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.
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.
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.
Il modo migliore per aiutare questi pazienti è la prevenzione e diagnosi precoce di queste malattie. 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.
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.
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 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.
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.
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.
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?
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 per lo screening del paziente. Come?
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.
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.
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.
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 di queste immagini composte per addestrare i nostri algoritmi ad alta efficienza.
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.
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.
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 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.
Thank you very much.
Vi ringrazio molto.
(Applause)
(Applausi)