0:00:01.280,0:00:05.136
Hoxe en día, os algoritmos informáticos[br]realizan tarefas incribles

0:00:05.160,0:00:09.896
con gran precisión e a enorme escala,[br]amosando intelixencia similar á nosa.

0:00:09.920,0:00:13.856
A esta intelixencia informática [br]chámaselle a miúdo IA,

0:00:13.880,0:00:15.736
é dicir, intelixencia artificial.

0:00:15.760,0:00:19.960
A IA está lista para ter no futuro[br]un impacto incrible nas nosas vidas.

0:00:20.880,0:00:24.816
Con todo, hoxe aínda temos que[br]enfrontarnos a enormes desafíos

0:00:24.840,0:00:28.336
para detectar e diagnosticar varias[br]enfermidades potencialmente mortais,

0:00:28.360,0:00:30.720
como as infecciosas ou o cancro.

0:00:32.000,0:00:34.296
Cada ano miles de pacientes

0:00:34.320,0:00:37.120
perden a vida a causa [br]do cancro de fígado ou de boca.

0:00:37.880,0:00:40.576
O mellor modo de axudar a estes pacientes

0:00:40.600,0:00:44.920
é detectar e diagnosticar[br]a enfermidade en fases temperás.

0:00:45.880,0:00:50.040
Como detectamos hoxe estas enfermidades?[br]Pode axudar a intelixencia artificial?

0:00:51.920,0:00:55.576
Cando se sospeita que, por desgraza,[br]un paciente padece unha destas doenzas,

0:00:55.600,0:00:58.256
un médico experto comeza por pedir

0:00:58.280,0:01:00.896
probas carísimas baseadas[br]en tecnoloxías de imaxe,

0:01:00.920,0:01:05.016
como a microscopia de fluorescencia,[br]a tomografía ou a resonancia magnética.

0:01:05.040,0:01:07.336
Unha vez obtidas esas imaxes,

0:01:07.360,0:01:11.880
outro experto fai un diagnóstico[br]e fala co paciente.

0:01:12.520,0:01:15.976
Como vedes, é un proceso[br]que consome moitos recursos,

0:01:16.000,0:01:20.416
ao requirir médicos expertos[br]e custosas tecnoloxías médicas de imaxe,

0:01:20.440,0:01:23.536
e non se considera práctico nos países[br]en vías de desenvolvemento.

0:01:23.560,0:01:26.920
De feito, tampouco en moitas[br]nacións industrializadas.

0:01:27.760,0:01:31.030
Pódese resolver o problema[br]coa axuda da intelixencia artificial?

0:01:31.840,0:01:35.646
Se hoxe usásemos arquitecturas[br]de intelixencia artificial tradicionais

0:01:35.690,0:01:37.136
para resolver este problema,

0:01:37.160,0:01:39.046
faría falla xerar 10.000,

0:01:39.046,0:01:42.656
repito, arredor de 10.000[br]destas imaxes médicas carísimas,

0:01:42.680,0:01:44.056
como primeiro paso.

0:01:44.080,0:01:46.976
Logo acudiría a un médico experto,

0:01:47.000,0:01:49.496
que analizaría esas imaxes para min.

0:01:49.520,0:01:51.616
E con esas dúas fontes de datos,

0:01:51.640,0:01:55.296
podo adestrar unha rede neural estándar[br]ou unha rede de aprendizaxe profunda

0:01:55.320,0:01:57.456
para que faga o diagnóstico.

0:01:57.480,0:01:59.090
Ao igual que no primeiro método,

0:01:59.090,0:02:01.423
partir da intelixencia artificial[br]tradicional

0:02:01.423,0:02:02.906
presenta o mesmo problema.

0:02:02.906,0:02:07.440
Moitísimos datos, médicos expertos[br]e tecnoloxías de imaxe especializadas.

0:02:08.320,0:02:12.616
É posible inventar arquitecturas[br]de intelixencia artificial

0:02:12.640,0:02:15.936
ampliables, máis eficientes e máis útiles

0:02:15.960,0:02:18.950
para resolver estes importantes problemas[br]que temos hoxe?

0:02:18.950,0:02:22.456
Isto é precisamente o que fai o meu grupo[br]no Media Lab do MIT.

0:02:22.456,0:02:26.216
Levamos inventadas varias arquitecturas[br]de IA pouco convencionais

0:02:26.240,0:02:29.416
para resolver algúns dos desafíos[br]actuais máis importantes

0:02:29.440,0:02:31.890
no campo da imaxe médica[br]e as probas clínicas.

0:02:32.480,0:02:35.536
No caso que veño de describirvos[br]tiñamos dous obxectivos.

0:02:35.560,0:02:38.536
O primeiro era reducir o número de imaxes

0:02:38.560,0:02:41.816
que cómpren para adestrar[br]algoritmos de intelixencia artificial.

0:02:41.840,0:02:43.936
O segundo era máis ambicioso.

0:02:43.960,0:02:47.530
Queríamos reducir o uso[br]de custosas tecnoloxías de imaxe médica

0:02:47.530,0:02:48.936
na detección de enfermidades.

0:02:48.960,0:02:50.160
Como o fixemos?

0:02:50.920,0:02:52.136
Para o primeiro fin,

0:02:52.160,0:02:54.216
no canto de comezar con decenas de miles

0:02:54.240,0:02:57.256
desas carísimas imaxes médicas,[br]como na IA tradicional,

0:02:57.280,0:02:59.336
empezamos con só unha.

0:02:59.360,0:03:03.136
A partir desta imaxe, o meu equipo[br]atopou un modo moi enxeñoso

0:03:03.160,0:03:05.896
de extraer miles de millóns[br]de paquetes de datos.

0:03:05.920,0:03:09.616
Estes paquetes contiñan[br]cores, píxels, xeometría

0:03:09.640,0:03:12.176
e representación da doenza[br]na imaxe médica.

0:03:12.200,0:03:16.536
En certo sentido, convertemos unha imaxe[br]en miles de millóns de observacións

0:03:16.560,0:03:20.096
e reducimos moito a cantidade de datos[br]necesaria para adestrar o sistema.

0:03:20.120,0:03:21.336
Para o segundo obxectivo,

0:03:21.360,0:03:25.216
reducir o uso de custosas tecnoloxías[br]de imaxe para detectar enfermidades,

0:03:25.240,0:03:28.096
comezamos cunha foto estándar[br]iluminada con luz branca,

0:03:28.120,0:03:32.170
tomada cunha cámara réflex dixital[br]ou cun móbil.

0:03:32.170,0:03:35.016
Entón, lembrades os miles de millóns[br]de paquetes de datos?

0:03:35.016,0:03:38.496
Superpuxemos ese datos obtidos[br]da imaxe médica sobre estoutra imaxe,

0:03:38.520,0:03:41.040
creando así o que chamamos[br]unha imaxe composta.

0:03:41.480,0:03:44.776
Para a nosa sorpresa, fixeron falla só 50,

0:03:44.800,0:03:46.136
insisto, só 50,

0:03:46.160,0:03:50.000
desas imaxes compostas para adestrar[br]algoritmos ata taxas altas de eficiencia.

0:03:50.680,0:03:52.016
Para resumir o noso enfoque,

0:03:52.040,0:03:55.216
no canto de empregar 10.000[br]imaxes médicas carísimas,

0:03:55.240,0:03:58.256
agora podemos adestrar os algoritmos[br]de modo pouco convencional,

0:03:58.280,0:04:02.536
usando só 50 destas fotografías,[br]de alta resolución pero estándares,

0:04:02.560,0:04:05.056
tomadas con réflex dixitais[br]ou teléfonos móbiles,

0:04:05.080,0:04:06.616
e obter un diagnóstico.

0:04:06.640,0:04:07.956
E o que é máis importante,

0:04:07.956,0:04:11.016
os nosos algoritmos admiten,[br]no futuro e xa agora mesmo,

0:04:11.040,0:04:13.856
fotografías sinxelas, de luz branca,[br]feitas polo paciente,

0:04:13.880,0:04:16.490
no canto de tecnoloxías de imaxe médica[br]moi custosas.

0:04:17.120,0:04:20.216
Penso que estamos xa listos[br]para entrar nunha era

0:04:20.240,0:04:22.176
na que a intelixencia artificial

0:04:22.200,0:04:24.736
vai ter un impacto incrible[br]no noso futuro.

0:04:24.760,0:04:27.216
E en relación coa IA tradicional,

0:04:27.240,0:04:30.016
potente no manexo de datos pero[br]moi débil nas aplicacións,

0:04:30.040,0:04:31.576
deberíamos seguir pensando tamén

0:04:31.600,0:04:34.616
en arquitecturas de intelixencia[br]artificial pouco convencionais

0:04:34.640,0:04:36.420
que poden traballar con poucos datos

0:04:36.420,0:04:39.646
para resolver algúns [br]dos maiores problemas que temos hoxe,

0:04:39.646,0:04:40.816
sobre todo en sanidade.

0:04:40.840,0:04:42.056
Moitas grazas.

0:04:42.080,0:04:45.920
(Aplausos)