1
00:00:01,480 --> 00:00:05,176
Hoje em dia, os algoritmos de computadores
desempenham tarefas incríveis

2
00:00:05,240 --> 00:00:07,840
com grande precisão, em grande escala,

3
00:00:07,870 --> 00:00:10,220
utilizando uma inteligência
parecida com a humana.

4
00:00:10,250 --> 00:00:13,856
Esta inteligência dos computadores
é frequentemente chamada IA,

5
00:00:13,880 --> 00:00:15,686
ou seja, inteligência artificial.

6
00:00:15,860 --> 00:00:20,180
É previsto que a IA tenha, no futuro,
um enorme impacto na nossa vida.

7
00:00:20,880 --> 00:00:24,816
Porém, hoje em dia, ainda 
enfrentamos desafios enormes

8
00:00:24,860 --> 00:00:28,496
na detecção e diagnóstico 
de muitas doenças letais,

9
00:00:28,530 --> 00:00:31,140
tais como doenças infecciosas e cancro.

10
00:00:32,000 --> 00:00:34,406
Milhares de doentes, todos os anos,

11
00:00:34,430 --> 00:00:37,670
perdem a vida devido
a um cancro do fígado ou da boca.

12
00:00:37,880 --> 00:00:40,576
A melhor maneira 
de ajudar esses doentes

13
00:00:40,600 --> 00:00:45,060
é realizar a detecção e o diagnóstico
dessas doenças mais cedo.

14
00:00:45,880 --> 00:00:50,170
Então, como detectamos essas doenças
e como a IA pode ajudar?

15
00:00:51,920 --> 00:00:55,666
Em doentes em quem, infelizmente,
haja suspeitas dessas doenças,

16
00:00:55,680 --> 00:00:58,326
um médico especialista pede, primeiro,

17
00:00:58,380 --> 00:01:01,096
uma qualquer tecnologia dispendiosa
de imagiologia médica,

18
00:01:01,120 --> 00:01:04,916
como a imagiologia por fluorescência,
um TC, ou um MRI.

19
00:01:05,040 --> 00:01:07,436
Depois de colhidas essas imagens,

20
00:01:07,460 --> 00:01:12,060
outro especialista faz o diagnóstico 
das imagens e fala com o doente.

21
00:01:12,520 --> 00:01:15,976
Como podem ver, este é 
um processo muito dispendioso

22
00:01:16,000 --> 00:01:20,416
que requer médicos especialistas, 
tecnologia de imagiologia médica cara

23
00:01:20,440 --> 00:01:23,756
e não é considerado prático
para os países em desenvolvimento.

24
00:01:23,830 --> 00:01:27,130
O mesmo acontece
com as nações industrializadas.

25
00:01:27,760 --> 00:01:30,790
Podemos resolver isto
com a inteligência artificial?

26
00:01:31,840 --> 00:01:35,896
Hoje, se eu fosse usar arquitecturas
tradicionais de inteligência artificial

27
00:01:35,920 --> 00:01:37,266
para resolver este problema,

28
00:01:37,300 --> 00:01:38,876
seriam necessárias dez mil

29
00:01:38,900 --> 00:01:42,656
— repito, cerca de dez mil —
dessas imagens médicas muito caras

30
00:01:42,680 --> 00:01:44,216
só para serem geradas.

31
00:01:44,230 --> 00:01:46,976
Depois disso, iria
a um médico especialista,

32
00:01:47,000 --> 00:01:49,496
que analisaria essas imagens.

33
00:01:49,520 --> 00:01:51,756
Usando estes dois bocados de informações,

34
00:01:51,770 --> 00:01:55,296
posso treinar uma rede neural profunda
ou uma rede de aprendizagem profunda

35
00:01:55,320 --> 00:01:57,546
para fazer os diagnósticos a doentes.

36
00:01:57,590 --> 00:01:59,186
Tal como a primeira abordagem,

37
00:01:59,200 --> 00:02:01,553
a abordagem tradicional
da inteligência artificial

38
00:02:01,553 --> 00:02:03,036
passa pelo mesmo problema.

39
00:02:03,070 --> 00:02:05,630
Uma grande quantidade de dados,
médicos especialistas

40
00:02:05,640 --> 00:02:07,990
e especialistas
de tecnologias de imagiologia.

41
00:02:09,380 --> 00:02:12,046
Será que podemos inventar
arquitecturas de IA

42
00:02:12,060 --> 00:02:15,506
mais evolutivas, mais eficazes
e mais valiosas,

43
00:02:15,960 --> 00:02:19,036
para resolver esses problemas 
importantes que hoje enfrentamos?

44
00:02:19,040 --> 00:02:22,336
É exactamente isto o que faz
o meu grupo no MIT Media Lab.

45
00:02:22,420 --> 00:02:26,216
Inventámos uma variedade
de arquitecturas IA pouco ortodoxas

46
00:02:26,240 --> 00:02:29,416
para resolver alguns dos desafios
mais importantes que temos hoje

47
00:02:29,440 --> 00:02:31,920
em imagiologia médica e testes clínicos.

48
00:02:32,480 --> 00:02:35,536
No exemplo que partilho aqui
tínhamos dois objetivos.

49
00:02:35,560 --> 00:02:38,536
O nosso primeiro objectivo era
reduzir o número de imagens

50
00:02:38,560 --> 00:02:41,746
necessárias para treinar o algoritmo
da inteligência artificial.

51
00:02:41,840 --> 00:02:43,936
No segundo objetivo fomos mais ambiciosos.

52
00:02:43,960 --> 00:02:47,556
Queríamos reduzir o uso de tecnologia
de imagiologia médica cara

53
00:02:47,560 --> 00:02:49,166
para examinar doentes.

54
00:02:49,190 --> 00:02:50,730
Então, como o fizemos?

55
00:02:50,920 --> 00:02:52,136
No primeiro objectivo,

56
00:02:52,140 --> 00:02:54,376
em vez de começarmos
com dezenas e milhares

57
00:02:54,400 --> 00:02:57,256
destas imagens médicas caras,
como a IA tradicional,

58
00:02:57,280 --> 00:02:59,436
começámos com uma única imagem médica.

59
00:02:59,460 --> 00:03:03,136
A partir desta imagem, a minha equipa e eu
encontrámos uma forma inteligente

60
00:03:03,160 --> 00:03:06,116
de extrair milhares de milhões 
de pacotes de informações.

61
00:03:06,140 --> 00:03:09,716
Estes pacotes de informações
incluíam cores, pixeis, geometria

62
00:03:09,730 --> 00:03:12,176
e a apresentação da doença
na imagem médica.

63
00:03:12,200 --> 00:03:16,656
Ou seja, convertemos uma imagem
em milhares de milhões de pontos de dados,

64
00:03:16,680 --> 00:03:19,886
reduzindo massivamente o número
de dados necessários para o treino.

65
00:03:19,900 --> 00:03:21,346
Para o segundo objectivo

66
00:03:21,370 --> 00:03:24,000
— reduzir o uso da tecnologia
de imagiologia médica cara

67
00:03:24,020 --> 00:03:25,390
para examinar doentes —

68
00:03:25,390 --> 00:03:28,246
começámos com uma fotografia
normal, com luz natural,

69
00:03:28,290 --> 00:03:32,296
tirada por uma câmara DSLR
ou um telemóvel, para o doente.

70
00:03:32,330 --> 00:03:35,196
Lembram-se dos milhares de milhões
de pacotes de informações?

71
00:03:35,256 --> 00:03:38,496
Nós sobrepomos esses pacotes
da imagem médica nesta imagem,

72
00:03:38,520 --> 00:03:41,390
criando algo a que chamamos 
uma imagem composta.

73
00:03:41,480 --> 00:03:44,776
Para nossa surpresa,
só precisámos de 50

74
00:03:44,800 --> 00:03:46,136
— repito, só 50 —

75
00:03:46,160 --> 00:03:50,090
dessas imagens compostas para
treinar o algoritomo para alta eficiência.

76
00:03:50,630 --> 00:03:52,176
Para resumir a nossa abordagem,

77
00:03:52,206 --> 00:03:55,216
em vez de usarmos 10 000
imagens médicas muito caras,

78
00:03:55,240 --> 00:03:58,256
podemos treinar o algoritmo
da IA, de uma forma pouco ortodoxa,

79
00:03:58,280 --> 00:04:02,536
usando apenas 50 destas fotos
normais, mas de alta resolução

80
00:04:02,560 --> 00:04:05,056
tiradas por uma câmara DSLR
ou um telemóvel,

81
00:04:05,080 --> 00:04:06,616
e providenciando o diagnóstico.

82
00:04:06,700 --> 00:04:08,056
Mais importante,

83
00:04:08,060 --> 00:04:11,166
o nosso algoritmo pode aceitar,
no futuro e até mesmo agora,

84
00:04:11,170 --> 00:04:13,906
algumas fotografias simples
à luz normal, do doente,

85
00:04:13,950 --> 00:04:16,640
em vez da tecnologia
de imagiologia médica cara.

86
00:04:17,120 --> 00:04:20,216
Acredito que estamos 
preparados a entrar numa era

87
00:04:20,240 --> 00:04:22,176
em que a inteligência artificial

88
00:04:22,200 --> 00:04:24,636
vai ter um incrível impacto
no nosso futuro.

89
00:04:24,760 --> 00:04:27,216
Acho que pensar na IA tradicional

90
00:04:27,240 --> 00:04:30,016
que é rica em dados
mas pobre em aplicações,

91
00:04:30,040 --> 00:04:31,626
devíamos continuar a pensar

92
00:04:31,650 --> 00:04:34,726
em arquitecturas pouco 
ortodoxas para a inteligência artificial

93
00:04:34,750 --> 00:04:36,576
que aceitem pequenas quantias de dados

94
00:04:36,600 --> 00:04:39,540
e resolvam problemas importantes
que enfrentamos hoje em dia,

95
00:04:39,540 --> 00:04:41,076
sobretudo nos cuidados de saúde.

96
00:04:41,116 --> 00:04:42,410
Muito obrigado.

97
00:04:42,450 --> 00:04:45,920
(Aplausos)