1
00:00:01,280 --> 00:00:05,120
Les algorithmes réalisent aujourd'hui,
des tâches incroyables,

2
00:00:05,120 --> 00:00:07,590
avec haute précision,
à une échelle massive,

3
00:00:07,590 --> 00:00:09,920
basés sur une intelligence
similaire à l'homme.

4
00:00:09,920 --> 00:00:13,856
Cette forme d'intelligence des ordinateurs
est souvent appelée IA,

5
00:00:13,880 --> 00:00:15,736
l'intelligence artificielle.

6
00:00:15,760 --> 00:00:19,960
L'IA est sur le point d'avoir un impact
extraordinaire sur nos vies.

7
00:00:20,880 --> 00:00:24,816
Toutefois, il nous reste des défis majeurs

8
00:00:24,840 --> 00:00:28,336
pour détecter et diagnostiquer
plusieurs maladies mortelles

9
00:00:28,360 --> 00:00:30,720
comme les maladies infectieuses
ou le cancer.

10
00:00:32,000 --> 00:00:34,296
Chaque année, des milliers de patients

11
00:00:34,320 --> 00:00:37,120
perdent la vie à cause du cancer
du foie ou buccal.

12
00:00:37,880 --> 00:00:40,616
Notre meilleur moyen à disposition
pour aider ces patients

13
00:00:40,616 --> 00:00:44,920
est une détection et un diagnostic
précoces de ces affections.

14
00:00:45,880 --> 00:00:50,040
Comment ces maladies sont-elles détectées
et l'usage de l'IA fait-il sens ?

15
00:00:51,920 --> 00:00:55,576
Quand un patient, malheureusement,
semble avoir une de ces affections,

16
00:00:55,600 --> 00:00:58,256
le spécialiste va d'abord requérir

17
00:00:58,280 --> 00:00:59,780
des analyses très onéreuses

18
00:00:59,780 --> 00:01:01,790
avec des technologies
d'imagerie médicale

19
00:01:01,790 --> 00:01:05,016
telles l'imagerie par fluorescence,
une tomodensitométrie ou un IRM.

20
00:01:05,040 --> 00:01:07,336
Une fois les images à disposition,

21
00:01:07,360 --> 00:01:11,880
un autre spécialiste en fait un diagnostic
et parle avec le patient.

22
00:01:12,520 --> 00:01:15,976
Vous le constatez, ce processus exige
beaucoup de ressources,

23
00:01:16,000 --> 00:01:20,416
deux médecins spécialistes, 
de l'imagerie médicale très onéreuse,

24
00:01:20,416 --> 00:01:23,512
et ce n'est pas envisageable
dans les pays en développement.

25
00:01:23,560 --> 00:01:26,920
Ni d'ailleurs dans de nombreuses
nations industrialisées.

26
00:01:27,760 --> 00:01:30,940
Peut-on résoudre ce problème
avec l'intelligence artificielle ?

27
00:01:31,840 --> 00:01:35,896
Actuellement, si nous utilisons
les architectures classiques d'IA

28
00:01:35,896 --> 00:01:38,712
pour résoudre ce problème,
nous aurions besoin de 10 000 --

29
00:01:38,712 --> 00:01:44,056
j'insiste -- de générer 10 000
de ces images médicales si chères.

30
00:01:44,080 --> 00:01:46,976
Ensuite, nous les confierions
à un spécialiste

31
00:01:47,000 --> 00:01:49,496
qui les analyserait à notre attention.

32
00:01:49,520 --> 00:01:51,616
A partir ces deux informations,

33
00:01:51,640 --> 00:01:55,296
je peux former un réseau de neurones,
ou réseau d'apprentissage profond,

34
00:01:55,320 --> 00:01:57,456
à réaliser des diagnostics de patients.

35
00:01:57,480 --> 00:01:59,216
D'autres approches similaires,

36
00:01:59,240 --> 00:02:02,923
des approches traditionnelles de l'IA,
sont pénalisées par le même problème :

37
00:02:02,923 --> 00:02:05,720
un volume important de données,
des médecins spécialistes

38
00:02:05,720 --> 00:02:08,320
et des experts en imagerie médicale.

39
00:02:08,320 --> 00:02:12,616
Pourrions-nous concevoir
des architectures d'IA

40
00:02:12,640 --> 00:02:15,936
plus évolutives,
plus efficaces et plus utiles,

41
00:02:15,936 --> 00:02:19,262
pour résoudre ces problèmes cruciaux
auxquels nous sommes confrontés ?

42
00:02:19,262 --> 00:02:22,336
C'est précisément ce que nous faisons
au Media Lab du MIT.

43
00:02:22,360 --> 00:02:26,216
Nous avons inventé une série
d'architectures d'IA inhabituelles

44
00:02:26,240 --> 00:02:29,416
pour résoudre les défis
les plus importants

45
00:02:29,416 --> 00:02:31,866
dans l'imagerie médicale
et les tests cliniques.

46
00:02:32,480 --> 00:02:35,536
Dans l'exemple que je vous ai montré,
nous avions deux objectifs.

47
00:02:35,560 --> 00:02:38,536
Le premier consiste
à réduire le nombre d'images

48
00:02:38,560 --> 00:02:41,816
nécessaire pour former
les algorithmes de l'IA.

49
00:02:41,840 --> 00:02:43,936
Notre deuxième objectif, plus ambitieux,

50
00:02:43,960 --> 00:02:47,696
est de vouloir réduire l'usage
de technologies d'imagerie médicale chères

51
00:02:47,720 --> 00:02:49,076
pour examiner les patients.

52
00:02:49,076 --> 00:02:50,450
Comment avons-nous fait ?

53
00:02:50,920 --> 00:02:52,136
Pour le premier objectif,

54
00:02:52,136 --> 00:02:54,522
au lieu de commencer
avec des dizaines de milliers

55
00:02:54,522 --> 00:02:57,366
d'images médicales chères,
comme pour une IA traditionnelle,

56
00:02:57,366 --> 00:02:59,336
on a commencé avec une seule image.

57
00:02:59,336 --> 00:03:03,192
À partir de cette image, avec mon équipe,
on a trouvé une manière très ingénieuse

58
00:03:03,192 --> 00:03:05,896
d'extraire des milliards
de paquets de données.

59
00:03:05,920 --> 00:03:09,616
Ces paquets d'informations incluent
des couleurs, des pixels, la géométrie,

60
00:03:09,640 --> 00:03:12,176
et le rendu de la maladie
sur l'image médicale.

61
00:03:12,200 --> 00:03:16,536
En fait, on a converti une image
en milliards de données de formation,

62
00:03:16,536 --> 00:03:20,232
réduisant ainsi massivement le volume
de données nécessaire à cette formation.

63
00:03:20,232 --> 00:03:23,868
Pour notre 2e objectif, réduire l'usage
de technologies d'imagerie médicale

64
00:03:23,868 --> 00:03:25,436
pour examiner les patients,

65
00:03:25,436 --> 00:03:28,231
on a commencé avec une photo
normale, à la lumière du jour,

66
00:03:28,231 --> 00:03:32,456
prise avec un appareil photographique
reflex mono-objectif, ou un smartphone.

67
00:03:32,480 --> 00:03:35,536
Souvenez-vous maintenant
des milliards de paquets d'informations.

68
00:03:35,536 --> 00:03:38,496
On les a superposés
à partir de l'image médicale,

69
00:03:38,520 --> 00:03:41,040
créant ce qu'on appelle
une image composite.

70
00:03:41,480 --> 00:03:44,776
À notre grande surprise,
nous n'avons eu besoin de seulement 50,

71
00:03:44,800 --> 00:03:46,136
j'insiste, seulement 50,

72
00:03:46,160 --> 00:03:49,120
de ces images composites
pour entraîner notre algorithme

73
00:03:49,120 --> 00:03:50,680
et le rendre très efficient.

74
00:03:50,680 --> 00:03:52,016
Pour résumer notre approche,

75
00:03:52,040 --> 00:03:55,216
au lieu d'utiliser 10 000 images
médicales très chères,

76
00:03:55,216 --> 00:03:58,872
nous pouvons former les algorithmes
de l'IA avec des moyens non traditionnels

77
00:03:58,872 --> 00:04:02,536
et utiliser seulement 50 photos
de haute résolution certes, mais standard,

78
00:04:02,560 --> 00:04:05,056
prises avec des appareils photos
et des smartphones,

79
00:04:05,080 --> 00:04:06,616
et réaliser un diagnostic.

80
00:04:06,640 --> 00:04:07,856
Plus important,

81
00:04:07,880 --> 00:04:11,016
nos algorithmes travaillent
déjà aujourd'hui

82
00:04:11,016 --> 00:04:13,995
avec de simples photos des patients
prises à la lumière du jour

83
00:04:13,995 --> 00:04:17,120
en lieu et place des technologies
onéreuses d'imagerie médicale.

84
00:04:17,120 --> 00:04:20,346
Je suis convaincu que nous sommes
sur le point d'entrer dans une ère

85
00:04:20,346 --> 00:04:24,746
où l'intelligence artificielle va avoir
un impact incroyable sur notre avenir.

86
00:04:24,760 --> 00:04:27,216
Et je pense au sujet
de l'IA traditionnelle,

87
00:04:27,240 --> 00:04:30,016
riche en données
mais avec peu d'application,

88
00:04:30,040 --> 00:04:32,726
que nous devrions persévérer
dans le développement

89
00:04:32,726 --> 00:04:34,616
d'architectures d'IA non orthodoxes

90
00:04:34,640 --> 00:04:36,976
capables d'accepter
des petits volumes de données

91
00:04:36,976 --> 00:04:39,536
et résoudre nos problèmes
les plus importants,

92
00:04:39,560 --> 00:04:41,086
principalement dans la santé.

93
00:04:41,086 --> 00:04:42,276
Merci beaucoup.

94
00:04:42,276 --> 00:04:45,920
(Applaudissements)