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.
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.
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.
A melhor maneira de ajudar esses doentes é realizar a detecção e o diagnóstico dessas doenças mais cedo. 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.
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.
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, 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.
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.
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.
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 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 para examinar doentes. Então, como o fizemos?
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.
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.
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 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 — dessas imagens compostas para treinar o algoritomo para alta eficiência.
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 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.
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.
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.
Thank you very much.
Muito obrigado.
(Applause)
(Aplausos)