Come l'Intelligenza Artificiale rende più semplice la diagnosi delle malattie

Gli algoritmi di Intelligenza Artificiale odierni richiedono decine di migliaia di costose immagini mediche per rilevare la malattia di un paziente. Ma se potessimo drasticamente ridurre la quantità di dati necessari al processo di apprendimento dell'Intelligenza Artificiale, rendendo il processo diagnostico più economico e più efficiente? Pratik Shah, TED Fellow, sta progettando un sistema IA proprio per questo proposito. Usando un approccio non ortodosso, Shah ha sviluppato una tecnologia che necessita di sole 50 immagini per sviluppare un algoritmo a piena funzionalità - che può anche utilizzare fotografie acquisite dal cellulare al fine di formulare una diagnosi.
Approfondite come questo nuovo metodo di analisi può portare alla diagnosi precoce di malattie mortali e condurre la diagnosi assistita da IA verso nuove prospettive, in tutto il mondo.

Oggi, gli algoritmi informatici
eseguono compiti incredibili

in modo estremamente accurato,
su vasta scala,

simulando l'intelligenza umana.

A questa intelligenza dei computer,
ci si riferisce spesso come IA

o intelligenza artificiale.

Si ipotizza che l'intelligenza artificiale
avrà un ruolo incredibile in futuro.

Oggi, comunque, ci troviamo davanti
a sfide estremamente impegnative

nel riconoscere e diagnosticare
diverse malattie potenzialmente mortali,

come malattie infettive e cancro.

Migliaia di pazienti ogni anno,

muoiono per un tumore al fegato
o alla cavità orale.

Il modo migliore
per aiutare questi pazienti

è la prevenzione e diagnosi precoce
di queste malattie.

Come riconoscerle e qual è il ruolo
dell'intelligenza artificiale?

Se, purtroppo, si sospetta in pazienti
l'eventualità di queste malattie,

un medico esperto dapprima prescrive

esami con tecnologie ad immagini
che sono molto costose,

come imaging a fluorescenza,
tomografia computerizzata,

risonanza magnetica.

Dopo aver raccolto queste immagini,

uno specialista formula una diagnosi
e ne parla con il paziente.

Come potete vedere,
questo è un processo molto costoso,

poiché richiede sia specialisti,
sia tecnologie mediche costose

e non è considerato praticabile
nei paesi in via di sviluppo.

In realtà, neanche in molte
nazioni industrializzate.

Possiamo risolvere questo problema
con l'aiuto dell'intelligenza artificiale?

Al giorno d'oggi, se dovessimo usare
le architetture tradizionali di IA

per risolvere questo problema,

ce ne vorrebbero 10.000.

Ripeto, 10.000 di queste
costosissime immagini mediche

dovrebbero essere prodotte.

In seguito dovremmo
consultare uno specialista

per analizzare le immagini.

Usando questi due tipi di informazioni,

posso modellare una rete neurale standard
o processo di apprendimento in profondità

per fornire la diagnosi al paziente.

Analogamente al primo approccio,

gli approcci tradizionali di IA

riferiscono lo stesso problema.

Grande quantità di dati, specialisti
e tecnologie mediche ad immagini.

Possiamo progettare architetture
di intelligenza artificiale

più scalabili, più efficienti e più utili

per risolvere le criticità
che stiamo affrontando oggi?

È esattamente quello che facciamo
al MIT Media Lab.

Abbiamo progettato numerose
architetture IA non ortodosse

per risolvere i problemi attuali
più preoccupanti

nelle tecnologia clinica ad immagini
e nel processo clinico.

Nell'esempio che vi ho portato oggi,
avevamo due obiettivi.

Il primo obiettivo era
ridurre il numero di immagini

richieste nel processo di apprendimento
dell'algoritmo IA.

Per il secondo obiettivo,
eravamo più ambiziosi,

volevamo ridurre l'utilizzo
delle tecnologie mediche più costose

per lo screening del paziente.

Come?

Per il nostro primo obiettivo,

invece di partire con decine di migliaia
di costosissime immagini,

come con l'IA tradizionale,

abbiamo iniziato con una singola lastra.

Da questa lastra, insieme al mio team
ho elaborato un modo molto ingegnoso

per estrapolare miliardi
di blocchi di informazione.

Questi blocchi di informazione
includevano colori, pixel, relazione

e interpretazione della malattia
sulla lastra.

Pertanto, abbiamo convertito un'immagine
in miliardi di punti di apprendimento,

riducendo enormemente l'ammontare
dei dati necessari per l'apprendimento.

Per il secondo obiettivo,

ridurre l'uso di tecnologie costose
per l'esame clinico dei pazienti,

abbiamo cominciato con una fotografia
a luce bianca standard,

acquisita con una macchina digitale
o la fotocamera del cellulare.

Ricordate quei miliardi
di blocchi di informazioni?

Sono stati sovrapposti
dalla lastra su questa immagine,

creando un'immagine composta.

Sorprendentemente,
ne sono occorse solo 50,

ripeto, solo 50

di queste immagini composte per addestrare
i nostri algoritmi ad alta efficienza.

Per riassumere,

invece di usare 10.000
lastre molto costose,

possiamo adesso addestrare algoritmi
in modo non ortodosso,

usando solo 50 di queste fotografie
standard ma ad alta definizione,

acquisite da macchine digitali
o cellulari,

e formulare diagnosi.

Ancora più importante,

i nostri algoritmi possono accettare,
nel futuro ma anche adesso,

semplici fotografie a luci bianche
fatte dal paziente,

invece di costose
tecnologie mediche ad immagine.

Penso che stiamo entrando in un'era

dove l'intelligenza artificiale

avrà un incredibile ruolo
nel nostro futuro.

Penso che ragionare sull'IA tradizionale,

che ha molti dati ma poche applicazioni,

implica anche elaborare

architetture IA non ortodosse,

che possono lavorare con pochi dati

e risolvere alcuni
dei più gravi problemi di oggi,

soprattutto in medicina.

Vi ringrazio molto.

(Applausi)