0:00:01.280,0:00:04.826
Computeralgoritmen verrichten [br]vandaag ongelooflijke taken

0:00:04.840,0:00:07.390
met een hoge nauwkeurigheid, [br]op grote schaal,

0:00:07.390,0:00:09.920
met behulp van mensachtige intelligentie.

0:00:09.920,0:00:13.856
Deze intelligentie van computers [br]wordt vaak aangeduid als KI

0:00:13.880,0:00:15.736
of kunstmatige intelligentie.

0:00:15.760,0:00:17.290
KI zal in de toekomst

0:00:17.310,0:00:20.110
een ongelooflijke invloed [br]op ons leven gaan hebben.

0:00:20.880,0:00:24.816
Vandaag echter worden we nog steeds [br]geconfronteerd met grote uitdagingen

0:00:24.840,0:00:26.480
in het opsporen en diagnosticeren

0:00:26.480,0:00:28.610
van diverse levensbedreigende ziekten,

0:00:28.610,0:00:30.720
zoals infectieziekten en kanker.

0:00:32.000,0:00:34.076
Duizenden patiënten per jaar

0:00:34.090,0:00:37.120
verliezen hun leven als gevolg [br]van lever- en mondkanker.

0:00:37.880,0:00:40.576
De beste manier [br]om deze patiënten te helpen

0:00:40.600,0:00:44.920
zijn vroegtijdige opsporing [br]en diagnose van deze ziekten.

0:00:45.880,0:00:48.320
Dus, hoe sporen we[br]vandaag deze ziekten op,

0:00:48.320,0:00:50.630
en kan kunstmatige intelligentie [br]daarbij helpen?

0:00:51.920,0:00:55.576
Bij patiënten waar, helaas, [br]deze ziekten worden vermoed,

0:00:55.600,0:00:58.256
bestelt een deskundige arts eerst

0:00:58.280,0:01:00.896
zeer dure medische [br]beeldvormingstechnieken

0:01:00.920,0:01:04.626
zoals fluorescerende [br]beeldvorming, CT en MRI.

0:01:05.040,0:01:08.946
Zodra die beelden zijn verzameld, stelt [br]een andere deskundige arts een diagnose

0:01:08.946,0:01:12.520
aan de hand van die beelden [br]en praat met de patiënt.

0:01:12.520,0:01:15.976
Zoals je ziet, komt er[br]veel kijken bij dit proces:

0:01:16.000,0:01:20.046
twee expert artsen, [br]dure medische beeldvormingstechniek.

0:01:20.070,0:01:23.536
Het wordt niet beschouwd[br]als praktisch voor de derde wereld.

0:01:23.560,0:01:26.920
In feite evenmin in veel [br]geïndustrialiseerde landen.

0:01:27.640,0:01:31.190
Kunnen we dit probleem oplossen[br]met behulp van kunstmatige intelligentie?

0:01:31.840,0:01:35.290
Als ik vandaag de traditionele [br]KI- platforms moest gebruiken

0:01:35.290,0:01:37.136
voor het oplossen van dit probleem,

0:01:37.160,0:01:38.616
zouden 10.000 --

0:01:38.640,0:01:42.656
ik herhaal: ongeveer 10.000 [br]zeer dure medische beelden

0:01:42.680,0:01:44.056
moeten worden gegenereerd.

0:01:44.080,0:01:46.976
Daarna zou ik [br]een deskundige arts opzoeken

0:01:47.000,0:01:49.496
die die beelden dan [br]voor mij zou analyseren.

0:01:49.520,0:01:51.616
Met die twee stukken informatie

0:01:51.640,0:01:55.446
kan ik een standaard diep neuraal netwerk [br]of een diep-leren-netwerk trainen

0:01:55.446,0:01:57.370
om de patiënt te diagnosticeren.

0:01:57.370,0:01:59.210
Vergelijkbaar met de eerste benadering

0:01:59.210,0:02:01.993
lijden traditionele kunstmatige [br]intelligentie benaderingen

0:02:01.993,0:02:03.146
aan het zelfde probleem:

0:02:03.146,0:02:07.440
massa’s data, deskundige artsen [br]en deskundige medische beeldvorming.

0:02:08.320,0:02:12.270
Kunnen wij meer schaalbare, effectievere

0:02:12.270,0:02:15.170
en waardevollere kunstmatige [br]intelligentie platforms bedenken

0:02:15.170,0:02:17.320
om de zeer belangrijke [br]problemen op te lossen

0:02:17.320,0:02:19.040
waar wij vandaag voor staan?

0:02:19.040,0:02:22.336
Dat is precies wat mijn groep [br]bij MIT Media Lab doet.

0:02:22.360,0:02:25.270
We hebben een scala [br]aan onorthodoxe KI-platforms uitgevonden

0:02:25.270,0:02:29.416
voor het oplossen van enkele [br]van de belangrijkste huidige uitdagingen

0:02:29.440,0:02:31.640
in medische beeldvorming [br]en klinische proeven.

0:02:32.480,0:02:35.536
In het voorbeeld van vandaag [br]hadden we twee doelstellingen.

0:02:35.560,0:02:38.536
Ons eerste doel was het verminderen[br]van het aantal afbeeldingen

0:02:38.560,0:02:41.816
nodig om KI-algoritmen te trainen.

0:02:41.840,0:02:43.936
Ons tweede doel -- [br]we werden ambitieuzer,

0:02:43.960,0:02:47.466
was beperking van het gebruik[br]van dure medische beeldtechniek

0:02:47.490,0:02:48.936
om patiënten te screenen.

0:02:48.960,0:02:50.160
Hoe deden wij dat?

0:02:50.920,0:02:52.136
Voor ons eerste doel

0:02:52.160,0:02:55.796
begonnen we niet met tienduizenden[br]van deze zeer dure medische beelden,

0:02:55.820,0:02:57.256
zoals bij traditionele KI,

0:02:57.280,0:02:59.336
maar met één enkel medisch beeld.

0:02:59.360,0:03:02.020
Uitgaande van dit beeld[br]bedachten mijn team en ik

0:03:02.050,0:03:05.896
een slimme manier om er miljarden [br]informatiepakketten uit te halen.

0:03:05.920,0:03:09.616
Deze informatiepakketten bevatten [br]kleuren, pixels, geometrie

0:03:09.640,0:03:12.176
en weergave van de ziekte [br]op het medische beeld.

0:03:12.200,0:03:16.236
In zekere zin zetten we één afbeelding om[br]in miljarden datapunten voor training,

0:03:16.260,0:03:20.096
en verminderden drastisch de benodigde[br]hoeveelheid data voor de training.

0:03:20.120,0:03:21.336
Ons tweede doel was:

0:03:21.360,0:03:25.216
minder dure, medische beeldtechnologieën [br]om patiënten te screenen.

0:03:25.240,0:03:28.096
We startten [br]met een standaard, wit-licht-foto,

0:03:28.120,0:03:32.456
van een digitale spiegelreflexcamera [br]of een mobiele telefoon, van de patiënt.

0:03:32.480,0:03:34.936
Herinner je je die miljarden [br]informatiepakketten?

0:03:34.960,0:03:38.100
We combineerden [br]die van het medische beeld met dit beeld,

0:03:38.100,0:03:41.040
en creëerden iets dat we [br]een composietafbeelding noemen.

0:03:41.480,0:03:44.556
Zeer tot onze verbazing [br]hadden we slechts 50 --

0:03:44.570,0:03:45.850
Ik herhaal, slechts 50 --

0:03:45.850,0:03:47.890
van deze samengestelde afbeeldingen nodig

0:03:47.890,0:03:50.520
om onze algoritmen [br]tot hoge rendementen te trainen.

0:03:50.520,0:03:52.016
Om onze aanpak samen te vatten:

0:03:52.040,0:03:54.876
in plaats van met 10.000 [br]zeer dure medische beelden,

0:03:54.890,0:03:58.336
kunnen we nu de KI-algoritmen trainen [br]op een onorthodoxe manier,

0:03:58.336,0:04:02.536
met behulp van slechts 50 van deze [br]hoge resolutie, maar standaard, foto's,

0:04:02.560,0:04:05.056
van DSLR camera's en mobiele telefoons,

0:04:05.080,0:04:06.616
en diagnose aanbieden.

0:04:06.640,0:04:07.856
Nog belangrijker:

0:04:07.880,0:04:11.016
onze algoritmen kunnen, [br]in de toekomst en zelfs nu al,

0:04:11.040,0:04:14.246
werken met enkele zeer eenvoudige, [br]wit-licht-foto's van de patiënt,

0:04:14.246,0:04:16.790
in plaats met dure medische [br]beeldvormende technieken.

0:04:17.120,0:04:19.386
Ik denk dat we op de drempel staan

0:04:19.420,0:04:22.176
van een tijdperk[br]waarin de kunstmatige intelligentie

0:04:22.200,0:04:24.956
een ongelooflijke invloed [br]op onze toekomst gaat hebben.

0:04:24.956,0:04:27.216
En op het gebied van traditionele KI,

0:04:27.240,0:04:30.016
die data-rijk, maar applicatie-arm is,

0:04:30.040,0:04:34.226
moeten we blijven denken[br]aan onorthodoxe KI-architecturen,

0:04:34.250,0:04:36.190
die met kleine hoeveelheden data

0:04:36.190,0:04:39.516
een aantal van de belangrijkste problemen [br]van vandaag kunnen oplossen,

0:04:39.516,0:04:41.016
met name in de gezondheidszorg.

0:04:41.016,0:04:42.156
Veel dank.

0:04:42.156,0:04:45.920
(Applaus)