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.
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.
Our best way to help these patients is to perform early detection and diagnoses of these diseases. 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.
Notre meilleur moyen à disposition pour aider ces patients est une détection et un diagnostic précoces de ces affections. 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.
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, 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.
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 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
So, can we invent more scalable, effective
et des experts en imagerie médicale.
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.
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.
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 to screen patients. So how did we do it?
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 pour examiner les patients. Comment avons-nous fait ?
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.
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.
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 -- of these composite images to train our algorithms to high efficiencies.
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, de ces images composites pour entraîner notre algorithme
To summarize our approach,
et le rendre très efficient.
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.
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.
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.
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.
Thank you very much.
Merci beaucoup.
(Applause)
(Applaudissements)