WEBVTT

00:00:01.280 --> 00:00:05.136
Oggi, gli algoritmi informatici
eseguono compiti incredibili

00:00:05.160 --> 00:00:08.260
in modo estremamente accurato, 
su vasta scala,

00:00:08.260 --> 00:00:09.920
simulando l'intelligenza umana.

00:00:09.920 --> 00:00:13.856
A questa intelligenza dei computer,
ci si riferisce spesso come IA

00:00:13.880 --> 00:00:15.736
o intelligenza artificiale.

00:00:15.760 --> 00:00:19.960
Si ipotizza che l'intelligenza artificiale
avrà un ruolo incredibile in futuro.

00:00:20.880 --> 00:00:24.816
Oggi, comunque, ci troviamo davanti
a sfide estremamente impegnative

00:00:24.840 --> 00:00:28.336
nel riconoscere e diagnosticare
diverse malattie potenzialmente mortali,

00:00:28.360 --> 00:00:30.720
come malattie infettive e cancro.

00:00:32.000 --> 00:00:34.296
Migliaia di pazienti ogni anno,

00:00:34.320 --> 00:00:37.120
muoiono per un tumore al fegato
o alla cavità orale.

NOTE Paragraph

00:00:37.880 --> 00:00:40.576
Il modo migliore
per aiutare questi pazienti

00:00:40.600 --> 00:00:44.920
è la prevenzione e diagnosi precoce
di queste malattie.

00:00:45.880 --> 00:00:50.040
Come riconoscerle e qual è il ruolo
dell'intelligenza artificiale?

00:00:51.920 --> 00:00:55.576
Se, purtroppo, si sospetta in pazienti
l'eventualità di queste malattie,

00:00:55.600 --> 00:00:58.256
un medico esperto dapprima prescrive


00:00:58.280 --> 00:01:00.896
esami con tecnologie ad immagini
che sono molto costose,

00:01:00.920 --> 00:01:03.550
come imaging a fluorescenza,
tomografia computerizzata,

00:01:03.550 --> 00:01:05.040
risonanza magnetica.

00:01:05.040 --> 00:01:07.336
Dopo aver raccolto queste immagini,

00:01:07.360 --> 00:01:11.880
uno specialista formula una diagnosi
e ne parla con il paziente.

00:01:12.520 --> 00:01:15.976
Come potete vedere,
questo è un processo molto costoso,

00:01:16.000 --> 00:01:20.416
poiché richiede sia specialisti,
sia tecnologie mediche costose

00:01:20.440 --> 00:01:23.536
e non è considerato praticabile
nei paesi in via di sviluppo.

00:01:23.560 --> 00:01:26.780
In realtà, neanche in molte
nazioni industrializzate.

NOTE Paragraph

00:01:27.680 --> 00:01:31.330
Possiamo risolvere questo problema
con l'aiuto dell'intelligenza artificiale?

00:01:31.840 --> 00:01:35.896
Al giorno d'oggi, se dovessimo usare
le architetture tradizionali di IA

00:01:35.920 --> 00:01:37.346
per risolvere questo problema,

00:01:37.376 --> 00:01:38.616
ce ne vorrebbero 10.000.

00:01:38.640 --> 00:01:42.656
Ripeto, 10.000 di queste
costosissime immagini mediche

00:01:42.680 --> 00:01:44.056
dovrebbero essere prodotte.

00:01:44.080 --> 00:01:46.976
In seguito dovremmo
consultare uno specialista

00:01:47.000 --> 00:01:49.496
per analizzare le immagini.

00:01:49.520 --> 00:01:51.616
Usando questi due tipi di informazioni,

00:01:51.640 --> 00:01:55.586
posso modellare una rete neurale standard
o processo di apprendimento in profondità

00:01:55.616 --> 00:01:57.456
per fornire la diagnosi al paziente.

00:01:57.480 --> 00:01:59.216
Analogamente al primo approccio,

00:01:59.240 --> 00:02:01.383
gli approcci tradizionali di IA

00:02:01.407 --> 00:02:02.936
riferiscono lo stesso problema.

00:02:02.966 --> 00:02:07.440
Grande quantità di dati, specialisti
e tecnologie mediche ad immagini.

NOTE Paragraph

00:02:08.320 --> 00:02:12.616
Possiamo progettare architetture
di intelligenza artificiale

00:02:12.640 --> 00:02:15.730
più scalabili, più efficienti e più utili

00:02:15.800 --> 00:02:19.016
per risolvere le criticità
che stiamo affrontando oggi?

00:02:19.040 --> 00:02:22.336
È esattamente quello che facciamo
al MIT Media Lab.

00:02:22.360 --> 00:02:26.216
Abbiamo progettato numerose
architetture IA non ortodosse

00:02:26.240 --> 00:02:29.416
per risolvere i problemi attuali
più preoccupanti

00:02:29.440 --> 00:02:32.350
nelle tecnologia clinica ad immagini
e nel processo clinico.

NOTE Paragraph

00:02:32.480 --> 00:02:35.536
Nell'esempio che vi ho portato oggi,
avevamo due obiettivi.

00:02:35.560 --> 00:02:38.536
Il primo obiettivo era
ridurre il numero di immagini

00:02:38.560 --> 00:02:41.816
richieste nel processo di apprendimento
dell'algoritmo IA.

00:02:41.840 --> 00:02:44.166
Per il secondo obiettivo,
eravamo più ambiziosi,

00:02:44.166 --> 00:02:47.696
volevamo ridurre l'utilizzo
delle tecnologie mediche più costose

00:02:47.720 --> 00:02:49.146
per lo screening del paziente.

00:02:49.186 --> 00:02:50.160
Come?

NOTE Paragraph

00:02:50.630 --> 00:02:52.136
Per il nostro primo obiettivo,

00:02:52.160 --> 00:02:55.826
invece di partire con decine di migliaia
di costosissime immagini,

00:02:55.826 --> 00:02:57.296
come con l'IA tradizionale,

00:02:57.296 --> 00:02:59.336
abbiamo iniziato con una singola lastra.

00:02:59.360 --> 00:03:03.136
Da questa lastra, insieme al mio team
ho elaborato un modo molto ingegnoso

00:03:03.160 --> 00:03:05.896
per estrapolare miliardi
di blocchi di informazione.

00:03:05.920 --> 00:03:09.616
Questi blocchi di informazione
includevano colori, pixel, relazione

00:03:09.640 --> 00:03:12.176
e interpretazione della malattia
sulla lastra.

00:03:12.200 --> 00:03:16.290
Pertanto, abbiamo convertito un'immagine
in miliardi di punti di apprendimento,

00:03:16.320 --> 00:03:20.036
riducendo enormemente l'ammontare
dei dati necessari per l'apprendimento.

NOTE Paragraph

00:03:20.126 --> 00:03:21.336
Per il secondo obiettivo,

00:03:21.360 --> 00:03:24.950
ridurre l'uso di tecnologie costose
per l'esame clinico dei pazienti,

00:03:25.000 --> 00:03:28.296
abbiamo cominciato con una fotografia
a luce bianca standard,

00:03:28.296 --> 00:03:32.456
acquisita con una macchina digitale
o la fotocamera del cellulare.

00:03:32.480 --> 00:03:34.936
Ricordate quei miliardi
di blocchi di informazioni?

00:03:34.960 --> 00:03:38.496
Sono stati sovrapposti
dalla lastra su questa immagine,

00:03:38.520 --> 00:03:41.040
creando un'immagine composta.

00:03:41.480 --> 00:03:44.776
Sorprendentemente,
ne sono occorse solo 50,

00:03:44.800 --> 00:03:46.136
ripeto, solo 50

00:03:46.160 --> 00:03:50.000
di queste immagini composte per addestrare
i nostri algoritmi ad alta efficienza.

NOTE Paragraph

00:03:50.680 --> 00:03:52.016
Per riassumere,

00:03:52.040 --> 00:03:55.216
invece di usare 10.000
lastre molto costose,

00:03:55.240 --> 00:03:58.256
possiamo adesso addestrare algoritmi
in modo non ortodosso,

00:03:58.280 --> 00:04:02.536
usando solo 50 di queste fotografie
standard ma ad alta definizione,

00:04:02.560 --> 00:04:05.056
acquisite da macchine digitali
o cellulari,

00:04:05.080 --> 00:04:06.616
e formulare diagnosi.

00:04:06.640 --> 00:04:07.856
Ancora più importante,

00:04:07.880 --> 00:04:11.016
i nostri algoritmi possono accettare,
nel futuro ma anche adesso,

00:04:11.040 --> 00:04:13.856
semplici fotografie a luci bianche
fatte dal paziente,

00:04:13.880 --> 00:04:16.320
invece di costose
tecnologie mediche ad immagine.

NOTE Paragraph

00:04:17.120 --> 00:04:20.216
Penso che stiamo entrando in un'era

00:04:20.240 --> 00:04:22.176
dove l'intelligenza artificiale

00:04:22.200 --> 00:04:24.490
avrà un incredibile ruolo
nel nostro futuro.

00:04:24.550 --> 00:04:27.276
Penso che ragionare sull'IA tradizionale,

00:04:27.306 --> 00:04:30.016
che ha molti dati ma poche applicazioni,

00:04:30.040 --> 00:04:31.576
implica anche elaborare

00:04:31.600 --> 00:04:34.616
architetture IA non ortodosse,

00:04:34.640 --> 00:04:36.576
che possono lavorare con pochi dati

00:04:36.600 --> 00:04:39.536
e risolvere alcuni
dei più gravi problemi di oggi,

00:04:39.560 --> 00:04:40.816
soprattutto in medicina.

NOTE Paragraph

00:04:40.840 --> 00:04:42.056
Vi ringrazio molto.

NOTE Paragraph

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