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.
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.
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.
O mellor modo de axudar a estes pacientes é detectar e diagnosticar a enfermidade en fases temperás. 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.
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.
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, 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.
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.
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.
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?
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 na detección de enfermidades. Como o fixemos?
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.
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.
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.
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, desas imaxes compostas para adestrar algoritmos ata taxas altas de eficiencia.
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.
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.
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.
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.
Thank you very much.
Moitas grazas.
(Applause)
(Aplausos)