WEBVTT

00:00:01.480 --> 00:00:05.176
Hoje em dia, os algoritmos de computadores
desempenham tarefas incríveis

00:00:05.240 --> 00:00:07.840
com grande precisão, em grande escala,

00:00:07.870 --> 00:00:10.220
utilizando uma inteligência
parecida com a humana.

00:00:10.250 --> 00:00:13.856
Esta inteligência dos computadores
é frequentemente chamada IA,

00:00:13.880 --> 00:00:15.686
ou seja, inteligência artificial.

00:00:15.860 --> 00:00:20.180
É previsto que a IA tenha, no futuro,
um enorme impacto na nossa vida.

00:00:20.880 --> 00:00:24.816
Porém, hoje em dia, ainda 
enfrentamos desafios enormes

00:00:24.860 --> 00:00:28.496
na detecção e diagnóstico 
de muitas doenças letais,

00:00:28.530 --> 00:00:31.140
tais como doenças infecciosas e cancro.

00:00:32.000 --> 00:00:34.406
Milhares de doentes, todos os anos,

00:00:34.430 --> 00:00:37.670
perdem a vida devido
a um cancro do fígado ou da boca.

NOTE Paragraph

00:00:37.880 --> 00:00:40.576
A melhor maneira 
de ajudar esses doentes

00:00:40.600 --> 00:00:45.060
é realizar a detecção e o diagnóstico
dessas doenças mais cedo.

00:00:45.880 --> 00:00:50.170
Então, como detectamos essas doenças
e como a IA pode ajudar?

00:00:51.920 --> 00:00:55.666
Em doentes em quem, infelizmente,
haja suspeitas dessas doenças,

00:00:55.680 --> 00:00:58.326
um médico especialista pede, primeiro,

00:00:58.380 --> 00:01:01.096
uma qualquer tecnologia dispendiosa
de imagiologia médica,

00:01:01.120 --> 00:01:04.916
como a imagiologia por fluorescência,
um TC, ou um MRI.

00:01:05.040 --> 00:01:07.436
Depois de colhidas essas imagens,

00:01:07.460 --> 00:01:12.060
outro especialista faz o diagnóstico 
das imagens e fala com o doente.

00:01:12.520 --> 00:01:15.976
Como podem ver, este é 
um processo muito dispendioso

00:01:16.000 --> 00:01:20.416
que requer médicos especialistas, 
tecnologia de imagiologia médica cara

00:01:20.440 --> 00:01:23.756
e não é considerado prático
para os países em desenvolvimento.

00:01:23.830 --> 00:01:27.130
O mesmo acontece
com as nações industrializadas.

NOTE Paragraph

00:01:27.760 --> 00:01:30.790
Podemos resolver isto
com a inteligência artificial?

00:01:31.840 --> 00:01:35.896
Hoje, se eu fosse usar arquitecturas
tradicionais de inteligência artificial

00:01:35.920 --> 00:01:37.266
para resolver este problema,

00:01:37.300 --> 00:01:38.876
seriam necessárias dez mil

00:01:38.900 --> 00:01:42.656
— repito, cerca de dez mil —
dessas imagens médicas muito caras

00:01:42.680 --> 00:01:44.216
só para serem geradas.

00:01:44.230 --> 00:01:46.976
Depois disso, iria
a um médico especialista,

00:01:47.000 --> 00:01:49.496
que analisaria essas imagens.

00:01:49.520 --> 00:01:51.756
Usando estes dois bocados de informações,

00:01:51.770 --> 00:01:55.296
posso treinar uma rede neural profunda
ou uma rede de aprendizagem profunda

00:01:55.320 --> 00:01:57.546
para fazer os diagnósticos a doentes.

00:01:57.590 --> 00:01:59.186
Tal como a primeira abordagem,

00:01:59.200 --> 00:02:01.553
a abordagem tradicional
da inteligência artificial

00:02:01.553 --> 00:02:03.036
passa pelo mesmo problema.

00:02:03.070 --> 00:02:05.630
Uma grande quantidade de dados,
médicos especialistas

00:02:05.640 --> 00:02:07.990
e especialistas
de tecnologias de imagiologia.

NOTE Paragraph

00:02:09.380 --> 00:02:12.046
Será que podemos inventar
arquitecturas de IA

00:02:12.060 --> 00:02:15.506
mais evolutivas, mais eficazes
e mais valiosas,

00:02:15.960 --> 00:02:19.036
para resolver esses problemas 
importantes que hoje enfrentamos?

00:02:19.040 --> 00:02:22.336
É exactamente isto o que faz
o meu grupo no MIT Media Lab.

00:02:22.420 --> 00:02:26.216
Inventámos uma variedade
de arquitecturas IA pouco ortodoxas

00:02:26.240 --> 00:02:29.416
para resolver alguns dos desafios
mais importantes que temos hoje

00:02:29.440 --> 00:02:31.920
em imagiologia médica e testes clínicos.

NOTE Paragraph

00:02:32.480 --> 00:02:35.536
No exemplo que partilho aqui
tínhamos dois objetivos.

00:02:35.560 --> 00:02:38.536
O nosso primeiro objectivo era
reduzir o número de imagens

00:02:38.560 --> 00:02:41.746
necessárias para treinar o algoritmo
da inteligência artificial.

00:02:41.840 --> 00:02:43.936
No segundo objetivo fomos mais ambiciosos.

00:02:43.960 --> 00:02:47.556
Queríamos reduzir o uso de tecnologia
de imagiologia médica cara

00:02:47.560 --> 00:02:49.166
para examinar doentes.

00:02:49.190 --> 00:02:50.730
Então, como o fizemos?

NOTE Paragraph

00:02:50.920 --> 00:02:52.136
No primeiro objectivo,

00:02:52.140 --> 00:02:54.376
em vez de começarmos
com dezenas e milhares

00:02:54.400 --> 00:02:57.256
destas imagens médicas caras,
como a IA tradicional,

00:02:57.280 --> 00:02:59.436
começámos com uma única imagem médica.

00:02:59.460 --> 00:03:03.136
A partir desta imagem, a minha equipa e eu
encontrámos uma forma inteligente

00:03:03.160 --> 00:03:06.116
de extrair milhares de milhões 
de pacotes de informações.

00:03:06.140 --> 00:03:09.716
Estes pacotes de informações
incluíam cores, pixeis, geometria

00:03:09.730 --> 00:03:12.176
e a apresentação da doença
na imagem médica.

00:03:12.200 --> 00:03:16.656
Ou seja, convertemos uma imagem
em milhares de milhões de pontos de dados,

00:03:16.680 --> 00:03:19.886
reduzindo massivamente o número
de dados necessários para o treino.

NOTE Paragraph

00:03:19.900 --> 00:03:21.346
Para o segundo objectivo

00:03:21.370 --> 00:03:24.000
— reduzir o uso da tecnologia
de imagiologia médica cara

00:03:24.020 --> 00:03:25.390
para examinar doentes —

00:03:25.390 --> 00:03:28.246
começámos com uma fotografia
normal, com luz natural,

00:03:28.290 --> 00:03:32.296
tirada por uma câmara DSLR
ou um telemóvel, para o doente.

00:03:32.330 --> 00:03:35.196
Lembram-se dos milhares de milhões
de pacotes de informações?

00:03:35.256 --> 00:03:38.496
Nós sobrepomos esses pacotes
da imagem médica nesta imagem,

00:03:38.520 --> 00:03:41.390
criando algo a que chamamos 
uma imagem composta.

00:03:41.480 --> 00:03:44.776
Para nossa surpresa,
só precisámos de 50

00:03:44.800 --> 00:03:46.136
— repito, só 50 —

00:03:46.160 --> 00:03:50.090
dessas imagens compostas para
treinar o algoritomo para alta eficiência.

NOTE Paragraph

00:03:50.630 --> 00:03:52.176
Para resumir a nossa abordagem,

00:03:52.206 --> 00:03:55.216
em vez de usarmos 10 000
imagens médicas muito caras,

00:03:55.240 --> 00:03:58.256
podemos treinar o algoritmo
da IA, de uma forma pouco ortodoxa,

00:03:58.280 --> 00:04:02.536
usando apenas 50 destas fotos
normais, mas de alta resolução

00:04:02.560 --> 00:04:05.056
tiradas por uma câmara DSLR
ou um telemóvel,

00:04:05.080 --> 00:04:06.616
e providenciando o diagnóstico.

00:04:06.700 --> 00:04:08.056
Mais importante,

00:04:08.060 --> 00:04:11.166
o nosso algoritmo pode aceitar,
no futuro e até mesmo agora,

00:04:11.170 --> 00:04:13.906
algumas fotografias simples
à luz normal, do doente,

00:04:13.950 --> 00:04:16.640
em vez da tecnologia
de imagiologia médica cara.

NOTE Paragraph

00:04:17.120 --> 00:04:20.216
Acredito que estamos 
preparados a entrar numa era

00:04:20.240 --> 00:04:22.176
em que a inteligência artificial

00:04:22.200 --> 00:04:24.636
vai ter um incrível impacto
no nosso futuro.

00:04:24.760 --> 00:04:27.216
Acho que pensar na IA tradicional

00:04:27.240 --> 00:04:30.016
que é rica em dados
mas pobre em aplicações,

00:04:30.040 --> 00:04:31.626
devíamos continuar a pensar

00:04:31.650 --> 00:04:34.726
em arquitecturas pouco 
ortodoxas para a inteligência artificial

00:04:34.750 --> 00:04:36.576
que aceitem pequenas quantias de dados

00:04:36.600 --> 00:04:39.540
e resolvam problemas importantes
que enfrentamos hoje em dia,

00:04:39.540 --> 00:04:41.076
sobretudo nos cuidados de saúde.

NOTE Paragraph

00:04:41.116 --> 00:04:42.410
Muito obrigado.

NOTE Paragraph

00:04:42.450 --> 00:04:45.920
(Aplausos)