WEBVTT

00:00:01.280 --> 00:00:05.136
Hoxe en día, os algoritmos informáticos
realizan tarefas incribles

00:00:05.160 --> 00:00:09.896
con gran precisión e a enorme escala,
amosando intelixencia similar á nosa.

00:00:09.920 --> 00:00:13.856
A esta intelixencia informática 
chámaselle a miúdo IA,

00:00:13.880 --> 00:00:15.736
é dicir, intelixencia artificial.

00:00:15.760 --> 00:00:19.960
A IA está lista para ter no futuro
un impacto incrible nas nosas vidas.

00:00:20.880 --> 00:00:24.816
Con todo, hoxe aínda temos que
enfrontarnos a enormes desafíos

00:00:24.840 --> 00:00:28.336
para detectar e diagnosticar varias
enfermidades potencialmente mortais,

00:00:28.360 --> 00:00:30.720
como as infecciosas ou o cancro.

00:00:32.000 --> 00:00:34.296
Cada ano miles de pacientes

00:00:34.320 --> 00:00:37.120
perden a vida a causa 
do cancro de fígado ou de boca.

NOTE Paragraph

00:00:37.880 --> 00:00:40.576
O mellor modo de axudar a estes pacientes

00:00:40.600 --> 00:00:44.920
é detectar e diagnosticar
a enfermidade en fases temperás.

00:00:45.880 --> 00:00:50.040
Como detectamos hoxe estas enfermidades?
Pode axudar a intelixencia artificial?

00:00:51.920 --> 00:00:55.576
Cando se sospeita que, por desgraza,
un paciente padece unha destas doenzas,

00:00:55.600 --> 00:00:58.256
un médico experto comeza por pedir

00:00:58.280 --> 00:01:00.896
probas carísimas baseadas
en tecnoloxías de imaxe,

00:01:00.920 --> 00:01:05.016
como a microscopia de fluorescencia,
a tomografía ou a resonancia magnética.

00:01:05.040 --> 00:01:07.336
Unha vez obtidas esas imaxes,

00:01:07.360 --> 00:01:11.880
outro experto fai un diagnóstico
e fala co paciente.

00:01:12.520 --> 00:01:15.976
Como vedes, é un proceso
que consome moitos recursos,

00:01:16.000 --> 00:01:20.416
ao requirir médicos expertos
e custosas tecnoloxías médicas de imaxe,

00:01:20.440 --> 00:01:23.536
e non se considera práctico nos países
en vías de desenvolvemento.

00:01:23.560 --> 00:01:26.920
De feito, tampouco en moitas
nacións industrializadas.

NOTE Paragraph

00:01:27.760 --> 00:01:31.030
Pódese resolver o problema
coa axuda da intelixencia artificial?

00:01:31.840 --> 00:01:35.646
Se hoxe usásemos arquitecturas
de intelixencia artificial tradicionais

00:01:35.690 --> 00:01:37.136
para resolver este problema,

00:01:37.160 --> 00:01:39.046
faría falla xerar 10.000,

00:01:39.046 --> 00:01:42.656
repito, arredor de 10.000
destas imaxes médicas carísimas,

00:01:42.680 --> 00:01:44.056
como primeiro paso.

00:01:44.080 --> 00:01:46.976
Logo acudiría a un médico experto,

00:01:47.000 --> 00:01:49.496
que analizaría esas imaxes para min.

00:01:49.520 --> 00:01:51.616
E con esas dúas fontes de datos,

00:01:51.640 --> 00:01:55.296
podo adestrar unha rede neural estándar
ou unha rede de aprendizaxe profunda

00:01:55.320 --> 00:01:57.456
para que faga o diagnóstico.

00:01:57.480 --> 00:01:59.090
Ao igual que no primeiro método,

00:01:59.090 --> 00:02:01.423
partir da intelixencia artificial
tradicional

00:02:01.423 --> 00:02:02.906
presenta o mesmo problema.

00:02:02.906 --> 00:02:07.440
Moitísimos datos, médicos expertos
e tecnoloxías de imaxe especializadas.

NOTE Paragraph

00:02:08.320 --> 00:02:12.616
É posible inventar arquitecturas
de intelixencia artificial

00:02:12.640 --> 00:02:15.936
ampliables, máis eficientes e máis útiles

00:02:15.960 --> 00:02:18.950
para resolver estes importantes problemas
que temos hoxe?

00:02:18.950 --> 00:02:22.456
Isto é precisamente o que fai o meu grupo
no Media Lab do MIT.

00:02:22.456 --> 00:02:26.216
Levamos inventadas varias arquitecturas
de IA pouco convencionais

00:02:26.240 --> 00:02:29.416
para resolver algúns dos desafíos
actuais máis importantes

00:02:29.440 --> 00:02:31.890
no campo da imaxe médica
e as probas clínicas.

NOTE Paragraph

00:02:32.480 --> 00:02:35.536
No caso que veño de describirvos
tiñamos dous obxectivos.

00:02:35.560 --> 00:02:38.536
O primeiro era reducir o número de imaxes

00:02:38.560 --> 00:02:41.816
que cómpren para adestrar
algoritmos de intelixencia artificial.

00:02:41.840 --> 00:02:43.936
O segundo era máis ambicioso.

00:02:43.960 --> 00:02:47.530
Queríamos reducir o uso
de custosas tecnoloxías de imaxe médica

00:02:47.530 --> 00:02:48.936
na detección de enfermidades.

00:02:48.960 --> 00:02:50.160
Como o fixemos?

NOTE Paragraph

00:02:50.920 --> 00:02:52.136
Para o primeiro fin,

00:02:52.160 --> 00:02:54.216
no canto de comezar con decenas de miles

00:02:54.240 --> 00:02:57.256
desas carísimas imaxes médicas,
como na IA tradicional,

00:02:57.280 --> 00:02:59.336
empezamos con só unha.

00:02:59.360 --> 00:03:03.136
A partir desta imaxe, o meu equipo
atopou un modo moi enxeñoso

00:03:03.160 --> 00:03:05.896
de extraer miles de millóns
de paquetes de datos.

00:03:05.920 --> 00:03:09.616
Estes paquetes contiñan
cores, píxels, xeometría

00:03:09.640 --> 00:03:12.176
e representación da doenza
na imaxe médica.

00:03:12.200 --> 00:03:16.536
En certo sentido, convertemos unha imaxe
en miles de millóns de observacións

00:03:16.560 --> 00:03:20.096
e reducimos moito a cantidade de datos
necesaria para adestrar o sistema.

NOTE Paragraph

00:03:20.120 --> 00:03:21.336
Para o segundo obxectivo,

00:03:21.360 --> 00:03:25.216
reducir o uso de custosas tecnoloxías
de imaxe para detectar enfermidades,

00:03:25.240 --> 00:03:28.096
comezamos cunha foto estándar
iluminada con luz branca,

00:03:28.120 --> 00:03:32.170
tomada cunha cámara réflex dixital
ou cun móbil.

00:03:32.170 --> 00:03:35.016
Entón, lembrades os miles de millóns
de paquetes de datos?

00:03:35.016 --> 00:03:38.496
Superpuxemos ese datos obtidos
da imaxe médica sobre estoutra imaxe,

00:03:38.520 --> 00:03:41.040
creando así o que chamamos
unha imaxe composta.

00:03:41.480 --> 00:03:44.776
Para a nosa sorpresa, fixeron falla só 50,

00:03:44.800 --> 00:03:46.136
insisto, só 50,

00:03:46.160 --> 00:03:50.000
desas imaxes compostas para adestrar
algoritmos ata taxas altas de eficiencia.

NOTE Paragraph

00:03:50.680 --> 00:03:52.016
Para resumir o noso enfoque,

00:03:52.040 --> 00:03:55.216
no canto de empregar 10.000
imaxes médicas carísimas,

00:03:55.240 --> 00:03:58.256
agora podemos adestrar os algoritmos
de modo pouco convencional,

00:03:58.280 --> 00:04:02.536
usando só 50 destas fotografías,
de alta resolución pero estándares,

00:04:02.560 --> 00:04:05.056
tomadas con réflex dixitais
ou teléfonos móbiles,

00:04:05.080 --> 00:04:06.616
e obter un diagnóstico.

00:04:06.640 --> 00:04:07.956
E o que é máis importante,

00:04:07.956 --> 00:04:11.016
os nosos algoritmos admiten,
no futuro e xa agora mesmo,

00:04:11.040 --> 00:04:13.856
fotografías sinxelas, de luz branca,
feitas polo paciente,

00:04:13.880 --> 00:04:16.490
no canto de tecnoloxías de imaxe médica
moi custosas.

NOTE Paragraph

00:04:17.120 --> 00:04:20.216
Penso que estamos xa listos
para entrar nunha era

00:04:20.240 --> 00:04:22.176
na que a intelixencia artificial

00:04:22.200 --> 00:04:24.736
vai ter un impacto incrible
no noso futuro.

00:04:24.760 --> 00:04:27.216
E en relación coa IA tradicional,

00:04:27.240 --> 00:04:30.016
potente no manexo de datos pero
moi débil nas aplicacións,

00:04:30.040 --> 00:04:31.576
deberíamos seguir pensando tamén

00:04:31.600 --> 00:04:34.616
en arquitecturas de intelixencia
artificial pouco convencionais

00:04:34.640 --> 00:04:36.420
que poden traballar con poucos datos

00:04:36.420 --> 00:04:39.646
para resolver algúns 
dos maiores problemas que temos hoxe,

00:04:39.646 --> 00:04:40.816
sobre todo en sanidade.

NOTE Paragraph

00:04:40.840 --> 00:04:42.056
Moitas grazas.

NOTE Paragraph

00:04:42.080 --> 00:04:45.920
(Aplausos)