WEBVTT

00:00:01.280 --> 00:00:04.826
Computeralgoritmen verrichten 
vandaag ongelooflijke taken

00:00:04.840 --> 00:00:07.390
met een hoge nauwkeurigheid, 
op grote schaal,

00:00:07.390 --> 00:00:09.920
met behulp van mensachtige intelligentie.

00:00:09.920 --> 00:00:13.856
Deze intelligentie van computers 
wordt vaak aangeduid als KI

00:00:13.880 --> 00:00:15.736
of kunstmatige intelligentie.

00:00:15.760 --> 00:00:17.290
KI zal in de toekomst

00:00:17.310 --> 00:00:20.110
een ongelooflijke invloed 
op ons leven gaan hebben.

00:00:20.880 --> 00:00:24.816
Vandaag echter worden we nog steeds 
geconfronteerd met grote uitdagingen

00:00:24.840 --> 00:00:26.480
in het opsporen en diagnosticeren

00:00:26.480 --> 00:00:28.610
van diverse levensbedreigende ziekten,

00:00:28.610 --> 00:00:30.720
zoals infectieziekten en kanker.

00:00:32.000 --> 00:00:34.076
Duizenden patiënten per jaar

00:00:34.090 --> 00:00:37.120
verliezen hun leven als gevolg 
van lever- en mondkanker.

NOTE Paragraph

00:00:37.880 --> 00:00:40.576
De beste manier 
om deze patiënten te helpen

00:00:40.600 --> 00:00:44.920
zijn vroegtijdige opsporing 
en diagnose van deze ziekten.

00:00:45.880 --> 00:00:48.320
Dus, hoe sporen we
vandaag deze ziekten op,

00:00:48.320 --> 00:00:50.630
en kan kunstmatige intelligentie 
daarbij helpen?

00:00:51.920 --> 00:00:55.576
Bij patiënten waar, helaas, 
deze ziekten worden vermoed,

00:00:55.600 --> 00:00:58.256
bestelt een deskundige arts eerst

00:00:58.280 --> 00:01:00.896
zeer dure medische 
beeldvormingstechnieken

00:01:00.920 --> 00:01:04.626
zoals fluorescerende 
beeldvorming, CT en MRI.

00:01:05.040 --> 00:01:08.946
Zodra die beelden zijn verzameld, stelt 
een andere deskundige arts een diagnose

00:01:08.946 --> 00:01:12.520
aan de hand van die beelden 
en praat met de patiënt.

00:01:12.520 --> 00:01:15.976
Zoals je ziet, komt er
veel kijken bij dit proces:

00:01:16.000 --> 00:01:20.046
twee expert artsen, 
dure medische beeldvormingstechniek.

00:01:20.070 --> 00:01:23.536
Het wordt niet beschouwd
als praktisch voor de derde wereld.

00:01:23.560 --> 00:01:26.920
In feite evenmin in veel 
geïndustrialiseerde landen.

NOTE Paragraph

00:01:27.640 --> 00:01:31.190
Kunnen we dit probleem oplossen
met behulp van kunstmatige intelligentie?

00:01:31.840 --> 00:01:35.290
Als ik vandaag de traditionele 
KI- platforms moest gebruiken

00:01:35.290 --> 00:01:37.136
voor het oplossen van dit probleem,

00:01:37.160 --> 00:01:38.616
zouden 10.000 --

00:01:38.640 --> 00:01:42.656
ik herhaal: ongeveer 10.000 
zeer dure medische beelden

00:01:42.680 --> 00:01:44.056
moeten worden gegenereerd.

00:01:44.080 --> 00:01:46.976
Daarna zou ik 
een deskundige arts opzoeken

00:01:47.000 --> 00:01:49.496
die die beelden dan 
voor mij zou analyseren.

00:01:49.520 --> 00:01:51.616
Met die twee stukken informatie

00:01:51.640 --> 00:01:55.446
kan ik een standaard diep neuraal netwerk 
of een diep-leren-netwerk trainen

00:01:55.446 --> 00:01:57.370
om de patiënt te diagnosticeren.

00:01:57.370 --> 00:01:59.210
Vergelijkbaar met de eerste benadering

00:01:59.210 --> 00:02:01.993
lijden traditionele kunstmatige 
intelligentie benaderingen

00:02:01.993 --> 00:02:03.146
aan het zelfde probleem:

00:02:03.146 --> 00:02:07.440
massa’s data, deskundige artsen 
en deskundige medische beeldvorming.

NOTE Paragraph

00:02:08.320 --> 00:02:12.270
Kunnen wij meer schaalbare, effectievere

00:02:12.270 --> 00:02:15.170
en waardevollere kunstmatige 
intelligentie platforms bedenken

00:02:15.170 --> 00:02:17.320
om de zeer belangrijke 
problemen op te lossen

00:02:17.320 --> 00:02:19.040
waar wij vandaag voor staan?

00:02:19.040 --> 00:02:22.336
Dat is precies wat mijn groep 
bij MIT Media Lab doet.

00:02:22.360 --> 00:02:25.270
We hebben een scala 
aan onorthodoxe KI-platforms uitgevonden

00:02:25.270 --> 00:02:29.416
voor het oplossen van enkele 
van de belangrijkste huidige uitdagingen

00:02:29.440 --> 00:02:31.640
in medische beeldvorming 
en klinische proeven.

NOTE Paragraph

00:02:32.480 --> 00:02:35.536
In het voorbeeld van vandaag 
hadden we twee doelstellingen.

00:02:35.560 --> 00:02:38.536
Ons eerste doel was het verminderen
van het aantal afbeeldingen

00:02:38.560 --> 00:02:41.816
nodig om KI-algoritmen te trainen.

00:02:41.840 --> 00:02:43.936
Ons tweede doel -- 
we werden ambitieuzer,

00:02:43.960 --> 00:02:47.466
was beperking van het gebruik
van dure medische beeldtechniek

00:02:47.490 --> 00:02:48.936
om patiënten te screenen.

00:02:48.960 --> 00:02:50.160
Hoe deden wij dat?

NOTE Paragraph

00:02:50.920 --> 00:02:52.136
Voor ons eerste doel

00:02:52.160 --> 00:02:55.796
begonnen we niet met tienduizenden
van deze zeer dure medische beelden,

00:02:55.820 --> 00:02:57.256
zoals bij traditionele KI,

00:02:57.280 --> 00:02:59.336
maar met één enkel medisch beeld.

00:02:59.360 --> 00:03:02.020
Uitgaande van dit beeld
bedachten mijn team en ik

00:03:02.050 --> 00:03:05.896
een slimme manier om er miljarden 
informatiepakketten uit te halen.

00:03:05.920 --> 00:03:09.616
Deze informatiepakketten bevatten 
kleuren, pixels, geometrie

00:03:09.640 --> 00:03:12.176
en weergave van de ziekte 
op het medische beeld.

00:03:12.200 --> 00:03:16.236
In zekere zin zetten we één afbeelding om
in miljarden datapunten voor training,

00:03:16.260 --> 00:03:20.096
en verminderden drastisch de benodigde
hoeveelheid data voor de training.

NOTE Paragraph

00:03:20.120 --> 00:03:21.336
Ons tweede doel was:

00:03:21.360 --> 00:03:25.216
minder dure, medische beeldtechnologieën 
om patiënten te screenen.

00:03:25.240 --> 00:03:28.096
We startten 
met een standaard, wit-licht-foto,

00:03:28.120 --> 00:03:32.456
van een digitale spiegelreflexcamera 
of een mobiele telefoon, van de patiënt.

00:03:32.480 --> 00:03:34.936
Herinner je je die miljarden 
informatiepakketten?

00:03:34.960 --> 00:03:38.100
We combineerden 
die van het medische beeld met dit beeld,

00:03:38.100 --> 00:03:41.040
en creëerden iets dat we 
een composietafbeelding noemen.

00:03:41.480 --> 00:03:44.556
Zeer tot onze verbazing 
hadden we slechts 50 --

00:03:44.570 --> 00:03:45.850
Ik herhaal, slechts 50 --

00:03:45.850 --> 00:03:47.890
van deze samengestelde afbeeldingen nodig

00:03:47.890 --> 00:03:50.520
om onze algoritmen 
tot hoge rendementen te trainen.

NOTE Paragraph

00:03:50.520 --> 00:03:52.016
Om onze aanpak samen te vatten:

00:03:52.040 --> 00:03:54.876
in plaats van met 10.000 
zeer dure medische beelden,

00:03:54.890 --> 00:03:58.336
kunnen we nu de KI-algoritmen trainen 
op een onorthodoxe manier,

00:03:58.336 --> 00:04:02.536
met behulp van slechts 50 van deze 
hoge resolutie, maar standaard, foto's,

00:04:02.560 --> 00:04:05.056
van DSLR camera's en mobiele telefoons,

00:04:05.080 --> 00:04:06.616
en diagnose aanbieden.

00:04:06.640 --> 00:04:07.856
Nog belangrijker:

00:04:07.880 --> 00:04:11.016
onze algoritmen kunnen, 
in de toekomst en zelfs nu al,

00:04:11.040 --> 00:04:14.246
werken met enkele zeer eenvoudige, 
wit-licht-foto's van de patiënt,

00:04:14.246 --> 00:04:16.790
in plaats met dure medische 
beeldvormende technieken.

NOTE Paragraph

00:04:17.120 --> 00:04:19.386
Ik denk dat we op de drempel staan

00:04:19.420 --> 00:04:22.176
van een tijdperk
waarin de kunstmatige intelligentie

00:04:22.200 --> 00:04:24.956
een ongelooflijke invloed 
op onze toekomst gaat hebben.

00:04:24.956 --> 00:04:27.216
En op het gebied van traditionele KI,

00:04:27.240 --> 00:04:30.016
die data-rijk, maar applicatie-arm is,

00:04:30.040 --> 00:04:34.226
moeten we blijven denken
aan onorthodoxe KI-architecturen,

00:04:34.250 --> 00:04:36.190
die met kleine hoeveelheden data

00:04:36.190 --> 00:04:39.516
een aantal van de belangrijkste problemen 
van vandaag kunnen oplossen,

00:04:39.516 --> 00:04:41.016
met name in de gezondheidszorg.

NOTE Paragraph

00:04:41.016 --> 00:04:42.156
Veel dank.

NOTE Paragraph

00:04:42.156 --> 00:04:45.920
(Applaus)