1
00:00:01,280 --> 00:00:05,136
Oggi, gli algoritmi informatici
eseguono compiti incredibili

2
00:00:05,160 --> 00:00:08,260
in modo estremamente accurato, 
su vasta scala,

3
00:00:08,260 --> 00:00:09,920
simulando l'intelligenza umana.

4
00:00:09,920 --> 00:00:13,856
A questa intelligenza dei computer,
ci si riferisce spesso come IA

5
00:00:13,880 --> 00:00:15,736
o intelligenza artificiale.

6
00:00:15,760 --> 00:00:19,960
Si ipotizza che l'intelligenza artificiale
avrà un ruolo incredibile in futuro.

7
00:00:20,880 --> 00:00:24,816
Oggi, comunque, ci troviamo davanti
a sfide estremamente impegnative

8
00:00:24,840 --> 00:00:28,336
nel riconoscere e diagnosticare
diverse malattie potenzialmente mortali,

9
00:00:28,360 --> 00:00:30,720
come malattie infettive e cancro.

10
00:00:32,000 --> 00:00:34,296
Migliaia di pazienti ogni anno,

11
00:00:34,320 --> 00:00:37,120
muoiono per un tumore al fegato
o alla cavità orale.

12
00:00:37,880 --> 00:00:40,576
Il modo migliore
per aiutare questi pazienti

13
00:00:40,600 --> 00:00:44,920
è la prevenzione e diagnosi precoce
di queste malattie.

14
00:00:45,880 --> 00:00:50,040
Come riconoscerle e qual è il ruolo
dell'intelligenza artificiale?

15
00:00:51,920 --> 00:00:55,576
Se, purtroppo, si sospetta in pazienti
l'eventualità di queste malattie,

16
00:00:55,600 --> 00:00:58,256
un medico esperto dapprima prescrive


17
00:00:58,280 --> 00:01:00,896
esami con tecnologie ad immagini
che sono molto costose,

18
00:01:00,920 --> 00:01:03,550
come imaging a fluorescenza,
tomografia computerizzata,

19
00:01:03,550 --> 00:01:05,040
risonanza magnetica.

20
00:01:05,040 --> 00:01:07,336
Dopo aver raccolto queste immagini,

21
00:01:07,360 --> 00:01:11,880
uno specialista formula una diagnosi
e ne parla con il paziente.

22
00:01:12,520 --> 00:01:15,976
Come potete vedere,
questo è un processo molto costoso,

23
00:01:16,000 --> 00:01:20,416
poiché richiede sia specialisti,
sia tecnologie mediche costose

24
00:01:20,440 --> 00:01:23,536
e non è considerato praticabile
nei paesi in via di sviluppo.

25
00:01:23,560 --> 00:01:26,780
In realtà, neanche in molte
nazioni industrializzate.

26
00:01:27,680 --> 00:01:31,330
Possiamo risolvere questo problema
con l'aiuto dell'intelligenza artificiale?

27
00:01:31,840 --> 00:01:35,896
Al giorno d'oggi, se dovessimo usare
le architetture tradizionali di IA

28
00:01:35,920 --> 00:01:37,346
per risolvere questo problema,

29
00:01:37,376 --> 00:01:38,616
ce ne vorrebbero 10.000.

30
00:01:38,640 --> 00:01:42,656
Ripeto, 10.000 di queste
costosissime immagini mediche

31
00:01:42,680 --> 00:01:44,056
dovrebbero essere prodotte.

32
00:01:44,080 --> 00:01:46,976
In seguito dovremmo
consultare uno specialista

33
00:01:47,000 --> 00:01:49,496
per analizzare le immagini.

34
00:01:49,520 --> 00:01:51,616
Usando questi due tipi di informazioni,

35
00:01:51,640 --> 00:01:55,586
posso modellare una rete neurale standard
o processo di apprendimento in profondità

36
00:01:55,616 --> 00:01:57,456
per fornire la diagnosi al paziente.

37
00:01:57,480 --> 00:01:59,216
Analogamente al primo approccio,

38
00:01:59,240 --> 00:02:01,383
gli approcci tradizionali di IA

39
00:02:01,407 --> 00:02:02,936
riferiscono lo stesso problema.

40
00:02:02,966 --> 00:02:07,440
Grande quantità di dati, specialisti
e tecnologie mediche ad immagini.

41
00:02:08,320 --> 00:02:12,616
Possiamo progettare architetture
di intelligenza artificiale

42
00:02:12,640 --> 00:02:15,730
più scalabili, più efficienti e più utili

43
00:02:15,800 --> 00:02:19,016
per risolvere le criticità
che stiamo affrontando oggi?

44
00:02:19,040 --> 00:02:22,336
È esattamente quello che facciamo
al MIT Media Lab.

45
00:02:22,360 --> 00:02:26,216
Abbiamo progettato numerose
architetture IA non ortodosse

46
00:02:26,240 --> 00:02:29,416
per risolvere i problemi attuali
più preoccupanti

47
00:02:29,440 --> 00:02:32,350
nelle tecnologia clinica ad immagini
e nel processo clinico.

48
00:02:32,480 --> 00:02:35,536
Nell'esempio che vi ho portato oggi,
avevamo due obiettivi.

49
00:02:35,560 --> 00:02:38,536
Il primo obiettivo era
ridurre il numero di immagini

50
00:02:38,560 --> 00:02:41,816
richieste nel processo di apprendimento
dell'algoritmo IA.

51
00:02:41,840 --> 00:02:44,166
Per il secondo obiettivo,
eravamo più ambiziosi,

52
00:02:44,166 --> 00:02:47,696
volevamo ridurre l'utilizzo
delle tecnologie mediche più costose

53
00:02:47,720 --> 00:02:49,146
per lo screening del paziente.

54
00:02:49,186 --> 00:02:50,160
Come?

55
00:02:50,630 --> 00:02:52,136
Per il nostro primo obiettivo,

56
00:02:52,160 --> 00:02:55,826
invece di partire con decine di migliaia
di costosissime immagini,

57
00:02:55,826 --> 00:02:57,296
come con l'IA tradizionale,

58
00:02:57,296 --> 00:02:59,336
abbiamo iniziato con una singola lastra.

59
00:02:59,360 --> 00:03:03,136
Da questa lastra, insieme al mio team
ho elaborato un modo molto ingegnoso

60
00:03:03,160 --> 00:03:05,896
per estrapolare miliardi
di blocchi di informazione.

61
00:03:05,920 --> 00:03:09,616
Questi blocchi di informazione
includevano colori, pixel, relazione

62
00:03:09,640 --> 00:03:12,176
e interpretazione della malattia
sulla lastra.

63
00:03:12,200 --> 00:03:16,290
Pertanto, abbiamo convertito un'immagine
in miliardi di punti di apprendimento,

64
00:03:16,320 --> 00:03:20,036
riducendo enormemente l'ammontare
dei dati necessari per l'apprendimento.

65
00:03:20,126 --> 00:03:21,336
Per il secondo obiettivo,

66
00:03:21,360 --> 00:03:24,950
ridurre l'uso di tecnologie costose
per l'esame clinico dei pazienti,

67
00:03:25,000 --> 00:03:28,296
abbiamo cominciato con una fotografia
a luce bianca standard,

68
00:03:28,296 --> 00:03:32,456
acquisita con una macchina digitale
o la fotocamera del cellulare.

69
00:03:32,480 --> 00:03:34,936
Ricordate quei miliardi
di blocchi di informazioni?

70
00:03:34,960 --> 00:03:38,496
Sono stati sovrapposti
dalla lastra su questa immagine,

71
00:03:38,520 --> 00:03:41,040
creando un'immagine composta.

72
00:03:41,480 --> 00:03:44,776
Sorprendentemente,
ne sono occorse solo 50,

73
00:03:44,800 --> 00:03:46,136
ripeto, solo 50

74
00:03:46,160 --> 00:03:50,000
di queste immagini composte per addestrare
i nostri algoritmi ad alta efficienza.

75
00:03:50,680 --> 00:03:52,016
Per riassumere,

76
00:03:52,040 --> 00:03:55,216
invece di usare 10.000
lastre molto costose,

77
00:03:55,240 --> 00:03:58,256
possiamo adesso addestrare algoritmi
in modo non ortodosso,

78
00:03:58,280 --> 00:04:02,536
usando solo 50 di queste fotografie
standard ma ad alta definizione,

79
00:04:02,560 --> 00:04:05,056
acquisite da macchine digitali
o cellulari,

80
00:04:05,080 --> 00:04:06,616
e formulare diagnosi.

81
00:04:06,640 --> 00:04:07,856
Ancora più importante,

82
00:04:07,880 --> 00:04:11,016
i nostri algoritmi possono accettare,
nel futuro ma anche adesso,

83
00:04:11,040 --> 00:04:13,856
semplici fotografie a luci bianche
fatte dal paziente,

84
00:04:13,880 --> 00:04:16,320
invece di costose
tecnologie mediche ad immagine.

85
00:04:17,120 --> 00:04:20,216
Penso che stiamo entrando in un'era

86
00:04:20,240 --> 00:04:22,176
dove l'intelligenza artificiale

87
00:04:22,200 --> 00:04:24,490
avrà un incredibile ruolo
nel nostro futuro.

88
00:04:24,550 --> 00:04:27,276
Penso che ragionare sull'IA tradizionale,

89
00:04:27,306 --> 00:04:30,016
che ha molti dati ma poche applicazioni,

90
00:04:30,040 --> 00:04:31,576
implica anche elaborare

91
00:04:31,600 --> 00:04:34,616
architetture IA non ortodosse,

92
00:04:34,640 --> 00:04:36,576
che possono lavorare con pochi dati

93
00:04:36,600 --> 00:04:39,536
e risolvere alcuni
dei più gravi problemi di oggi,

94
00:04:39,560 --> 00:04:40,816
soprattutto in medicina.

95
00:04:40,840 --> 00:04:42,056
Vi ringrazio molto.

96
00:04:42,080 --> 00:04:45,920
(Applausi)