Como facilita a intelixencia artificial o diagnóstico de enfermidades

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.

Hoxe en día, os algoritmos informáticos
realizan tarefas incribles

con gran precisión e a enorme escala,
amosando intelixencia similar á nosa.

A esta intelixencia informática
chámaselle a miúdo IA,

é dicir, intelixencia artificial.

A IA está lista para ter no futuro
un impacto incrible nas nosas vidas.

Con todo, hoxe aínda temos que
enfrontarnos a enormes desafíos

para detectar e diagnosticar varias
enfermidades potencialmente mortais,

como as infecciosas ou o cancro.

Cada ano miles de pacientes

perden a vida a causa
do cancro de fígado ou de boca.

O mellor modo de axudar a estes pacientes

é detectar e diagnosticar
a enfermidade en fases temperás.

Como detectamos hoxe estas enfermidades?
Pode axudar a intelixencia artificial?

Cando se sospeita que, por desgraza,
un paciente padece unha destas doenzas,

un médico experto comeza por pedir

probas carísimas baseadas
en tecnoloxías de imaxe,

como a microscopia de fluorescencia,
a tomografía ou a resonancia magnética.

Unha vez obtidas esas imaxes,

outro experto fai un diagnóstico
e fala co paciente.

Como vedes, é un proceso
que consome moitos recursos,

ao requirir médicos expertos
e custosas tecnoloxías médicas de imaxe,

e non se considera práctico nos países
en vías de desenvolvemento.

De feito, tampouco en moitas
nacións industrializadas.

Pódese resolver o problema
coa axuda da intelixencia artificial?

Se hoxe usásemos arquitecturas
de intelixencia artificial tradicionais

para resolver este problema,

faría falla xerar 10.000,

repito, arredor de 10.000
destas imaxes médicas carísimas,

como primeiro paso.

Logo acudiría a un médico experto,

que analizaría esas imaxes para min.

E con esas dúas fontes de datos,

podo adestrar unha rede neural estándar
ou unha rede de aprendizaxe profunda

para que faga o diagnóstico.

Ao igual que no primeiro método,

partir da intelixencia artificial
tradicional

presenta o mesmo problema.

Moitísimos datos, médicos expertos
e tecnoloxías de imaxe especializadas.

É posible inventar arquitecturas
de intelixencia artificial

ampliables, máis eficientes e máis útiles

para resolver estes importantes problemas
que temos hoxe?

Isto é precisamente o que fai o meu grupo
no Media Lab do MIT.

Levamos inventadas varias arquitecturas
de IA pouco convencionais

para resolver algúns dos desafíos
actuais máis importantes

no campo da imaxe médica
e as probas clínicas.

No caso que veño de describirvos
tiñamos dous obxectivos.

O primeiro era reducir o número de imaxes

que cómpren para adestrar
algoritmos de intelixencia artificial.

O segundo era máis ambicioso.

Queríamos reducir o uso
de custosas tecnoloxías de imaxe médica

na detección de enfermidades.

Como o fixemos?

Para o primeiro fin,

no canto de comezar con decenas de miles

desas carísimas imaxes médicas,
como na IA tradicional,

empezamos con só unha.

A partir desta imaxe, o meu equipo
atopou un modo moi enxeñoso

de extraer miles de millóns
de paquetes de datos.

Estes paquetes contiñan
cores, píxels, xeometría

e representación da doenza
na imaxe médica.

En certo sentido, convertemos unha imaxe
en miles de millóns de observacións

e reducimos moito a cantidade de datos
necesaria para adestrar o sistema.

Para o segundo obxectivo,

reducir o uso de custosas tecnoloxías
de imaxe para detectar enfermidades,

comezamos cunha foto estándar
iluminada con luz branca,

tomada cunha cámara réflex dixital
ou cun móbil.

Entón, lembrades os miles de millóns
de paquetes de datos?

Superpuxemos ese datos obtidos
da imaxe médica sobre estoutra imaxe,

creando así o que chamamos
unha imaxe composta.

Para a nosa sorpresa, fixeron falla só 50,

insisto, só 50,

desas imaxes compostas para adestrar
algoritmos ata taxas altas de eficiencia.

Para resumir o noso enfoque,

no canto de empregar 10.000
imaxes médicas carísimas,

agora podemos adestrar os algoritmos
de modo pouco convencional,

usando só 50 destas fotografías,
de alta resolución pero estándares,

tomadas con réflex dixitais
ou teléfonos móbiles,

e obter un diagnóstico.

E o que é máis importante,

os nosos algoritmos admiten,
no futuro e xa agora mesmo,

fotografías sinxelas, de luz branca,
feitas polo paciente,

no canto de tecnoloxías de imaxe médica
moi custosas.

Penso que estamos xa listos
para entrar nunha era

na que a intelixencia artificial

vai ter un impacto incrible
no noso futuro.

E en relación coa IA tradicional,

potente no manexo de datos pero
moi débil nas aplicacións,

deberíamos seguir pensando tamén

en arquitecturas de intelixencia
artificial pouco convencionais

que poden traballar con poucos datos

para resolver algúns
dos maiores problemas que temos hoxe,

sobre todo en sanidade.

Moitas grazas.

(Aplausos)