< Return to Video

Como facilita a intelixencia artificial o diagnóstico de enfermidades

  • 0:01 - 0:05
    Hoxe en día, os algoritmos informáticos
    realizan tarefas incribles
  • 0:05 - 0:10
    con gran precisión e a enorme escala,
    amosando intelixencia similar á nosa.
  • 0:10 - 0:14
    A esta intelixencia informática
    chámaselle a miúdo IA,
  • 0:14 - 0:16
    é dicir, intelixencia artificial.
  • 0:16 - 0:20
    A IA está lista para ter no futuro
    un impacto incrible nas nosas vidas.
  • 0:21 - 0:25
    Con todo, hoxe aínda temos que
    enfrontarnos a enormes desafíos
  • 0:25 - 0:28
    para detectar e diagnosticar varias
    enfermidades potencialmente mortais,
  • 0:28 - 0:31
    como as infecciosas ou o cancro.
  • 0:32 - 0:34
    Cada ano miles de pacientes
  • 0:34 - 0:37
    perden a vida a causa
    do cancro de fígado ou de boca.
  • 0:38 - 0:41
    O mellor modo de axudar a estes pacientes
  • 0:41 - 0:45
    é detectar e diagnosticar
    a enfermidade en fases temperás.
  • 0:46 - 0:50
    Como detectamos hoxe estas enfermidades?
    Pode axudar a intelixencia artificial?
  • 0:52 - 0:56
    Cando se sospeita que, por desgraza,
    un paciente padece unha destas doenzas,
  • 0:56 - 0:58
    un médico experto comeza por pedir
  • 0:58 - 1:01
    probas carísimas baseadas
    en tecnoloxías de imaxe,
  • 1:01 - 1:05
    como a microscopia de fluorescencia,
    a tomografía ou a resonancia magnética.
  • 1:05 - 1:07
    Unha vez obtidas esas imaxes,
  • 1:07 - 1:12
    outro experto fai un diagnóstico
    e fala co paciente.
  • 1:13 - 1:16
    Como vedes, é un proceso
    que consome moitos recursos,
  • 1:16 - 1:20
    ao requirir médicos expertos
    e custosas tecnoloxías médicas de imaxe,
  • 1:20 - 1:24
    e non se considera práctico nos países
    en vías de desenvolvemento.
  • 1:24 - 1:27
    De feito, tampouco en moitas
    nacións industrializadas.
  • 1:28 - 1:31
    Pódese resolver o problema
    coa axuda da intelixencia artificial?
  • 1:32 - 1:36
    Se hoxe usásemos arquitecturas
    de intelixencia artificial tradicionais
  • 1:36 - 1:37
    para resolver este problema,
  • 1:37 - 1:39
    faría falla xerar 10.000,
  • 1:39 - 1:43
    repito, arredor de 10.000
    destas imaxes médicas carísimas,
  • 1:43 - 1:44
    como primeiro paso.
  • 1:44 - 1:47
    Logo acudiría a un médico experto,
  • 1:47 - 1:49
    que analizaría esas imaxes para min.
  • 1:50 - 1:52
    E con esas dúas fontes de datos,
  • 1:52 - 1:55
    podo adestrar unha rede neural estándar
    ou unha rede de aprendizaxe profunda
  • 1:55 - 1:57
    para que faga o diagnóstico.
  • 1:57 - 1:59
    Ao igual que no primeiro método,
  • 1:59 - 2:01
    partir da intelixencia artificial
    tradicional
  • 2:01 - 2:03
    presenta o mesmo problema.
  • 2:03 - 2:07
    Moitísimos datos, médicos expertos
    e tecnoloxías de imaxe especializadas.
  • 2:08 - 2:13
    É posible inventar arquitecturas
    de intelixencia artificial
  • 2:13 - 2:16
    ampliables, máis eficientes e máis útiles
  • 2:16 - 2:19
    para resolver estes importantes problemas
    que temos hoxe?
  • 2:19 - 2:22
    Isto é precisamente o que fai o meu grupo
    no Media Lab do MIT.
  • 2:22 - 2:26
    Levamos inventadas varias arquitecturas
    de IA pouco convencionais
  • 2:26 - 2:29
    para resolver algúns dos desafíos
    actuais máis importantes
  • 2:29 - 2:32
    no campo da imaxe médica
    e as probas clínicas.
  • 2:32 - 2:36
    No caso que veño de describirvos
    tiñamos dous obxectivos.
  • 2:36 - 2:39
    O primeiro era reducir o número de imaxes
  • 2:39 - 2:42
    que cómpren para adestrar
    algoritmos de intelixencia artificial.
  • 2:42 - 2:44
    O segundo era máis ambicioso.
  • 2:44 - 2:48
    Queríamos reducir o uso
    de custosas tecnoloxías de imaxe médica
  • 2:48 - 2:49
    na detección de enfermidades.
  • 2:49 - 2:50
    Como o fixemos?
  • 2:51 - 2:52
    Para o primeiro fin,
  • 2:52 - 2:54
    no canto de comezar con decenas de miles
  • 2:54 - 2:57
    desas carísimas imaxes médicas,
    como na IA tradicional,
  • 2:57 - 2:59
    empezamos con só unha.
  • 2:59 - 3:03
    A partir desta imaxe, o meu equipo
    atopou un modo moi enxeñoso
  • 3:03 - 3:06
    de extraer miles de millóns
    de paquetes de datos.
  • 3:06 - 3:10
    Estes paquetes contiñan
    cores, píxels, xeometría
  • 3:10 - 3:12
    e representación da doenza
    na imaxe médica.
  • 3:12 - 3:17
    En certo sentido, convertemos unha imaxe
    en miles de millóns de observacións
  • 3:17 - 3:20
    e reducimos moito a cantidade de datos
    necesaria para adestrar o sistema.
  • 3:20 - 3:21
    Para o segundo obxectivo,
  • 3:21 - 3:25
    reducir o uso de custosas tecnoloxías
    de imaxe para detectar enfermidades,
  • 3:25 - 3:28
    comezamos cunha foto estándar
    iluminada con luz branca,
  • 3:28 - 3:32
    tomada cunha cámara réflex dixital
    ou cun móbil.
  • 3:32 - 3:35
    Entón, lembrades os miles de millóns
    de paquetes de datos?
  • 3:35 - 3:38
    Superpuxemos ese datos obtidos
    da imaxe médica sobre estoutra imaxe,
  • 3:39 - 3:41
    creando así o que chamamos
    unha imaxe composta.
  • 3:41 - 3:45
    Para a nosa sorpresa, fixeron falla só 50,
  • 3:45 - 3:46
    insisto, só 50,
  • 3:46 - 3:50
    desas imaxes compostas para adestrar
    algoritmos ata taxas altas de eficiencia.
  • 3:51 - 3:52
    Para resumir o noso enfoque,
  • 3:52 - 3:55
    no canto de empregar 10.000
    imaxes médicas carísimas,
  • 3:55 - 3:58
    agora podemos adestrar os algoritmos
    de modo pouco convencional,
  • 3:58 - 4:03
    usando só 50 destas fotografías,
    de alta resolución pero estándares,
  • 4:03 - 4:05
    tomadas con réflex dixitais
    ou teléfonos móbiles,
  • 4:05 - 4:07
    e obter un diagnóstico.
  • 4:07 - 4:08
    E o que é máis importante,
  • 4:08 - 4:11
    os nosos algoritmos admiten,
    no futuro e xa agora mesmo,
  • 4:11 - 4:14
    fotografías sinxelas, de luz branca,
    feitas polo paciente,
  • 4:14 - 4:16
    no canto de tecnoloxías de imaxe médica
    moi custosas.
  • 4:17 - 4:20
    Penso que estamos xa listos
    para entrar nunha era
  • 4:20 - 4:22
    na que a intelixencia artificial
  • 4:22 - 4:25
    vai ter un impacto incrible
    no noso futuro.
  • 4:25 - 4:27
    E en relación coa IA tradicional,
  • 4:27 - 4:30
    potente no manexo de datos pero
    moi débil nas aplicacións,
  • 4:30 - 4:32
    deberíamos seguir pensando tamén
  • 4:32 - 4:35
    en arquitecturas de intelixencia
    artificial pouco convencionais
  • 4:35 - 4:36
    que poden traballar con poucos datos
  • 4:36 - 4:40
    para resolver algúns
    dos maiores problemas que temos hoxe,
  • 4:40 - 4:41
    sobre todo en sanidade.
  • 4:41 - 4:42
    Moitas grazas.
  • 4:42 - 4:46
    (Aplausos)
Title:
Como facilita a intelixencia artificial o diagnóstico de enfermidades
Speaker:
Pratik Shah
Description:

Hoxe en día os algoritmos de intelixencia artificial (IA) necesitan decenas de miles de custosas imaxes médicas para detectar unha doenza nun paciente. E se puidésemos reducir de forma drástica a cantidade de datos requiridos para adestrar un sistema de IA, facendo así posibles diagnósticos de baixo custo e máis eficientes? Pratik Shah, membro TED, está a traballar nun enxeñoso sistema para facer exactamente iso. Cun enfoque de IA pouco convencional, Shah creou unha tecnoloxía que só necesita 50 imaxes para desenvolver un algoritmo que funcione --mesmo con fotografías tomadas polo propio médico co seu móbil-- para obter un diagnóstico. Descubre máis sobre como esta nova maneira de analizar a información médica podería facer posible a detección máis temperá de enfermidades potencialmente mortais e estender o diagnóstico asistido por IA a moitos lugares do mundo.

more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
04:59

Galician subtitles

Revisions