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.
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.
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.
Nossa melhor maneira de ajudar esses pacientes é fazendo a detecção precoce e o diagnóstico dessas doenças. 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.
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 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, 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,
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 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.
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 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: reduzir o uso de tecnologias caras de imagem médica para examinar pacientes. Como fizemos isso?
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 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.
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 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 dessas imagens compostas para capacitar nossos algoritmos para altos rendimentos.
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 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.
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 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.
Thank you very much.
Muito obrigado.
(Applause)
(Aplausos)