TEDIndia 2009
Pawan Sinha: How brains learn to see
Pawan Sinha : comment le cerveau apprend à voir
Filmed:
Readability: 4.5
939,209 views
Pawan Sinha expose en détail sa recherche innovante sur la façon dont le système visuel se développe dans le cerveau. Sinha et son équipe offrent gratuitement à des enfants aveugles de naissance, un traitement de restauration de la vue, et étudient ensuite comment leurs cerveaux apprennent à interpréter les données visuelles. Ce travail donne un aperçu des neurosciences, de l'ingénierie et même de l'autisme.
Pawan Sinha - Visual neuroscientist
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Double-click the English transcript below to play the video.
00:15
If you are a blind child in India,
0
0
4000
Si vous êtes un enfant aveugle en Inde,
00:19
you will very likely have to contend with
1
4000
3000
il y a beaucoup de chances pour que vous ayez à affronter
00:22
at least two big pieces of bad news.
2
7000
3000
au moins deux mauvaises nouvelles.
00:25
The first bad news
3
10000
2000
La première mauvaise nouvelle
00:27
is that the chances of getting treatment
4
12000
3000
est que les chances d'obtenir un traitement
00:30
are extremely slim to none,
5
15000
3000
sont extrêmement minces voire nulles,
00:33
and that's because most of the blindness
6
18000
2000
et ceci parce que la plupart des programmes
00:35
alleviation programs in the country
7
20000
2000
d'atténuation de la cécité dans le pays
00:37
are focused on adults,
8
22000
2000
sont concentrés sur les adultes,
00:39
and there are very, very few hospitals
9
24000
3000
et il y a très peu d'hôpitaux
00:42
that are actually equipped to treat children.
10
27000
3000
qui sont équipés pour traiter les enfants.
00:46
In fact, if you were to be treated,
11
31000
4000
En fait, si vous voulez être traité,
00:51
you might well end up being treated
12
36000
3000
il se pourrait bien qu'une personne sans qualification médicale
00:54
by a person who has no medical credentials
13
39000
3000
finisse par vous voir,
00:57
as this case from Rajasthan illustrates.
14
42000
3000
comme l'illustre ce cas, au Rajasthan.
01:00
This is a three-year-old orphan girl
15
45000
2000
C'est une orpheline de trois ans
01:02
who had cataracts.
16
47000
2000
qui avait la cataracte.
01:04
So, her caretakers took her
17
49000
2000
Alors, les personnes qui la gardaient l'ont emmenée
01:06
to the village medicine man,
18
51000
2000
au médecin du village,
01:08
and instead of suggesting to the caretakers
19
53000
3000
et au lieu de conseiller à ses tuteurs
01:11
that the girl be taken to a hospital,
20
56000
3000
de l'emmener à l'hôpital
01:14
the person decided to burn her abdomen
21
59000
2000
cette personne a décidé de brûler son abdomen
01:16
with red-hot iron bars
22
61000
2000
avec des barres de fer rouge
01:18
to drive out the demons.
23
63000
2000
pour en chasser les démons.
01:20
The second piece of bad news
24
65000
3000
La seconde mauvaise nouvelle
01:23
will be delivered to you
25
68000
2000
va vous être apportée
01:25
by neuroscientists, who will tell you
26
70000
3000
par les neuroscientifiques, qui vous diront
01:28
that if you are older than four or five years of age,
27
73000
3000
que si vous avez plus de quatre ou cinq ans,
01:31
that even if you have your eye corrected,
28
76000
3000
même si on corrige votre œil,
01:34
the chances of your brain learning how to see
29
79000
3000
les chances que votre cerveau apprenne à voir
01:37
are very, very slim --
30
82000
2000
sont très minces.
01:39
again, slim or none.
31
84000
3000
Là encore, minces ou nulles.
01:42
So when I heard these two things,
32
87000
2000
Alors quand j'ai entendu ces deux choses
01:44
it troubled me deeply,
33
89000
2000
cela m'a profondément dérangé,
01:46
both because of personal reasons
34
91000
2000
à la fois pour des raisons personnelles,
01:48
and scientific reasons.
35
93000
2000
et scientifiques.
01:50
So let me first start with the personal reason.
36
95000
3000
La raison personnelle va vous sembler banale
01:53
It'll sound corny, but it's sincere.
37
98000
3000
mais elle est sincère.
01:56
That's my son, Darius.
38
101000
2000
C'est mon fils, Darius.
01:58
As a new father,
39
103000
2000
En tant que jeune papa,
02:00
I have a qualitatively different sense
40
105000
4000
j'ai un sens qualitativement différent
02:04
of just how delicate babies are,
41
109000
3000
de la fragilité des bébés,
02:07
what our obligations are towards them
42
112000
3000
de ce que sont nos obligations envers eux,
02:10
and how much love
43
115000
2000
et de combien d'amour
02:12
we can feel towards a child.
44
117000
3000
on peut ressentir envers un enfant.
02:15
I would move heaven and earth
45
120000
2000
Je remuerais ciel et terre
02:17
in order to get treatment for Darius,
46
122000
3000
pour trouver un traitement à Darius.
02:20
and for me to be told
47
125000
2000
Et quand j'entends
02:22
that there might be other Dariuses
48
127000
2000
qu'il pourrait y avoir d'autres Darius
02:24
who are not getting treatment,
49
129000
2000
qui n'obtiennent pas de traitement,
02:26
that's just viscerally wrong.
50
131000
3000
il y a quelque chose qui ne va vraiment pas.
02:29
So that's the personal reason.
51
134000
2000
Voilà donc la raison personnelle.
02:31
Scientific reason is that this notion
52
136000
3000
La raison scientifique, c'est que quand j'entends parler
02:34
from neuroscience of critical periods --
53
139000
2000
de périodes critiques en neuroscience
02:36
that if the brain is older
54
141000
3000
selon laquelle si le cerveau est plus âgé
02:39
than four or five years of age,
55
144000
2000
que quatre ou cinq ans,
02:41
it loses its ability to learn --
56
146000
2000
il perd sa capacité à apprendre,
02:43
that doesn't sit well with me,
57
148000
2000
quelque chose me gêne,
02:45
because I don't think that idea
58
150000
2000
parce que je ne pense pas que cette idée
02:47
has been tested adequately.
59
152000
3000
a été testée de façon adéquate.
02:50
The birth of the idea is from
60
155000
2000
L'idée est née des travaux de
02:52
David Hubel and Torsten Wiesel's work,
61
157000
2000
David Hubel et Torsten Wiesel,
02:54
two researchers who were at Harvard,
62
159000
2000
deux chercheurs qui étaient à Harvard
02:56
and they got the Nobel Prize in 1981
63
161000
3000
et ont reçu le prix Nobel en 1981
02:59
for their studies of visual physiology,
64
164000
2000
pour leurs études sur la physiologie de la vision,
03:01
which are remarkably beautiful studies,
65
166000
2000
qui sont des études remarquablement belles,
03:03
but I believe some of their work
66
168000
2000
mais je crois qu'une partie de leur travail
03:05
has been extrapolated
67
170000
2000
a été extrapolée
03:07
into the human domain prematurely.
68
172000
2000
dans le domaine humain de façon prématurée.
03:09
So, they did their work with kittens,
69
174000
2000
Ils ont travaillé avec des chatons,
03:11
with different kinds of deprivation regiments,
70
176000
2000
avec différentes sortes de régimes de privation,
03:13
and those studies,
71
178000
2000
et ces études
03:15
which date back to the '60s,
72
180000
2000
qui datent des années soixante,
03:17
are now being applied to human children.
73
182000
3000
sont maintenant appliquées aux enfants.
03:20
So I felt that I needed to do two things.
74
185000
3000
Alors j'ai senti que je devais faire deux choses.
03:23
One: provide care
75
188000
3000
D'abord, apporter des soins
03:26
to children who are currently
76
191000
2000
aux enfants qui sont actuellement
03:28
being deprived of treatment.
77
193000
2000
privés de traitement.
03:30
That's the humanitarian mission.
78
195000
2000
C'est la mission humanitaire.
03:32
And the scientific mission would be
79
197000
2000
Et la mission scientifique serait
03:34
to test the limits
80
199000
2000
de tester les limites
03:36
of visual plasticity.
81
201000
2000
de la plasticité visuelle.
03:38
And these two missions, as you can tell,
82
203000
3000
Et ces deux missions, comme vous le voyez,
03:41
thread together perfectly. One adds to the other;
83
206000
3000
s'enchaînent parfaitement, se complètent l'une l'autre.
03:44
in fact, one would be impossible without the other.
84
209000
3000
En fait, l'une serait impossible sans l'autre.
03:49
So, to implement
85
214000
2000
Alors, pour mettre en oeuvre
03:51
these twin missions,
86
216000
2000
ces deux missions jumelles,
03:53
a few years ago, I launched Project Prakash.
87
218000
3000
il y a quelques années, j'ai lancé le projet Prakash.
03:56
Prakash, as many of you know,
88
221000
2000
Prakash, comme beaucoup d'entre vous le savent,
03:58
is the Sanskrit word for light,
89
223000
2000
est veut dire "lumière" en sanscrit,
04:00
and the idea is that
90
225000
2000
et l'idée est que
04:02
in bringing light into the lives of children,
91
227000
3000
en apportant de la lumière dans la vie des enfants,
04:05
we also have a chance
92
230000
2000
nous avons aussi une chance
04:07
of shedding light on some of the
93
232000
2000
de répandre la lumière sur quelques-uns des
04:09
deepest mysteries of neuroscience.
94
234000
3000
mystères les plus profonds des neurosciences.
04:12
And the logo -- even though it looks extremely Irish,
95
237000
3000
Et le logo, bien qu'il ait l'air très Irlandais,
04:15
it's actually derived from
96
240000
2000
provient en fait
04:17
the Indian symbol of Diya, an earthen lamp.
97
242000
4000
du symbole indien de Diya, une lampe de terre.
04:21
The Prakash, the overall effort
98
246000
3000
Le Prakash, l'effort d'ensemble
04:24
has three components:
99
249000
2000
a trois composantes
04:26
outreach, to identify children in need of care;
100
251000
4000
la proximité, pour identifier les enfants nécessitant des soins,
04:30
medical treatment; and in subsequent study.
101
255000
3000
le traitement médical et ensuite, la recherche.
04:33
And I want to show you a short video clip
102
258000
3000
Et je veux vous montrer un court clip vidéo
04:36
that illustrates the first two components of this work.
103
261000
3000
qui illustre les deux premières composantes de ce travail.
04:41
This is an outreach station
104
266000
2000
Voici un poste de proximité
04:43
conducted at a school for the blind.
105
268000
3000
dirigé dans une école pour aveugles.
04:46
(Text: Most of the children are profoundly and permanently blind ...)
106
271000
5000
(Texte : La plupart des enfants sont aveugles de façon profonde et définitive...)
04:51
Pawan Sinha: So, because this is a school for the blind,
107
276000
5000
Pawan Sinha : Dans cette école pour aveugles,
04:56
many children have permanent conditions.
108
281000
2000
beaucoup d'enfants ont des maladies définitives.
04:58
That's a case of microphthalmos,
109
283000
3000
Ici on voit un cas de microphtalmie
05:01
which is malformed eyes,
110
286000
2000
qui est une malformation des yeux,
05:03
and that's a permanent condition;
111
288000
2000
et c'est une maladie définitive.
05:05
it cannot be treated.
112
290000
2000
Il n'y a pas de traitement.
05:07
That's an extreme of micropthalmos
113
292000
2000
ça c'est un cas extrême de microphtalmie
05:09
called enophthalmos.
114
294000
2000
qu'on appelle enophtalmie.
05:11
But, every so often, we come across children
115
296000
2000
Mais, de temps en temps, on tombe sur des enfants
05:13
who show some residual vision,
116
298000
3000
qui montrent une vision résiduelle,
05:16
and that is a very good sign
117
301000
3000
et c'est un très bon signe:
05:19
that the condition might actually be treatable.
118
304000
2000
on pourrait peut-être traiter cette maladie.
05:21
So, after that screening, we bring the children to the hospital.
119
306000
3000
Alors, après le dépistage, nous amenons les enfants à l'hôpital.
05:24
That's the hospital we're working with in Delhi,
120
309000
2000
C'est l'hôpital avec lequel nous travaillons à Delhi,
05:26
the Schroff Charity Eye Hospital.
121
311000
3000
le Schroff Charity Eye Hospital.
05:29
It has a very well-equipped
122
314000
2000
Il a un centre pédiatrique ophtalmique
05:31
pediatric ophthalmic center,
123
316000
3000
très bien équipé,
05:35
which was made possible in part
124
320000
2000
qui a été rendu possible en partie
05:37
by a gift from the Ronald McDonald charity.
125
322000
4000
grâce à un don de la fondation Ronald McDonald.
05:41
So, eating burgers actually helps.
126
326000
3000
Donc en fait,manger des hamburgers peut aider.
05:45
(Text: Such examinations allow us to improve
127
330000
2000
(Texte : de tels examens nous permettent d'améliorer
05:47
eye-health in many children, and ...
128
332000
2000
la santé oculaire chez beaucoup d'enfants, et...
05:54
... help us find children who can participate in Project Prakash.)
129
339000
3000
... nous aide à trouver des enfants qui peuvent participer au projet Prakash.)
05:57
PS: So, as I zoom in to the eyes of this child,
130
342000
2000
Pawan Sinha: en agrandissant sur les yeux de cet enfant
05:59
you will see the cause of his blindness.
131
344000
3000
vous allez voir la cause de sa cécité.
06:03
The whites that you see in the middle of his pupils
132
348000
3000
Le blanc que vous voyez au milieu de ses pupilles
06:06
are congenital cataracts,
133
351000
3000
c'est une cataracte congénitale,
06:09
so opacities of the lens.
134
354000
2000
donc une opacité du cristallin.
06:11
In our eyes, the lens is clear,
135
356000
3000
Dans nos yeux, le cristallin est transparent,
06:14
but in this child, the lens has become opaque,
136
359000
2000
mais chez cet enfant, le cristallin est devenu opaque,
06:16
and therefore he can't see the world.
137
361000
3000
et donc il ne peut pas voir le monde.
06:19
So, the child is given treatment. You'll see shots of the eye.
138
364000
3000
Alors on donne un traitement à cet enfant. Vous allez voir des photos de l'œil.
06:22
Here's the eye with the opaque lens,
139
367000
2000
Voici l'œil avec le cristallin opaque,
06:24
the opaque lens extracted
140
369000
2000
le cristallin opaque qui est extrait,
06:26
and an acrylic lens inserted.
141
371000
3000
et une lentille en acrylique qui est insérée.
06:29
And here's the same child
142
374000
2000
Et voici le même enfant
06:31
three weeks post-operation,
143
376000
3000
trois semaines après l'opération,
06:34
with the right eye open.
144
379000
3000
avec l'œil droit ouvert.
06:40
(Applause)
145
385000
6000
(Applaudissements)
06:46
Thank you.
146
391000
2000
Merci.
06:48
So, even from that little clip, you can begin to get the sense
147
393000
3000
Alors, même avec ce petit clip, vous pouvez commencer à voir
06:51
that recovery is possible,
148
396000
2000
qu'une guérison est possible.
06:53
and we have now
149
398000
2000
Et nous avons aujourd'hui
06:55
provided treatment to over 200 children,
150
400000
3000
fourni un traitement à plus de 200 enfants,
06:58
and the story repeats itself.
151
403000
2000
et l'histoire se répète.
07:00
After treatment, the child
152
405000
2000
Après traitement, l'enfant
07:02
gains significant functionality.
153
407000
3000
gagne significativement en fonctionnalité.
07:05
In fact, the story holds true
154
410000
3000
En fait, l'histoire est toujours valable
07:08
even if you have a person who got sight
155
413000
2000
même pour ceux qui ont recouvré la vue
07:10
after several years of deprivation.
156
415000
2000
après plusieurs années de cécité.
07:12
We did a paper a few years ago
157
417000
2000
Nous avons écrit un article il y a quelques années
07:14
about this woman that you see on the right, SRD,
158
419000
4000
au sujet de cette femme que vous voyez à droite, S.R.D.
07:18
and she got her sight late in life,
159
423000
2000
elle a recouvré la vue tard dans sa vie,
07:20
and her vision is remarkable at this age.
160
425000
4000
et sa vision est remarquable pour cet âge.
07:24
I should add a tragic postscript to this --
161
429000
3000
Je dois ajouter une postface tragique à ceci.
07:27
she died two years ago
162
432000
2000
Elle est morte il y a deux ans
07:29
in a bus accident.
163
434000
2000
dans un accident de bus.
07:31
So, hers is just a truly inspiring story --
164
436000
4000
Son histoire est réellement exaltante,
07:35
unknown, but inspiring story.
165
440000
3000
inconnue, mais exaltante.
07:38
So when we started finding these results,
166
443000
2000
Donc quand nous avons commencé à trouvé ces résultats,
07:40
as you might imagine, it created quite a bit of stir
167
445000
3000
comme vous pouvez l'imaginer, ça a un peu fait sensation
07:43
in the scientific and the popular press.
168
448000
3000
dans la presse scientifique et populaire.
07:46
Here's an article in Nature
169
451000
2000
Voici un article dans Nature
07:48
that profiled this work,
170
453000
2000
qui décrivait ce travail,
07:50
and another one in Time.
171
455000
2000
et un autre dans Time.
07:52
So, we were fairly convinced -- we are convinced --
172
457000
2000
Nous étions pratiquement convaincus, nous sommes convaincus,
07:54
that recovery is feasible,
173
459000
2000
que la guérison est possible,
07:56
despite extended visual deprivation.
174
461000
3000
malgré une privation visuelle prolongée.
07:59
The next obvious question to ask:
175
464000
2000
La question suivante qu'il est évident de se poser :
08:01
What is the process of recovery?
176
466000
3000
quel est le processus de guérison ?
08:04
So, the way we study that is,
177
469000
3000
Nous voyons les choses de cette manière:
08:07
let's say we find a child who has light sensitivity.
178
472000
2000
supposons que nous trouvons un enfant qui a une sensibilité à la lumière.
08:09
The child is provided treatment,
179
474000
2000
Nous donnons le traitement à cet enfant,
08:11
and I want to stress that the treatment
180
476000
2000
et je veux souligner que le traitement
08:13
is completely unconditional;
181
478000
2000
est totalement sans condition.
08:15
there is no quid pro quo.
182
480000
2000
Il n'y a pas de donnant donnant.
08:17
We treat many more children then we actually work with.
183
482000
3000
Nous traitons bien plus d'enfants que ceux avec lesquels nous travaillons.
08:20
Every child who needs treatment is treated.
184
485000
3000
Chaque enfant qui a besoin d'un traitement, est traité.
08:23
After treatment, about every week,
185
488000
2000
Après traitement, environ chaque semaine,
08:25
we run the child
186
490000
2000
nous faisons passer à l'enfant
08:27
on a battery of simple visual tests
187
492000
3000
une batterie de simples tests visuels
08:30
in order to see how their visual skills
188
495000
2000
pour voir comment ses capacités visuelles
08:32
are coming on line.
189
497000
2000
se remettent à niveau.
08:34
And we try to do this for as long as possible.
190
499000
3000
Et nous essayons de faire ça aussi longtemps que possible.
08:37
This arc of development
191
502000
2000
Cet arc de développement,
08:39
gives us unprecedented
192
504000
2000
nous donne des informations
08:41
and extremely valuable information
193
506000
2000
sans précédent, extrêmement précieuses
08:43
about how the scaffolding of vision
194
508000
2000
sur la façon qu'à la vision
08:45
gets set up.
195
510000
2000
de se construire.
08:47
What might be the causal connections
196
512000
2000
Quelles pourraient êtres les liens de causalité
08:49
between the early developing skills
197
514000
2000
entre les capacités au développement précoce
08:51
and the later developing ones?
198
516000
2000
et celles qui se développent plus tard ?
08:53
And we've used this general approach to study
199
518000
2000
Et nous avons utilisé cette approche générale pour étudier
08:55
many different visual proficiencies,
200
520000
3000
beaucoup de techniques visuelles différentes,
08:58
but I want to highlight one particular one,
201
523000
4000
et je tiens à en souligner une en particulier,
09:02
and that is image parsing into objects.
202
527000
3000
il s'agit de la reconnaissance d'image en objets.
09:05
So, any image of the kind that you see on the left,
203
530000
2000
N'importe quelle image comme celle que vous voyez à gauche,
09:07
be it a real image or a synthetic image,
204
532000
3000
que ce soit une image réelle ou de synthèse,
09:10
it's made up of little regions
205
535000
2000
est faite de plusieurs petites régions
09:12
that you see in the middle column,
206
537000
2000
que vous voyez dans la colonne du milieu,
09:14
regions of different colors, different luminances.
207
539000
3000
régions de différentes couleurs, différentes luminosités.
09:17
The brain has this complex task
208
542000
3000
Le cerveau a cette tâche complexe
09:20
of putting together, integrating,
209
545000
3000
de mettre ensemble, d'intégrer
09:23
subsets of these regions
210
548000
2000
les parties de ces régions
09:25
into something that's more meaningful,
211
550000
2000
en quelque chose qui a plus de sens,
09:27
into what we would consider to be objects,
212
552000
2000
en ce que nous considérerions comme des objets,
09:29
as you see on the right.
213
554000
2000
comme ce que vous voyez à droite.
09:31
And nobody knows how this integration happens,
214
556000
2000
Et personne ne sait comment cette intégration se passe.
09:33
and that's the question we asked with Project Prakash.
215
558000
4000
Et c'est la question que nous avons posée avec le projet Prakash.
09:37
So, here's what happens
216
562000
2000
Donc, voici ce qui se passe
09:39
very soon after the onset of sight.
217
564000
3000
très tôt après l'acquisition de la vue.
09:42
Here's a person who had gained sight just a couple of weeks ago,
218
567000
3000
Voici une personne qui avait recouvré la vue, juste deux semaines plus tôt,
09:45
and you see Ethan Myers, a graduate student from MIT,
219
570000
3000
et vous voyez Ethan Myers, un étudiant diplômé du MIT,
09:48
running the experiment with him.
220
573000
3000
qui fait l'expérience avec lui.
09:51
His visual-motor coordination is quite poor,
221
576000
4000
Sa coordination visuomotrice est assez pauvre,
09:55
but you get a general sense
222
580000
2000
mais vous avez une idée générale
09:57
of what are the regions that he's trying to trace out.
223
582000
3000
de quelles régions il essaye de tracer.
10:00
If you show him real world images,
224
585000
2000
Si vous lui montrez des images de la réalité,
10:02
if you show others like him real world images,
225
587000
3000
si vous montrez à d'autres comme lui des images de la réalité,
10:05
they are unable to recognize most of the objects
226
590000
2000
ils sont incapables de reconnaître la plupart des objects
10:07
because the world to them is over-fragmented;
227
592000
3000
parce que le monde, pour eux, est trop fragmenté,
10:10
it's made up of a collage, a patchwork,
228
595000
3000
il est fait d'un collage, d'un patchwork,
10:13
of regions of different colors and luminances.
229
598000
2000
de régions aux couleurs et luminosités variées.
10:15
And that's what's indicated in the green outlines.
230
600000
2000
Et c'est ce qui est indiqué dans les contours verts.
10:17
When you ask them,
231
602000
2000
Quand vous leur demandez
10:19
"Even if you can't name the objects, just point to where the objects are,"
232
604000
3000
même sans nommer les objets, de montrer leur position,
10:22
these are the regions that they point to.
233
607000
2000
voici les régions qu'ils pointent.
10:24
So the world is this complex
234
609000
2000
Alors le monde est complexe à ce point,
10:26
patchwork of regions.
235
611000
2000
un patchwork de régions.
10:28
Even the shadow on the ball
236
613000
2000
Même l'ombre du ballon
10:30
becomes its own object.
237
615000
3000
fait partie de ce ballon.
10:33
Interestingly enough,
238
618000
2000
De façon plutôt intéressante,
10:35
you give them a few months,
239
620000
2000
voilà ce qui se passe
10:37
and this is what happens.
240
622000
3000
après quelques mois.
10:43
Doctor: How many are these?
241
628000
2000
Docteur : Combien y a-t-il d'objets ?
10:45
Patient: These are two things.
242
630000
2000
Patient : Il y a deux objets.
10:47
Doctor: What are their shapes?
243
632000
2000
Docteur : Quelles formes ont-ils ?
10:49
Patient: Their shapes ...
244
634000
2000
Patient : Leurs formes...
10:51
This one is a circle,
245
636000
3000
Celui-ci est un cercle
10:54
and this
246
639000
2000
et celui-là
10:56
is a square.
247
641000
2000
est un carré.
10:58
PS: A very dramatic transformation has come about.
248
643000
3000
P S : il s'est passé une transformation spectaculaire.
11:01
And the question is:
249
646000
2000
Et la question est :
11:03
What underlies this transformation?
250
648000
2000
qu'est-ce qui sous-tend cette transformation ?
11:05
It's a profound question,
251
650000
2000
C'est une question profonde,
11:07
and what's even more amazing is how simple
252
652000
2000
et ce qui est encore plus étonnant, c'est à quel point
11:09
the answer is.
253
654000
2000
la réponse est simple.
11:11
The answer lies in motion
254
656000
2000
La réponse repose dans le mouvement
11:13
and that's what I want to show you in the next clip.
255
658000
3000
et c'est ce que je veux vous montrer dans la vidéo suivante.
11:18
Doctor: What shape do you see here?
256
663000
2000
Docteur : Quelle forme voyez-vous là ?
11:20
Patient: I can't make it out.
257
665000
3000
Patient : Je ne peux pas la distinguer.
11:28
Doctor: Now?
258
673000
2000
Docteur : Maintenant ?
11:31
Patient: Triangle.
259
676000
2000
Patient : Triangle.
11:35
Doctor: How many things are these?
260
680000
3000
Docteur : Combien d'objets y a-t-il ?
11:48
Now, how many things are these?
261
693000
3000
Maintenant, combien d'objets y a-t-il ?
11:51
Patient: Two.
262
696000
2000
Patient : Deux.
11:53
Doctor: What are these things?
263
698000
2000
Docteur : Que sont ces objets ?
11:56
Patient: A square and a circle.
264
701000
2000
Patient : un carré et un cercle.
11:58
PS: And we see this pattern over and over again.
265
703000
3000
P S : Et nous voyons ce schéma encore et encore.
12:01
The one thing the visual system needs
266
706000
3000
La seule chose dont le système visuel a besoin
12:04
in order to begin parsing the world
267
709000
2000
pour commencer à analyser le monde
12:06
is dynamic information.
268
711000
2000
c'est l'information dynamique.
12:08
So the inference we are deriving from this,
269
713000
2000
Alors la déduction que nous tirons de ceci,
12:10
and several such experiments,
270
715000
2000
et de plusieurs expérimentations de ce type,
12:12
is that dynamic information processing,
271
717000
2000
c'est que le traitement de l'information dynamique,
12:14
or motion processing,
272
719000
2000
ou traitement du mouvement,
12:16
serves as the bedrock for building
273
721000
2000
constitue le fondement pour l'élaboration
12:18
the rest of the complexity of visual processing;
274
723000
4000
du reste de la complexité du processus visuel.
12:22
it leads to visual integration
275
727000
2000
Il conduit à l'intégration visuelle
12:24
and eventually to recognition.
276
729000
3000
et finalement à la reconnaissance.
12:27
This simple idea has far reaching implications.
277
732000
3000
Cette idée simple a des implications qui vont loin.
12:30
And let me just quickly mention two,
278
735000
3000
Et laissez moi juste en mentionner deux, rapidement.
12:33
one, drawing from the domain of engineering,
279
738000
2000
L'une, tirée du domaine de l'ingénierie,
12:35
and one from the clinic.
280
740000
2000
et l'autre du domaine clinique.
12:37
So, from the perspective of engineering,
281
742000
2000
Dans la perspective de l'ingénierie,
12:39
we can ask: Goven that we know
282
744000
3000
nous pouvons nous demander, puisque nous savons
12:42
that motion is so important for the human visual system,
283
747000
2000
que le mouvement est si important pour le système visuel humain
12:44
can we use this as a recipe
284
749000
3000
si nous pouvons utiliser cela comme recette
12:47
for constructing machine-based vision systems
285
752000
3000
pour construire des systèmes de vision sur des machines
12:50
that can learn on their own, that don't need to be programmed
286
755000
3000
qui peuvent apprendre par elles-mêmes, qui n'ont pas besoin d'être programmées
12:53
by a human programmer?
287
758000
2000
par un programmateur humain.
12:55
And that's what we're trying to do.
288
760000
2000
Et c'est ce que nous essayons de faire.
12:57
I'm at MIT, at MIT you need to apply
289
762000
3000
Je suis au MIT, au MIT vous devez appliquer
13:00
whatever basic knowledge you gain.
290
765000
2000
tout connaissance fondamentale que vous acquérez.
13:02
So we are creating Dylan,
291
767000
2000
Alors nous sommes en train de créer Dylan,
13:04
which is a computational system
292
769000
2000
qui est un système informatique
13:06
with an ambitious goal
293
771000
2000
avec le but ambitieux
13:08
of taking in visual inputs
294
773000
2000
de recueillir les données visuelles
13:10
of the same kind that a human child would receive,
295
775000
3000
du même genre que ceux qu'un enfant humain recevrait,
13:13
and autonomously discovering:
296
778000
2000
et de découvrir de façon autonome
13:15
What are the objects in this visual input?
297
780000
3000
quels sont les objets dans ces données visuelles.
13:18
So, don't worry about the internals of Dylan.
298
783000
3000
Ne vous souciez pas du fonctionnement interne de Dylan.
13:21
Here, I'm just going to talk about
299
786000
3000
Ici, je vais juste parler de
13:24
how we test Dylan.
300
789000
2000
la façon dont nous testons Dylan.
13:26
The way we test Dylan is by giving it
301
791000
2000
Nous le testons en lui donnant
13:28
inputs, as I said, of the same kind
302
793000
3000
des données, comme je l'ai dit, du même genre
13:31
that a baby, or a child in Project Prakash would get.
303
796000
3000
que celles que recevrait un bébé, ou un enfant du projet Prakash.
13:34
But for a long time we couldn't quite figure out:
304
799000
3000
Mais pendant longtemps nous n'avons pas bien pu déterminer
13:37
Wow can we get these kinds of video inputs?
305
802000
3000
comment obtenir ces sortes de données vidéos.
13:41
So, I thought,
306
806000
2000
Alors j'ai pensé
13:43
could we have Darius
307
808000
2000
que nous pourrions utiliser Darius
13:45
serve as our babycam carrier,
308
810000
3000
comme notre porteur de babycam
13:48
and that way get the inputs that we feed into Dylan?
309
813000
3000
et ainsi recueillir les données pour alimenter Dylan ?
13:51
So that's what we did.
310
816000
2000
Donc c'est ce que nous avons fait.
13:53
(Laughter)
311
818000
7000
(Rires)
14:00
I had to have long conversations with my wife.
312
825000
3000
J'ai eu de longues conversations avec ma femme.
14:03
(Laughter)
313
828000
5000
(Rires)
14:08
In fact, Pam, if you're watching this,
314
833000
2000
En fait, Pam, si tu nous regardes,
14:10
please forgive me.
315
835000
2000
pardonne-moi s'il te plait.
14:13
So, we modified the optics of the camera
316
838000
4000
Donc nous avons modifié l'optique de la caméra
14:17
in order to mimic the baby's visual acuity.
317
842000
3000
pour imiter l'acuité visuelle du bébé.
14:20
As some of you might know,
318
845000
2000
Comme certains d'entre vous le savent peut-être,
14:22
babyies are born pretty much legally blind.
319
847000
4000
les bébés naissent quasiment aveugles au sens de la loi.
14:26
Their acuity -- our acuity is 20/20;
320
851000
3000
Leur acuité visuelle - notre actuité est 20/20 -
14:29
babies' acuity is like 20/800,
321
854000
3000
celle des bébés est de 20/800,
14:32
so they are looking at the world
322
857000
2000
donc ils regardent le monde
14:34
in a very, very blurry fashion.
323
859000
3000
d'une manière très très floue.
14:37
Here's what a baby-cam video looks like.
324
862000
3000
Voici ce à quoi ressemble une vidéo en babycam.
14:41
(Laughter)
325
866000
9000
(Rires)
14:50
(Applause)
326
875000
3000
(Applaudissements)
14:53
Thankfully, there isn't any audio
327
878000
2000
Heureusement, il n'y a pas de son
14:55
to go with this.
328
880000
3000
qui va avec.
14:58
What's amazing is that working with such
329
883000
2000
Ce qui est passionnant, c'est qu'en travaillant sur
15:00
highly degraded input,
330
885000
2000
ces données extrêmement dégradées,
15:02
the baby, very quickly, is able
331
887000
2000
le bébé, très vite, est capable de
15:04
to discover meaning in such input.
332
889000
3000
découvrir le sens de tels données.
15:07
But then two or three days afterward,
333
892000
2000
Mais ensuite, deux ou trois jours après,
15:09
babies begin to pay attention
334
894000
2000
les bébés commencent à être attentifs
15:11
to their mother's or their father's face.
335
896000
2000
au visage de leurs mères ou de leurs pères.
15:13
How does that happen? We want Dylan to be able to do that,
336
898000
3000
Comment cela se produit ? Nous voulons que Dylan soit capable de faire ça.
15:16
and using this mantra of motion,
337
901000
3000
Et en utilisant ce mantra en mouvement,
15:19
Dylan actually can do that.
338
904000
2000
Dylan parvient à le faire,
15:21
So, given that kind of video input,
339
906000
3000
à travers de genre de données vidéos,
15:24
with just about six or seven minutes worth of video,
340
909000
3000
avec juste six ou sept minutes de vidéo,
15:27
Dylan can begin to extract patterns
341
912000
3000
Dylan peut commencer à extraire des motifs
15:30
that include faces.
342
915000
3000
qui incluent des visages.
15:33
So, it's an important demonstration
343
918000
2000
Alors c'est une démonstration importante
15:35
of the power of motion.
344
920000
2000
de la puissance du mouvement.
15:37
The clinical implication, it comes from the domain of autism.
345
922000
3000
L'implication clinique vient du domaine de l'autisme.
15:40
Visual integration has been associated with autism
346
925000
2000
L'intégration visuelle a été associée à l'autisme
15:42
by several researchers.
347
927000
2000
par plusieurs chercheurs.
15:44
When we saw that, we asked:
348
929000
2000
Quand nous avons vu ça, nous avons demandé :
15:46
Could the impairment in visual integration
349
931000
3000
Est-ce que l'altération de l'intégration visuelle
15:49
be the manifestation of something underneath,
350
934000
3000
pourrait être la manifestation de quelque chose en deçà
15:52
of dynamic information processing deficiencies in autism?
351
937000
3000
de la déficience à traiter l'information dynamique dans l'autisme.
15:55
Because, if that hypothesis were to be true,
352
940000
3000
Car, si cette hypothèse s'avérait vraie,
15:58
it would have massive repercussions in our understanding
353
943000
3000
elle aurait des répercussions massives dans notre compréhension
16:01
of what's causing the many different aspects
354
946000
2000
des manifestations
16:03
of the autism phenotype.
355
948000
3000
de l'autisme.
16:06
What you're going to see are
356
951000
2000
Vous allez voir maintenant
16:08
video clips of two children -- one neurotypical,
357
953000
3000
des vidéos de deux enfants, un neurotypique et
16:11
one with autism, playing Pong.
358
956000
2000
un autiste, en train de jouer à Pong.
16:13
So, while the child is playing Pong, we are tracking where they're looking.
359
958000
3000
Donc, pendant que l'enfant joue à Pong, nous suivons à la trace ce qu'ils regardent.
16:16
In red are the eye movement traces.
360
961000
3000
En rouge, ce sont les traces du mouvement de l'oeil,
16:19
This is the neurotypical child, and what you see
361
964000
3000
c'est l'enfant neurotypique, et ce que vous voyez
16:22
is that the child is able to make cues
362
967000
2000
c'est que l'enfant est capable de fabriquer des indications
16:24
of the dynamic information
363
969000
2000
à partir de l'information dynamique
16:26
to predict where the ball is going to go.
364
971000
2000
pour prévoir où la balle va aller.
16:28
Even before the ball gets to a place,
365
973000
3000
Avant même que la balle aille quelque part,
16:31
the child is already looking there.
366
976000
3000
l'enfant regarde déjà l'endroit.
16:34
Contrast this with a child
367
979000
2000
Regardez la différence avec un enfant
16:36
with autism playing the same game.
368
981000
2000
autiste, qui joue au même jeu.
16:38
Instead of anticipating,
369
983000
2000
Au lieu d'anticiper,
16:40
the child always follows where the ball has been.
370
985000
3000
l'enfant suit toujours l'endroit où la balle est passée.
16:43
The efficiency of the use
371
988000
2000
L'efficacité dans l'utilisation
16:45
of dynamic information
372
990000
2000
de l'information dynamique
16:47
seems to be significantly compromised in autism.
373
992000
3000
semble sérieusement compromise dans l'autisme.
16:51
So we are pursuing this line of work
374
996000
3000
Donc nous poursuivons ce travail
16:54
and hopefully we'll have
375
999000
2000
et avec un peu de chance nous aurons
16:56
more results to report soon.
376
1001000
2000
bientôt plus de résultats à rapporter.
16:58
Looking ahead, if you think of this disk
377
1003000
3000
En pensant à l'avenir, si vous pensez à ce disque
17:01
as representing all of the children
378
1006000
2000
comme représentation de tous les enfants
17:03
we've treated so far,
379
1008000
2000
que nous avons traités jusqu'ici
17:05
this is the magnitude of the problem.
380
1010000
2000
voilà l'ampleur du problème.
17:07
The red dots are the children we have not treated.
381
1012000
3000
Les points rouges sont les enfants que nous n'avons pas traités.
17:10
So, there are many, many more children who need to be treated,
382
1015000
2000
Alors il y a beaucoup, beaucoup d'autres enfants qui ont besoin d'être traités,
17:12
and in order to expand the scope of the project,
383
1017000
3000
et pour étendre la portée du projet,
17:15
we are planning on launching
384
1020000
2000
nous prévoyons de lancer
17:17
The Prakash Center for Children,
385
1022000
2000
le centre Prakash pour Enfants,
17:19
which will have a dedicated pediatric hospital,
386
1024000
3000
qui aura un hôpital pédiatrique dédié,
17:22
a school for the children we are treating
387
1027000
2000
une école pour les enfants que nous traitons,
17:24
and also a cutting-edge research facility.
388
1029000
2000
et aussi un complexe de recherche de pointe.
17:26
The Prakash Center will integrate health care,
389
1031000
3000
Le Centre Prakash intègrera les soins médicaux,
17:29
education and research in a way
390
1034000
2000
l'éducation et la recherche d'une manière
17:31
that truly creates the whole
391
1036000
2000
qui amènera l'ensemble
17:33
to be greater than the sum of the parts.
392
1038000
3000
à être plus grand que la somme de ses parties.
17:36
So, to summarize: Prakash, in its five years of existence,
393
1041000
3000
Donc, pour résumer, Prakash, pendant ses cinq ans d'existence,
17:39
it's had an impact in multiple areas,
394
1044000
3000
a eu un impact dans de multiples domaines,
17:42
ranging from basic neuroscience
395
1047000
2000
qui vont des neurosciences fondamentales
17:44
plasticity and learning in the brain,
396
1049000
2000
et de l'apprentissage dans le cerveau,
17:46
to clinically relevant hypotheses like in autism,
397
1051000
4000
à des hypothèses cliniquement pertinentes comme avec l'autisme,
17:50
the development of autonomous machine vision systems,
398
1055000
3000
où le développement de systèmes visuels autonomes sur des machines,
17:53
education of the undergraduate and graduate students,
399
1058000
3000
l'éducation des étudiants de deuxième et troisième cycle,
17:56
and most importantly in the alleviation
400
1061000
2000
et de façon plus importante dans la réduction
17:58
of childhood blindness.
401
1063000
2000
de la cécité infantile.
18:00
And for my students and I, it's been
402
1065000
2000
Et pour mes étudiants et moi-même,
18:02
just a phenomenal experience
403
1067000
2000
ce fut simplement une expérience phénoménale
18:04
because we have gotten to do interesting research,
404
1069000
4000
car nous avons été amenés à effectuer des recherches intéressantes,
18:08
while at the same time
405
1073000
2000
et en même temps
18:10
helping the many children that we have worked with.
406
1075000
2000
à aider les nombreux enfants avec lesquels nous avons travaillé.
18:12
Thank you very much.
407
1077000
2000
Merci beaucoup.
18:14
(Applause)
408
1079000
2000
(Applaudissements)
ABOUT THE SPEAKER
Pawan Sinha - Visual neuroscientistPawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight.
Why you should listen
At Pawan Sinha's MIT lab, he and his team spend their days trying to understand how the brain learns to recognize and use the patterns and scenes we see around us. To do this, they often use computers to model the processes of the human brain, but they also study human subjects, some of whom are seeing the world for the very first time and can tell them about the experience as it happens. They find these unusual subjects through the humanitarian branch of their research, Project Prakash.
Project Prakash sets up eye-care camps in some of the most habitually underserved regions of India, and gives free eye-health screenings to, since 2003, more than 700 functionally blind children. The children are then treated without charge, even if they do not fit the profile that would make them eligible for Sinha's research.
Sinha's eventual goal is to help 500 children each year; plans are under way for a center for visual rehabilitation in new Delhi. The special relationship that Sinha has created between research and humanitarianism promises to deliver on both fronts.
Pawan Sinha | Speaker | TED.com