ)و
کامێرای مۆبایل وەردەگیرێت
.بۆ دەستنیشانکردنی نەخۆشی
،لە ئەوەش گرنگتر
ئەلگۆریتمەکانمان، لە ئێستە و
داهاتوودا دەتوانن
،وێنەی سادە لە نەخۆشەکان وەربگرن
لەجیاتی چەندین تەکنەلۆجیای 
.گرانبەهای وێنەگرتنی پزیشکی
باوەڕم وایە، کە ئەوەی ئێمە بەرەو
سەردەمێک دەڕۆین
کە ژیری دروستکراو
.کاریگەریەکی گەورەی لەسەر داهاتوومان دەبێت
باوەڕم وایە کە ئەی - ئای نەوەی پێشوو
کە زانیاری زۆری تێدایە بەڵام 
بەکارهێنانێکی لاواز
دەبێت بەردەوام بیربکەینەوە
دەربارەی بونیادی ژیری دروستکراوی
نائاسایی
کە دەتوانێت بە ژمارەیەکی کەمی زانیاری
چارەسەری کێشە کرنگەکانی ئەمڕۆ بکات
بەتایبەتی لە تەندروستیدا.
زۆر سوپاس.
(چەپڵە)

Romanian: 
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)

Chinese: 
这些复合图像，
就能训练我们的算法提高效率。
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
一些病人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。
非常感谢。
（掌声）

French: 
de ces images composites
pour entraîner notre algorithme
et le rendre très efficient.
Pour résumer notre approche,
au lieu d'utiliser 10 000 images
médicales très chères,
nous pouvons former les algorithmes
de l'IA avec des moyens non traditionnels
et utiliser seulement 50 photos
de haute résolution certes, mais standard,
prises avec des appareils photos
et des smartphones,
et réaliser un diagnostic.
Plus important,
nos algorithmes travaillent
déjà aujourd'hui
avec de simples photos des patients
prises à la lumière du jour
en lieu et place des technologies
onéreuses d'imagerie médicale.
Je suis convaincu que nous sommes
sur le point d'entrer dans une ère
où l'intelligence artificielle va avoir
un impact incroyable sur notre avenir.
Et je pense au sujet
de l'IA traditionnelle,
riche en données
mais avec peu d'application,
que nous devrions persévérer
dans le développement
d'architectures d'IA non orthodoxes
capables d'accepter
des petits volumes de données
et résoudre nos problèmes
les plus importants,
principalement dans la santé.
Merci beaucoup.
(Applaudissements)

Turkish: 
algoritmalarımızı yüksek verimlilikte
eğitmemiz mümkün oldu.
Yaklaşımımızı özetleyecek olursak;
10.000 yüksek maliyetli tıbbi görüntü
kullanmak yerine,
cep telefonu veya 
DSLR kamerayla elde edilmiş
yalnızca 50 adet yüksek çözünürlükte
görüntü ile YZ algoritmalarını
hastalıklara teşhis koymak üzere
yenilikçi bir yöntemle eğitebiliyoruz.
Daha da önemlisi,
bu algoritmayı kullanmak için,
gelecekte ve hatta şu anda,
yüksek maliyetli tıbbi 
görüntüleme sistemleri yerine
hastaların sağlayacağı 
basit fotoğraflar yeterli olacak.
Yapay zekânın geleceğimiz üzerinde
müthiş etkiler yaratacağı
bir çağa girmeye
hazır olduğumuza inanıyorum.
Bence, zengin veri isteyen 
ve uygulamada zayıf kalan
geleneksel yapay zekâ yerine,
az miktarda veriyle iş yapabilen
ve günümüzde karşılaştığımız 
zorlu sorunların bazılarını çözebilen
yenilikçi yapay zekâ
mimarilerini konuşmalıyız.
Özellikle de sağlık alanında.
Çok teşekkür ederim.
(Alkışlar)

Italian: 
di queste immagini composte per addestrare
i nostri algoritmi ad alta efficienza.
Per riassumere,
invece di usare 10.000
lastre molto costose,
possiamo adesso addestrare algoritmi
in modo non ortodosso,
usando solo 50 di queste fotografie
standard ma ad alta definizione,
acquisite da macchine digitali
o cellulari,
e formulare diagnosi.
Ancora più importante,
i nostri algoritmi possono accettare,
nel futuro ma anche adesso,
semplici fotografie a luci bianche
fatte dal paziente,
invece di costose
tecnologie mediche ad immagine.
Penso che stiamo entrando in un'era
dove l'intelligenza artificiale
avrà un incredibile ruolo
nel nostro futuro.
Penso che ragionare sull'IA tradizionale,
che ha molti dati ma poche applicazioni,
implica anche elaborare
architetture IA non ortodosse,
che possono lavorare con pochi dati
e risolvere alcuni
dei più gravi problemi di oggi,
soprattutto in medicina.
Vi ringrazio molto.
(Applausi)

Russian: 
составных изображений для наделения
наших алгоритмов большей эффективностью.
Описывая наш подход:
вместо использования
10 000 дорогостоящих изображений
мы настраиваем алгоритм ИИ
нестандартным образом,
для чего требуется всего 50 стандартных
снимков с высоким разрешением,
полученных с цифровых 
фотоаппаратов и телефонов.
Так мы обеспечиваем диагностику.
Что ещё более важно,
наши алгоритмы в будущем, 
и даже уже сегодня, могут использовать
самые обычные фотографии, 
сделанные пациентом,
вместо дорогостоящих технологий скрининга.
Я считаю, что мы готовы вступить в эпоху,
где искусственный интеллект
окажет невероятное
влияние на наше будущее.
Думаю, что наряду с привычной 
формой искусственного интеллекта,
богатой данными, 
но малофункциональной в приложениях,
нужно продолжать работать
над новыми формами
искусственного интеллекта,
которые принимают небольшой объём данных,
но решают некоторые из наиболее 
важных проблем сегодняшнего дня,
особенно в здравоохранении.
Большое спасибо.
(Аплодисменты)
