1
00:00:01,280 --> 00:00:05,136
Hoxe en día, os algoritmos informáticos
realizan tarefas incribles

2
00:00:05,160 --> 00:00:09,896
con gran precisión e a enorme escala,
amosando intelixencia similar á nosa.

3
00:00:09,920 --> 00:00:13,856
A esta intelixencia informática 
chámaselle a miúdo IA,

4
00:00:13,880 --> 00:00:15,736
é dicir, intelixencia artificial.

5
00:00:15,760 --> 00:00:19,960
A IA está lista para ter no futuro
un impacto incrible nas nosas vidas.

6
00:00:20,880 --> 00:00:24,816
Con todo, hoxe aínda temos que
enfrontarnos a enormes desafíos

7
00:00:24,840 --> 00:00:28,336
para detectar e diagnosticar varias
enfermidades potencialmente mortais,

8
00:00:28,360 --> 00:00:30,720
como as infecciosas ou o cancro.

9
00:00:32,000 --> 00:00:34,296
Cada ano miles de pacientes

10
00:00:34,320 --> 00:00:37,120
perden a vida a causa 
do cancro de fígado ou de boca.

11
00:00:37,880 --> 00:00:40,576
O mellor modo de axudar a estes pacientes

12
00:00:40,600 --> 00:00:44,920
é detectar e diagnosticar
a enfermidade en fases temperás.

13
00:00:45,880 --> 00:00:50,040
Como detectamos hoxe estas enfermidades?
Pode axudar a intelixencia artificial?

14
00:00:51,920 --> 00:00:55,576
Cando se sospeita que, por desgraza,
un paciente padece unha destas doenzas,

15
00:00:55,600 --> 00:00:58,256
un médico experto comeza por pedir

16
00:00:58,280 --> 00:01:00,896
probas carísimas baseadas
en tecnoloxías de imaxe,

17
00:01:00,920 --> 00:01:05,016
como a microscopia de fluorescencia,
a tomografía ou a resonancia magnética.

18
00:01:05,040 --> 00:01:07,336
Unha vez obtidas esas imaxes,

19
00:01:07,360 --> 00:01:11,880
outro experto fai un diagnóstico
e fala co paciente.

20
00:01:12,520 --> 00:01:15,976
Como vedes, é un proceso
que consome moitos recursos,

21
00:01:16,000 --> 00:01:20,416
ao requirir médicos expertos
e custosas tecnoloxías médicas de imaxe,

22
00:01:20,440 --> 00:01:23,536
e non se considera práctico nos países
en vías de desenvolvemento.

23
00:01:23,560 --> 00:01:26,920
De feito, tampouco en moitas
nacións industrializadas.

24
00:01:27,760 --> 00:01:31,030
Pódese resolver o problema
coa axuda da intelixencia artificial?

25
00:01:31,840 --> 00:01:35,646
Se hoxe usásemos arquitecturas
de intelixencia artificial tradicionais

26
00:01:35,690 --> 00:01:37,136
para resolver este problema,

27
00:01:37,160 --> 00:01:39,046
faría falla xerar 10.000,

28
00:01:39,046 --> 00:01:42,656
repito, arredor de 10.000
destas imaxes médicas carísimas,

29
00:01:42,680 --> 00:01:44,056
como primeiro paso.

30
00:01:44,080 --> 00:01:46,976
Logo acudiría a un médico experto,

31
00:01:47,000 --> 00:01:49,496
que analizaría esas imaxes para min.

32
00:01:49,520 --> 00:01:51,616
E con esas dúas fontes de datos,

33
00:01:51,640 --> 00:01:55,296
podo adestrar unha rede neural estándar
ou unha rede de aprendizaxe profunda

34
00:01:55,320 --> 00:01:57,456
para que faga o diagnóstico.

35
00:01:57,480 --> 00:01:59,090
Ao igual que no primeiro método,

36
00:01:59,090 --> 00:02:01,423
partir da intelixencia artificial
tradicional

37
00:02:01,423 --> 00:02:02,906
presenta o mesmo problema.

38
00:02:02,906 --> 00:02:07,440
Moitísimos datos, médicos expertos
e tecnoloxías de imaxe especializadas.

39
00:02:08,320 --> 00:02:12,616
É posible inventar arquitecturas
de intelixencia artificial

40
00:02:12,640 --> 00:02:15,936
ampliables, máis eficientes e máis útiles

41
00:02:15,960 --> 00:02:18,950
para resolver estes importantes problemas
que temos hoxe?

42
00:02:18,950 --> 00:02:22,456
Isto é precisamente o que fai o meu grupo
no Media Lab do MIT.

43
00:02:22,456 --> 00:02:26,216
Levamos inventadas varias arquitecturas
de IA pouco convencionais

44
00:02:26,240 --> 00:02:29,416
para resolver algúns dos desafíos
actuais máis importantes

45
00:02:29,440 --> 00:02:31,890
no campo da imaxe médica
e as probas clínicas.

46
00:02:32,480 --> 00:02:35,536
No caso que veño de describirvos
tiñamos dous obxectivos.

47
00:02:35,560 --> 00:02:38,536
O primeiro era reducir o número de imaxes

48
00:02:38,560 --> 00:02:41,816
que cómpren para adestrar
algoritmos de intelixencia artificial.

49
00:02:41,840 --> 00:02:43,936
O segundo era máis ambicioso.

50
00:02:43,960 --> 00:02:47,530
Queríamos reducir o uso
de custosas tecnoloxías de imaxe médica

51
00:02:47,530 --> 00:02:48,936
na detección de enfermidades.

52
00:02:48,960 --> 00:02:50,160
Como o fixemos?

53
00:02:50,920 --> 00:02:52,136
Para o primeiro fin,

54
00:02:52,160 --> 00:02:54,216
no canto de comezar con decenas de miles

55
00:02:54,240 --> 00:02:57,256
desas carísimas imaxes médicas,
como na IA tradicional,

56
00:02:57,280 --> 00:02:59,336
empezamos con só unha.

57
00:02:59,360 --> 00:03:03,136
A partir desta imaxe, o meu equipo
atopou un modo moi enxeñoso

58
00:03:03,160 --> 00:03:05,896
de extraer miles de millóns
de paquetes de datos.

59
00:03:05,920 --> 00:03:09,616
Estes paquetes contiñan
cores, píxels, xeometría

60
00:03:09,640 --> 00:03:12,176
e representación da doenza
na imaxe médica.

61
00:03:12,200 --> 00:03:16,536
En certo sentido, convertemos unha imaxe
en miles de millóns de observacións

62
00:03:16,560 --> 00:03:20,096
e reducimos moito a cantidade de datos
necesaria para adestrar o sistema.

63
00:03:20,120 --> 00:03:21,336
Para o segundo obxectivo,

64
00:03:21,360 --> 00:03:25,216
reducir o uso de custosas tecnoloxías
de imaxe para detectar enfermidades,

65
00:03:25,240 --> 00:03:28,096
comezamos cunha foto estándar
iluminada con luz branca,

66
00:03:28,120 --> 00:03:32,170
tomada cunha cámara réflex dixital
ou cun móbil.

67
00:03:32,170 --> 00:03:35,016
Entón, lembrades os miles de millóns
de paquetes de datos?

68
00:03:35,016 --> 00:03:38,496
Superpuxemos ese datos obtidos
da imaxe médica sobre estoutra imaxe,

69
00:03:38,520 --> 00:03:41,040
creando así o que chamamos
unha imaxe composta.

70
00:03:41,480 --> 00:03:44,776
Para a nosa sorpresa, fixeron falla só 50,

71
00:03:44,800 --> 00:03:46,136
insisto, só 50,

72
00:03:46,160 --> 00:03:50,000
desas imaxes compostas para adestrar
algoritmos ata taxas altas de eficiencia.

73
00:03:50,680 --> 00:03:52,016
Para resumir o noso enfoque,

74
00:03:52,040 --> 00:03:55,216
no canto de empregar 10.000
imaxes médicas carísimas,

75
00:03:55,240 --> 00:03:58,256
agora podemos adestrar os algoritmos
de modo pouco convencional,

76
00:03:58,280 --> 00:04:02,536
usando só 50 destas fotografías,
de alta resolución pero estándares,

77
00:04:02,560 --> 00:04:05,056
tomadas con réflex dixitais
ou teléfonos móbiles,

78
00:04:05,080 --> 00:04:06,616
e obter un diagnóstico.

79
00:04:06,640 --> 00:04:07,956
E o que é máis importante,

80
00:04:07,956 --> 00:04:11,016
os nosos algoritmos admiten,
no futuro e xa agora mesmo,

81
00:04:11,040 --> 00:04:13,856
fotografías sinxelas, de luz branca,
feitas polo paciente,

82
00:04:13,880 --> 00:04:16,490
no canto de tecnoloxías de imaxe médica
moi custosas.

83
00:04:17,120 --> 00:04:20,216
Penso que estamos xa listos
para entrar nunha era

84
00:04:20,240 --> 00:04:22,176
na que a intelixencia artificial

85
00:04:22,200 --> 00:04:24,736
vai ter un impacto incrible
no noso futuro.

86
00:04:24,760 --> 00:04:27,216
E en relación coa IA tradicional,

87
00:04:27,240 --> 00:04:30,016
potente no manexo de datos pero
moi débil nas aplicacións,

88
00:04:30,040 --> 00:04:31,576
deberíamos seguir pensando tamén

89
00:04:31,600 --> 00:04:34,616
en arquitecturas de intelixencia
artificial pouco convencionais

90
00:04:34,640 --> 00:04:36,420
que poden traballar con poucos datos

91
00:04:36,420 --> 00:04:39,646
para resolver algúns 
dos maiores problemas que temos hoxe,

92
00:04:39,646 --> 00:04:40,816
sobre todo en sanidade.

93
00:04:40,840 --> 00:04:42,056
Moitas grazas.

94
00:04:42,080 --> 00:04:45,920
(Aplausos)