0:00:01.280,0:00:05.136
Oggi, gli algoritmi informatici[br]eseguono compiti incredibili

0:00:05.160,0:00:08.260
in modo estremamente accurato, [br]su vasta scala,

0:00:08.260,0:00:09.920
simulando l'intelligenza umana.

0:00:09.920,0:00:13.856
A questa intelligenza dei computer,[br]ci si riferisce spesso come IA

0:00:13.880,0:00:15.736
o intelligenza artificiale.

0:00:15.760,0:00:19.960
Si ipotizza che l'intelligenza artificiale[br]avrà un ruolo incredibile in futuro.

0:00:20.880,0:00:24.816
Oggi, comunque, ci troviamo davanti[br]a sfide estremamente impegnative

0:00:24.840,0:00:28.336
nel riconoscere e diagnosticare[br]diverse malattie potenzialmente mortali,

0:00:28.360,0:00:30.720
come malattie infettive e cancro.

0:00:32.000,0:00:34.296
Migliaia di pazienti ogni anno,

0:00:34.320,0:00:37.120
muoiono per un tumore al fegato[br]o alla cavità orale.

0:00:37.880,0:00:40.576
Il modo migliore[br]per aiutare questi pazienti

0:00:40.600,0:00:44.920
è la prevenzione e diagnosi precoce[br]di queste malattie.

0:00:45.880,0:00:50.040
Come riconoscerle e qual è il ruolo[br]dell'intelligenza artificiale?

0:00:51.920,0:00:55.576
Se, purtroppo, si sospetta in pazienti[br]l'eventualità di queste malattie,

0:00:55.600,0:00:58.256
un medico esperto dapprima prescrive[br]

0:00:58.280,0:01:00.896
esami con tecnologie ad immagini[br]che sono molto costose,

0:01:00.920,0:01:03.550
come imaging a fluorescenza,[br]tomografia computerizzata,

0:01:03.550,0:01:05.040
risonanza magnetica.

0:01:05.040,0:01:07.336
Dopo aver raccolto queste immagini,

0:01:07.360,0:01:11.880
uno specialista formula una diagnosi[br]e ne parla con il paziente.

0:01:12.520,0:01:15.976
Come potete vedere,[br]questo è un processo molto costoso,

0:01:16.000,0:01:20.416
poiché richiede sia specialisti,[br]sia tecnologie mediche costose

0:01:20.440,0:01:23.536
e non è considerato praticabile[br]nei paesi in via di sviluppo.

0:01:23.560,0:01:26.780
In realtà, neanche in molte[br]nazioni industrializzate.

0:01:27.680,0:01:31.330
Possiamo risolvere questo problema[br]con l'aiuto dell'intelligenza artificiale?

0:01:31.840,0:01:35.896
Al giorno d'oggi, se dovessimo usare[br]le architetture tradizionali di IA

0:01:35.920,0:01:37.346
per risolvere questo problema,

0:01:37.376,0:01:38.616
ce ne vorrebbero 10.000.

0:01:38.640,0:01:42.656
Ripeto, 10.000 di queste[br]costosissime immagini mediche

0:01:42.680,0:01:44.056
dovrebbero essere prodotte.

0:01:44.080,0:01:46.976
In seguito dovremmo[br]consultare uno specialista

0:01:47.000,0:01:49.496
per analizzare le immagini.

0:01:49.520,0:01:51.616
Usando questi due tipi di informazioni,

0:01:51.640,0:01:55.586
posso modellare una rete neurale standard[br]o processo di apprendimento in profondità

0:01:55.616,0:01:57.456
per fornire la diagnosi al paziente.

0:01:57.480,0:01:59.216
Analogamente al primo approccio,

0:01:59.240,0:02:01.383
gli approcci tradizionali di IA

0:02:01.407,0:02:02.936
riferiscono lo stesso problema.

0:02:02.966,0:02:07.440
Grande quantità di dati, specialisti[br]e tecnologie mediche ad immagini.

0:02:08.320,0:02:12.616
Possiamo progettare architetture[br]di intelligenza artificiale

0:02:12.640,0:02:15.730
più scalabili, più efficienti e più utili

0:02:15.800,0:02:19.016
per risolvere le criticità[br]che stiamo affrontando oggi?

0:02:19.040,0:02:22.336
È esattamente quello che facciamo[br]al MIT Media Lab.

0:02:22.360,0:02:26.216
Abbiamo progettato numerose[br]architetture IA non ortodosse

0:02:26.240,0:02:29.416
per risolvere i problemi attuali[br]più preoccupanti

0:02:29.440,0:02:32.350
nelle tecnologia clinica ad immagini[br]e nel processo clinico.

0:02:32.480,0:02:35.536
Nell'esempio che vi ho portato oggi,[br]avevamo due obiettivi.

0:02:35.560,0:02:38.536
Il primo obiettivo era[br]ridurre il numero di immagini

0:02:38.560,0:02:41.816
richieste nel processo di apprendimento[br]dell'algoritmo IA.

0:02:41.840,0:02:44.166
Per il secondo obiettivo,[br]eravamo più ambiziosi,

0:02:44.166,0:02:47.696
volevamo ridurre l'utilizzo[br]delle tecnologie mediche più costose

0:02:47.720,0:02:49.146
per lo screening del paziente.

0:02:49.186,0:02:50.160
Come?

0:02:50.630,0:02:52.136
Per il nostro primo obiettivo,

0:02:52.160,0:02:55.826
invece di partire con decine di migliaia[br]di costosissime immagini,

0:02:55.826,0:02:57.296
come con l'IA tradizionale,

0:02:57.296,0:02:59.336
abbiamo iniziato con una singola lastra.

0:02:59.360,0:03:03.136
Da questa lastra, insieme al mio team[br]ho elaborato un modo molto ingegnoso

0:03:03.160,0:03:05.896
per estrapolare miliardi[br]di blocchi di informazione.

0:03:05.920,0:03:09.616
Questi blocchi di informazione[br]includevano colori, pixel, relazione

0:03:09.640,0:03:12.176
e interpretazione della malattia[br]sulla lastra.

0:03:12.200,0:03:16.290
Pertanto, abbiamo convertito un'immagine[br]in miliardi di punti di apprendimento,

0:03:16.320,0:03:20.036
riducendo enormemente l'ammontare[br]dei dati necessari per l'apprendimento.

0:03:20.126,0:03:21.336
Per il secondo obiettivo,

0:03:21.360,0:03:24.950
ridurre l'uso di tecnologie costose[br]per l'esame clinico dei pazienti,

0:03:25.000,0:03:28.296
abbiamo cominciato con una fotografia[br]a luce bianca standard,

0:03:28.296,0:03:32.456
acquisita con una macchina digitale[br]o la fotocamera del cellulare.

0:03:32.480,0:03:34.936
Ricordate quei miliardi[br]di blocchi di informazioni?

0:03:34.960,0:03:38.496
Sono stati sovrapposti[br]dalla lastra su questa immagine,

0:03:38.520,0:03:41.040
creando un'immagine composta.

0:03:41.480,0:03:44.776
Sorprendentemente,[br]ne sono occorse solo 50,

0:03:44.800,0:03:46.136
ripeto, solo 50

0:03:46.160,0:03:50.000
di queste immagini composte per addestrare[br]i nostri algoritmi ad alta efficienza.

0:03:50.680,0:03:52.016
Per riassumere,

0:03:52.040,0:03:55.216
invece di usare 10.000[br]lastre molto costose,

0:03:55.240,0:03:58.256
possiamo adesso addestrare algoritmi[br]in modo non ortodosso,

0:03:58.280,0:04:02.536
usando solo 50 di queste fotografie[br]standard ma ad alta definizione,

0:04:02.560,0:04:05.056
acquisite da macchine digitali[br]o cellulari,

0:04:05.080,0:04:06.616
e formulare diagnosi.

0:04:06.640,0:04:07.856
Ancora più importante,

0:04:07.880,0:04:11.016
i nostri algoritmi possono accettare,[br]nel futuro ma anche adesso,

0:04:11.040,0:04:13.856
semplici fotografie a luci bianche[br]fatte dal paziente,

0:04:13.880,0:04:16.320
invece di costose[br]tecnologie mediche ad immagine.

0:04:17.120,0:04:20.216
Penso che stiamo entrando in un'era

0:04:20.240,0:04:22.176
dove l'intelligenza artificiale

0:04:22.200,0:04:24.490
avrà un incredibile ruolo[br]nel nostro futuro.

0:04:24.550,0:04:27.276
Penso che ragionare sull'IA tradizionale,

0:04:27.306,0:04:30.016
che ha molti dati ma poche applicazioni,

0:04:30.040,0:04:31.576
implica anche elaborare

0:04:31.600,0:04:34.616
architetture IA non ortodosse,

0:04:34.640,0:04:36.576
che possono lavorare con pochi dati

0:04:36.600,0:04:39.536
e risolvere alcuni[br]dei più gravi problemi di oggi,

0:04:39.560,0:04:40.816
soprattutto in medicina.

0:04:40.840,0:04:42.056
Vi ringrazio molto.

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