TEDIndia 2009
Pawan Sinha: How brains learn to see
Pawan Sinha em como o cérebro aprende a ver
Filmed:
Readability: 4.5
939,209 views
Pawan Sinha detalha sua inovadora pesquisa sobre como o sistema visual do cérebro se desenvolve. Sinha e sua equipe oferecem tratamento de recuperação da visão grátis para crianças que nasceram cegas, e então estudam como seus cérebros aprendem a interpretar os dados visuais. O trabalho proporciona discernimento nas áreas de neurosciência, engenharia e até mesmo autismo.
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
Se você é uma criança cega na Índia,
00:19
you will very likely have to contend with
1
4000
3000
é provável que você se depare
00:22
at least two big pieces of bad news.
2
7000
3000
com pelo menos duas notícias ruins.
00:25
The first bad news
3
10000
2000
A primeira notícia ruim
00:27
is that the chances of getting treatment
4
12000
3000
é que a chance de conseguir tratamento
00:30
are extremely slim to none,
5
15000
3000
é extremamente baixa, ou nenhuma.
00:33
and that's because most of the blindness
6
18000
2000
e isto acontece porque quase todos os programas
00:35
alleviation programs in the country
7
20000
2000
contra cegueira no país
00:37
are focused on adults,
8
22000
2000
são focados nos adultos,
00:39
and there are very, very few hospitals
9
24000
3000
e existem muito, muito poucos hospitais
00:42
that are actually equipped to treat children.
10
27000
3000
que estão equipados para tratar crianças.
00:46
In fact, if you were to be treated,
11
31000
4000
De fato, se você conseguir tratamento,
00:51
you might well end up being treated
12
36000
3000
talvez acabe sendo tratado
00:54
by a person who has no medical credentials
13
39000
3000
por uma pessoa com nenhum certificado médico,
00:57
as this case from Rajasthan illustrates.
14
42000
3000
como este caso de Rajasthan illustra.
01:00
This is a three-year-old orphan girl
15
45000
2000
Esta é uma menina órfã de três anos
01:02
who had cataracts.
16
47000
2000
que teve catarata.
01:04
So, her caretakers took her
17
49000
2000
Seus pais adotivos a levaram
01:06
to the village medicine man,
18
51000
2000
para o curandeiro da vila,
01:08
and instead of suggesting to the caretakers
19
53000
3000
que ao invés de sugerir aos pais adotivos
01:11
that the girl be taken to a hospital,
20
56000
3000
que a levassem ao hospital,
01:14
the person decided to burn her abdomen
21
59000
2000
decidiu queimar seu abdome
01:16
with red-hot iron bars
22
61000
2000
com barras de ferro incandescente
01:18
to drive out the demons.
23
63000
2000
para retirar os demônios.
01:20
The second piece of bad news
24
65000
3000
A segunda notícia ruim
01:23
will be delivered to you
25
68000
2000
será apresentada a vocês
01:25
by neuroscientists, who will tell you
26
70000
3000
por neurocientistas, que vão dizer
01:28
that if you are older than four or five years of age,
27
73000
3000
que se você tiver mais de quatro ou cinco anos de idade,
01:31
that even if you have your eye corrected,
28
76000
3000
mesmo que seus olhos sejam curados,
01:34
the chances of your brain learning how to see
29
79000
3000
as chances do seu cérebro aprender a ver
01:37
are very, very slim --
30
82000
2000
são muito, muito baixas.
01:39
again, slim or none.
31
84000
3000
Novamente, poucas ou nenhuma.
01:42
So when I heard these two things,
32
87000
2000
Quando eu ouço estas duas coisas
01:44
it troubled me deeply,
33
89000
2000
isso me perturba profundamente,
01:46
both because of personal reasons
34
91000
2000
por razões pessoais
01:48
and scientific reasons.
35
93000
2000
e científicas.
01:50
So let me first start with the personal reason.
36
95000
3000
Assim, permitam que eu comece pela razão pessoal.
01:53
It'll sound corny, but it's sincere.
37
98000
3000
Vai parecer ingênuo, mas é sincero.
01:56
That's my son, Darius.
38
101000
2000
Este é meu filho, Darius.
01:58
As a new father,
39
103000
2000
Como um pai novato,
02:00
I have a qualitatively different sense
40
105000
4000
eu tenho uma noção diferente
02:04
of just how delicate babies are,
41
109000
3000
de como os bebês são delicados,
02:07
what our obligations are towards them
42
112000
3000
de quais são nossas obrigações em relação a eles
02:10
and how much love
43
115000
2000
e como é grande o amor
02:12
we can feel towards a child.
44
117000
3000
que somos capazes de sentir por um filho.
02:15
I would move heaven and earth
45
120000
2000
Eu moveria os céus e montanhas
02:17
in order to get treatment for Darius,
46
122000
3000
para dar tratamento ao Darius.
02:20
and for me to be told
47
125000
2000
E, para mim, ouvir
02:22
that there might be other Dariuses
48
127000
2000
que talvez existam outros Darius
02:24
who are not getting treatment,
49
129000
2000
que não estão recebendo tratamento,
02:26
that's just viscerally wrong.
50
131000
3000
é algo extremamente errado.
02:29
So that's the personal reason.
51
134000
2000
Então esta é a razão pessoal.
02:31
Scientific reason is that this notion
52
136000
3000
A razão científica é que este pensamento,
02:34
from neuroscience of critical periods --
53
139000
2000
vindo de neurocientistas,
02:36
that if the brain is older
54
141000
3000
que, se o cérebro é mais velho
02:39
than four or five years of age,
55
144000
2000
que quatro ou cinco anos,
02:41
it loses its ability to learn --
56
146000
2000
ele perde a capacidade de aprender
02:43
that doesn't sit well with me,
57
148000
2000
isso é uma coisa com a qual não me conformo
02:45
because I don't think that idea
58
150000
2000
porque eu não creio que esta ideia
02:47
has been tested adequately.
59
152000
3000
tenha sido testada adequadamente.
02:50
The birth of the idea is from
60
155000
2000
A origem desta ideia está nos trabalhos
02:52
David Hubel and Torsten Wiesel's work,
61
157000
2000
de David Hubel e Torsten Wiesel,
02:54
two researchers who were at Harvard,
62
159000
2000
dois pesquisadores de Harvard,
02:56
and they got the Nobel Prize in 1981
63
161000
3000
que receberam o premio Nobel em 1981
02:59
for their studies of visual physiology,
64
164000
2000
pelos seus estudos de fisiologia visual,
03:01
which are remarkably beautiful studies,
65
166000
2000
que são lindos e memoráveis estudos,
03:03
but I believe some of their work
66
168000
2000
mas eu acredito que parte da pesquisa deles
03:05
has been extrapolated
67
170000
2000
foi extrapolada
03:07
into the human domain prematurely.
68
172000
2000
para o domínio dos seres humanos prematuramente.
03:09
So, they did their work with kittens,
69
174000
2000
Eles desenvolveram o trabalho deles com gatinhos
03:11
with different kinds of deprivation regiments,
70
176000
2000
que tinham diferentes níveis de privações visuais.
03:13
and those studies,
71
178000
2000
e esses estudos,
03:15
which date back to the '60s,
72
180000
2000
que são da década de sessenta,
03:17
are now being applied to human children.
73
182000
3000
estão agora sendo aplicados às crianças humanas.
03:20
So I felt that I needed to do two things.
74
185000
3000
Então eu senti que precisava fazer duas coisas.
03:23
One: provide care
75
188000
3000
Primeiro: oferecer cuidados
03:26
to children who are currently
76
191000
2000
a crianças que estão atualmente
03:28
being deprived of treatment.
77
193000
2000
sendo privadas de tratamento.
03:30
That's the humanitarian mission.
78
195000
2000
Esta é a missão humanitária.
03:32
And the scientific mission would be
79
197000
2000
A missão científica seria
03:34
to test the limits
80
199000
2000
a de testar os limites
03:36
of visual plasticity.
81
201000
2000
da plasticidade visual.
03:38
And these two missions, as you can tell,
82
203000
3000
E estas duas missões, como podem ver,
03:41
thread together perfectly. One adds to the other;
83
206000
3000
se encaixam perfeitamente, uma acrescenta à outra.
03:44
in fact, one would be impossible without the other.
84
209000
3000
Na verdade, uma seria impossível sem a outra.
03:49
So, to implement
85
214000
2000
Então, para implementar
03:51
these twin missions,
86
216000
2000
estas duas missões,
03:53
a few years ago, I launched Project Prakash.
87
218000
3000
há alguns anos atrás eu lancei o Projeto Prakash.
03:56
Prakash, as many of you know,
88
221000
2000
Prakash, como alguns de vocês sabem,
03:58
is the Sanskrit word for light,
89
223000
2000
é a palavra sânscrita para luz,
04:00
and the idea is that
90
225000
2000
e a intenção é que
04:02
in bringing light into the lives of children,
91
227000
3000
trazendo luz às vidas das crianças,
04:05
we also have a chance
92
230000
2000
nós ainda temos a chance
04:07
of shedding light on some of the
93
232000
2000
de derramar luz em alguns
04:09
deepest mysteries of neuroscience.
94
234000
3000
dos mais profundos mistérios da neurociência.
04:12
And the logo -- even though it looks extremely Irish,
95
237000
3000
E o logotipo, mesmo parecendo bastante irlandês,
04:15
it's actually derived from
96
240000
2000
é, na verdade, derivado
04:17
the Indian symbol of Diya, an earthen lamp.
97
242000
4000
do símbolo indiano Diya, uma lâmpada de barro.
04:21
The Prakash, the overall effort
98
246000
3000
O objetivo principal
04:24
has three components:
99
249000
2000
tem três componentes:
04:26
outreach, to identify children in need of care;
100
251000
4000
a extensão, para identificar crianças que precisam de cuidados,
04:30
medical treatment; and in subsequent study.
101
255000
3000
o tratamento médico e em sequência o estudo.
04:33
And I want to show you a short video clip
102
258000
3000
Eu quero mostrar para vocês um curto vídeo
04:36
that illustrates the first two components of this work.
103
261000
3000
que ilustra os dois primeiros componentes deste trabalho.
04:41
This is an outreach station
104
266000
2000
Esta é uma estação
04:43
conducted at a school for the blind.
105
268000
3000
que funciona como escola para os cegos.
04:46
(Text: Most of the children are profoundly and permanently blind ...)
106
271000
5000
(Texto: A maioria das crianças estão profundas e permanentemente cegas...)
04:51
Pawan Sinha: So, because this is a school for the blind,
107
276000
5000
Pawan Sinha: Por ser uma escola para os cegos,
04:56
many children have permanent conditions.
108
281000
2000
muitas crianças estão em condições permanentes.
04:58
That's a case of microphthalmos,
109
283000
3000
Esse é um caso de microftalmia,
05:01
which is malformed eyes,
110
286000
2000
que é a má formação dos olhos,
05:03
and that's a permanent condition;
111
288000
2000
e é permanente.
05:05
it cannot be treated.
112
290000
2000
Não pode ser tratada.
05:07
That's an extreme of micropthalmos
113
292000
2000
Este é um caso extremo da microftalmia
05:09
called enophthalmos.
114
294000
2000
chamada enoftalmia.
05:11
But, every so often, we come across children
115
296000
2000
Mas, de vez em quando, nós encontramos crianças
05:13
who show some residual vision,
116
298000
3000
que mostram algum resíduo visual,
05:16
and that is a very good sign
117
301000
3000
e este é um ótimo sinal
05:19
that the condition might actually be treatable.
118
304000
2000
de que a condição possa, na verdade, ser tratável.
05:21
So, after that screening, we bring the children to the hospital.
119
306000
3000
Então, após a triagem, nós levamos as crianças ao hospital.
05:24
That's the hospital we're working with in Delhi,
120
309000
2000
Este é o hospital com o qual estamos trabalhando em Delhi,
05:26
the Schroff Charity Eye Hospital.
121
311000
3000
o Hospital Beneficente de Olhos Schroff.
05:29
It has a very well-equipped
122
314000
2000
O hospital está bem equipado com
05:31
pediatric ophthalmic center,
123
316000
3000
um centro oftalmológico pediátrico,
05:35
which was made possible in part
124
320000
2000
que foi viabilizado em parte
05:37
by a gift from the Ronald McDonald charity.
125
322000
4000
por um presente da findação Ronald McDonald.
05:41
So, eating burgers actually helps.
126
326000
3000
Então, comer hambúrgueres realmente ajuda.
05:45
(Text: Such examinations allow us to improve
127
330000
2000
(Texto: Tais exames nos permitem melhorar
05:47
eye-health in many children, and ...
128
332000
2000
a saúde ocular de muitas crianças, e...
05:54
... help us find children who can participate in Project Prakash.)
129
339000
3000
... nos ajuda a encontrar crianças que possam participar do Projeto Prakash.)
05:57
PS: So, as I zoom in to the eyes of this child,
130
342000
2000
P.S.: Quando aproximar para os olhos desta criança,
05:59
you will see the cause of his blindness.
131
344000
3000
vocês verão a causa de sua cegueira.
06:03
The whites that you see in the middle of his pupils
132
348000
3000
As partes brancas que vocês vêem no centro das pupilas
06:06
are congenital cataracts,
133
351000
3000
são cataratas congênitas,
06:09
so opacities of the lens.
134
354000
2000
que tornam as lentes opacas.
06:11
In our eyes, the lens is clear,
135
356000
3000
Nos nossos olhos as lentes são claras,
06:14
but in this child, the lens has become opaque,
136
359000
2000
mas nesta criança as lentes se tornaram opacas,
06:16
and therefore he can't see the world.
137
361000
3000
e por isso ele não pode ver o mundo.
06:19
So, the child is given treatment. You'll see shots of the eye.
138
364000
3000
Aqui a criança está recebendo tratamento. Vocês verão fotos do olho.
06:22
Here's the eye with the opaque lens,
139
367000
2000
Aqui está o olho com as lentes opacas,
06:24
the opaque lens extracted
140
369000
2000
as lentes opacas extraídas
06:26
and an acrylic lens inserted.
141
371000
3000
e lentes de acrílico foram inseridas.
06:29
And here's the same child
142
374000
2000
E esta é a mesma criança
06:31
three weeks post-operation,
143
376000
3000
três semanas após a operação,
06:34
with the right eye open.
144
379000
3000
com o olho direito aberto.
06:40
(Applause)
145
385000
6000
(Aplausos)
06:46
Thank you.
146
391000
2000
Obrigado.
06:48
So, even from that little clip, you can begin to get the sense
147
393000
3000
Mesmo com este pequeno vídeo, vocêms pode começar a sentir
06:51
that recovery is possible,
148
396000
2000
que a recuperação é possível,
06:53
and we have now
149
398000
2000
e estamos agora
06:55
provided treatment to over 200 children,
150
400000
3000
dando tratamento para mais de 200 crianças,
06:58
and the story repeats itself.
151
403000
2000
e a história se repete.
07:00
After treatment, the child
152
405000
2000
Após o tratamento
07:02
gains significant functionality.
153
407000
3000
a criança ganha funcionalidade significativa.
07:05
In fact, the story holds true
154
410000
3000
Na verdade a história também é verdadeira
07:08
even if you have a person who got sight
155
413000
2000
mesmo para uma pessoa que adquiriu a visão
07:10
after several years of deprivation.
156
415000
2000
depois de muitos anos de privação.
07:12
We did a paper a few years ago
157
417000
2000
Nós fizemos um artigo há alguns anos
07:14
about this woman that you see on the right, SRD,
158
419000
4000
sobre esta mulher que vocês veem à direita, SRD,
07:18
and she got her sight late in life,
159
423000
2000
e ela adquiriu a visão bem tarde na vida,
07:20
and her vision is remarkable at this age.
160
425000
4000
e a visão dela nesta idade é notável.
07:24
I should add a tragic postscript to this --
161
429000
3000
Devo acrescentar uma nota trágica a isto.
07:27
she died two years ago
162
432000
2000
Ela morreu dois anos atrás
07:29
in a bus accident.
163
434000
2000
em um acidente de ônibus.
07:31
So, hers is just a truly inspiring story --
164
436000
4000
Sua história é muito inspiradora.
07:35
unknown, but inspiring story.
165
440000
3000
anônima, mas inspiradora.
07:38
So when we started finding these results,
166
443000
2000
Quando começamos a ter estes resultados,
07:40
as you might imagine, it created quite a bit of stir
167
445000
3000
como podem imaginar, ela criou um pouco de agitação
07:43
in the scientific and the popular press.
168
448000
3000
na imprensa científica e popular.
07:46
Here's an article in Nature
169
451000
2000
Este é um artigo da Nature
07:48
that profiled this work,
170
453000
2000
que registrou este experimento,
07:50
and another one in Time.
171
455000
2000
e outro na Time.
07:52
So, we were fairly convinced -- we are convinced --
172
457000
2000
Nós estávamos bem convencidos, nós estamos convencidos,
07:54
that recovery is feasible,
173
459000
2000
de que a recuperação é factível,
07:56
despite extended visual deprivation.
174
461000
3000
mesmo com grandes privações visuais.
07:59
The next obvious question to ask:
175
464000
2000
A próxima questão óbvia é:
08:01
What is the process of recovery?
176
466000
3000
qual é o processo de recuperação?
08:04
So, the way we study that is,
177
469000
3000
O modo com que estudamos isto,
08:07
let's say we find a child who has light sensitivity.
178
472000
2000
digamos que encontramos uma criança com fotossensibilidade,
08:09
The child is provided treatment,
179
474000
2000
A criança recebe tratamento
08:11
and I want to stress that the treatment
180
476000
2000
e quero frisar que o tratamento
08:13
is completely unconditional;
181
478000
2000
é completamente incondicional.
08:15
there is no quid pro quo.
182
480000
2000
Não há quid pro quo (toma lá dá cá).
08:17
We treat many more children then we actually work with.
183
482000
3000
Nós atendemos muito mais crianças do que aquelas que trabalhamos na pesquisa.
08:20
Every child who needs treatment is treated.
184
485000
3000
Toda criança que precisa de cuidados é tratada.
08:23
After treatment, about every week,
185
488000
2000
Após o tratamento, de semana a semana,
08:25
we run the child
186
490000
2000
nós fazemos na criança
08:27
on a battery of simple visual tests
187
492000
3000
uma série de exames visuais simples
08:30
in order to see how their visual skills
188
495000
2000
para ver como suas habilidades visuais
08:32
are coming on line.
189
497000
2000
estão progredindo.
08:34
And we try to do this for as long as possible.
190
499000
3000
Nós tentamos fazer isto o maior tempo possível.
08:37
This arc of development
191
502000
2000
Esta curva de desenvolvimento
08:39
gives us unprecedented
192
504000
2000
nos dá informações sem precedentes
08:41
and extremely valuable information
193
506000
2000
e de extremo valor
08:43
about how the scaffolding of vision
194
508000
2000
sobre como a base da visão
08:45
gets set up.
195
510000
2000
é formada.
08:47
What might be the causal connections
196
512000
2000
Quais seriam as conexões causais
08:49
between the early developing skills
197
514000
2000
entre o desenvolvimento infantil
08:51
and the later developing ones?
198
516000
2000
e o desenvolvimento tardio?
08:53
And we've used this general approach to study
199
518000
2000
Nós usamos esta abordagem para estudar
08:55
many different visual proficiencies,
200
520000
3000
diferentes capacidades visuais,
08:58
but I want to highlight one particular one,
201
523000
4000
mas quero mostrar uma em particular
09:02
and that is image parsing into objects.
202
527000
3000
que é a discriminação entre imagens de objetos.
09:05
So, any image of the kind that you see on the left,
203
530000
2000
Qualquer imagem como a que vocês veem à esquerda,
09:07
be it a real image or a synthetic image,
204
532000
3000
seja imagem real ou sintética,
09:10
it's made up of little regions
205
535000
2000
é feita de pequenas regiões
09:12
that you see in the middle column,
206
537000
2000
que vocês veem na coluna do meio.
09:14
regions of different colors, different luminances.
207
539000
3000
Regiões de diferentes cores, diferentes luminosidades.
09:17
The brain has this complex task
208
542000
3000
O cérebro faz esta tarefa complexa
09:20
of putting together, integrating,
209
545000
3000
de reunir, integrar
09:23
subsets of these regions
210
548000
2000
partes destas regiões
09:25
into something that's more meaningful,
211
550000
2000
em algo mais significativo,
09:27
into what we would consider to be objects,
212
552000
2000
em algo que consideramos como objetos,
09:29
as you see on the right.
213
554000
2000
como podem ver à direita.
09:31
And nobody knows how this integration happens,
214
556000
2000
E ninguém sabe como esta integração acontece.
09:33
and that's the question we asked with Project Prakash.
215
558000
4000
Esta é a questão que fazemos no Projeto Prakash.
09:37
So, here's what happens
216
562000
2000
Isto é o que acontece
09:39
very soon after the onset of sight.
217
564000
3000
pouco tempo após o início da visão.
09:42
Here's a person who had gained sight just a couple of weeks ago,
218
567000
3000
Esta é uma pessoa que ganhou visão há apenas duas semanas atrás,
09:45
and you see Ethan Myers, a graduate student from MIT,
219
570000
3000
e também o Ethan Myers, aluno formado pelo MIT,
09:48
running the experiment with him.
220
573000
3000
conduzindo o experimento com ele.
09:51
His visual-motor coordination is quite poor,
221
576000
4000
Sua coordenação motora visual é muito pobre,
09:55
but you get a general sense
222
580000
2000
mas vocês entenderão a ideia
09:57
of what are the regions that he's trying to trace out.
223
582000
3000
de como são as regiões que ele está tentando traçar.
10:00
If you show him real world images,
224
585000
2000
Se mostrar a ele uma imagem real do mundo,
10:02
if you show others like him real world images,
225
587000
3000
se mostrar a outros como ele uma imagem real do mundo,
10:05
they are unable to recognize most of the objects
226
590000
2000
eles não conseguirão reconhecer a maioria dos objetos
10:07
because the world to them is over-fragmented;
227
592000
3000
porque o mundo deles é muito fragmentado,
10:10
it's made up of a collage, a patchwork,
228
595000
3000
é feito de colagens, uma mistura
10:13
of regions of different colors and luminances.
229
598000
2000
de regiões com diferentes cores e luminosidades.
10:15
And that's what's indicated in the green outlines.
230
600000
2000
É o que está indicado pelos contornos verdes.
10:17
When you ask them,
231
602000
2000
Quando nós pedimos a eles,
10:19
"Even if you can't name the objects, just point to where the objects are,"
232
604000
3000
mesmo se não conseguirem dar nomes, para apontar onde estão os objetos,
10:22
these are the regions that they point to.
233
607000
2000
estas são as regiões que eles apontam.
10:24
So the world is this complex
234
609000
2000
O mundo é esta complexa
10:26
patchwork of regions.
235
611000
2000
colcha de retalhos de regiões.
10:28
Even the shadow on the ball
236
613000
2000
Até mesmo a sombra de uma bola
10:30
becomes its own object.
237
615000
3000
se torna um objeto diferente.
10:33
Interestingly enough,
238
618000
2000
Mais interessante,
10:35
you give them a few months,
239
620000
2000
você dá a eles alguns meses,
10:37
and this is what happens.
240
622000
3000
e isto é o que acontece.
10:43
Doctor: How many are these?
241
628000
2000
Médico: Quantos objetos são?
10:45
Patient: These are two things.
242
630000
2000
Paciente: São dois objetos.
10:47
Doctor: What are their shapes?
243
632000
2000
Médico: Quais as suas formas?
10:49
Patient: Their shapes ...
244
634000
2000
Paciente: Suas formas...
10:51
This one is a circle,
245
636000
3000
Este é um círculo,
10:54
and this
246
639000
2000
e este
10:56
is a square.
247
641000
2000
é um quadrado.
10:58
PS: A very dramatic transformation has come about.
248
643000
3000
P.S.: Uma transformação dramática aconteceu.
11:01
And the question is:
249
646000
2000
E a pergunta é:
11:03
What underlies this transformation?
250
648000
2000
o que está por trás desta informação?
11:05
It's a profound question,
251
650000
2000
Esta é uma questão importante,
11:07
and what's even more amazing is how simple
252
652000
2000
e o mais surpreendente é o quão simples
11:09
the answer is.
253
654000
2000
é a resposta.
11:11
The answer lies in motion
254
656000
2000
A resposta está no movimento
11:13
and that's what I want to show you in the next clip.
255
658000
3000
e é isto o que vou mostrar neste vídeo.
11:18
Doctor: What shape do you see here?
256
663000
2000
Médico: Qual forma você vê aqui?
11:20
Patient: I can't make it out.
257
665000
3000
Paciente: Não consigo identificar.
11:28
Doctor: Now?
258
673000
2000
Médico: Agora?
11:31
Patient: Triangle.
259
676000
2000
Paciente: Triângulo.
11:35
Doctor: How many things are these?
260
680000
3000
Médico: Quantos objetos são?
11:48
Now, how many things are these?
261
693000
3000
Agora, quantos objetos são?
11:51
Patient: Two.
262
696000
2000
Paciente: Dois.
11:53
Doctor: What are these things?
263
698000
2000
Médico: O que são estes objetos?
11:56
Patient: A square and a circle.
264
701000
2000
Paciente: Um quadrado e um círculo.
11:58
PS: And we see this pattern over and over again.
265
703000
3000
PS: E nós vemos este padrão sempre.
12:01
The one thing the visual system needs
266
706000
3000
A única coisa que o sistema visual precisa
12:04
in order to begin parsing the world
267
709000
2000
para começar a analisar o mundo
12:06
is dynamic information.
268
711000
2000
é informação dinâmica.
12:08
So the inference we are deriving from this,
269
713000
2000
A conclusão que estamos tirando disto,
12:10
and several such experiments,
270
715000
2000
e de muitos outros experimentos,
12:12
is that dynamic information processing,
271
717000
2000
é que o processamento de informação dinâmica,
12:14
or motion processing,
272
719000
2000
ou processamento de movimento,
12:16
serves as the bedrock for building
273
721000
2000
serve como alicerce para construir
12:18
the rest of the complexity of visual processing;
274
723000
4000
o resto do complexo processamento visual.
12:22
it leads to visual integration
275
727000
2000
Ele conduz à integração visual
12:24
and eventually to recognition.
276
729000
3000
e eventualmente ao reconhecimento.
12:27
This simple idea has far reaching implications.
277
732000
3000
Esta simples ideia tem profundas implicações.
12:30
And let me just quickly mention two,
278
735000
3000
Deixe-me mencionar duas.
12:33
one, drawing from the domain of engineering,
279
738000
2000
Uma, para o lado da engenharia,
12:35
and one from the clinic.
280
740000
2000
e outra para o lado clínico.
12:37
So, from the perspective of engineering,
281
742000
2000
Pela perspectiva da engenharia,
12:39
we can ask: Goven that we know
282
744000
3000
nós podemos perguntar, uma vez que sabemos
12:42
that motion is so important for the human visual system,
283
747000
2000
que o movimento é tão importante para o sistema visual humano,
12:44
can we use this as a recipe
284
749000
3000
se podemos usar isto como receita
12:47
for constructing machine-based vision systems
285
752000
3000
para construir máquinas com sistemas visuais
12:50
that can learn on their own, that don't need to be programmed
286
755000
3000
que podem aprender sozinhas, que não precisem ser programadas
12:53
by a human programmer?
287
758000
2000
por um programador humano.
12:55
And that's what we're trying to do.
288
760000
2000
E é isto o que estamos tentando fazer.
12:57
I'm at MIT, at MIT you need to apply
289
762000
3000
Estou no MIT, e no MIT você precisa aplicar
13:00
whatever basic knowledge you gain.
290
765000
2000
qualquer conhecimento básico que adquire.
13:02
So we are creating Dylan,
291
767000
2000
Então nós estamos criando Dylan,
13:04
which is a computational system
292
769000
2000
que é um sistema computacional
13:06
with an ambitious goal
293
771000
2000
com um objetivo ambicioso
13:08
of taking in visual inputs
294
773000
2000
de receber sinais visuais
13:10
of the same kind that a human child would receive,
295
775000
3000
do mesmo tipo que uma criança humana receberia,
13:13
and autonomously discovering:
296
778000
2000
e descobrir de modo autônomo
13:15
What are the objects in this visual input?
297
780000
3000
o que são os objetos neste campo de visão.
13:18
So, don't worry about the internals of Dylan.
298
783000
3000
Não se preocupem com o funcionamento do Dylan.
13:21
Here, I'm just going to talk about
299
786000
3000
Aqui, só irei falar sobre
13:24
how we test Dylan.
300
789000
2000
como nós testamos o Dylan.
13:26
The way we test Dylan is by giving it
301
791000
2000
O modo como testamos o Dylan é fornecendo
13:28
inputs, as I said, of the same kind
302
793000
3000
informações, como eu disse, do mesmo tipo
13:31
that a baby, or a child in Project Prakash would get.
303
796000
3000
que um bebê, ou uma criança do Projeto Prakash receberia.
13:34
But for a long time we couldn't quite figure out:
304
799000
3000
Mas por um longo período nós não conseguíamos descobrir
13:37
Wow can we get these kinds of video inputs?
305
802000
3000
como nós poder[iamos obter este tipo de informação.
13:41
So, I thought,
306
806000
2000
Então, eu imaginei,
13:43
could we have Darius
307
808000
2000
se nós poderíamos usar Darius
13:45
serve as our babycam carrier,
308
810000
3000
como suporte da câmera de bebê,
13:48
and that way get the inputs that we feed into Dylan?
309
813000
3000
e assim nós conseguiríamos informações visuais para o Dylan.
13:51
So that's what we did.
310
816000
2000
E foi isso o que fizemos.
13:53
(Laughter)
311
818000
7000
(Risos)
14:00
I had to have long conversations with my wife.
312
825000
3000
Eu precisei ter longas conversas com minha esposa.
14:03
(Laughter)
313
828000
5000
(Risos)
14:08
In fact, Pam, if you're watching this,
314
833000
2000
Na verdade, Pam, se você estiver assistindo isto,
14:10
please forgive me.
315
835000
2000
por favor me perdoe.
14:13
So, we modified the optics of the camera
316
838000
4000
Nós mudamos a ótica da câmera
14:17
in order to mimic the baby's visual acuity.
317
842000
3000
para imitar a acuidade visual de um bebê.
14:20
As some of you might know,
318
845000
2000
E como alguns podem imaginar,
14:22
babyies are born pretty much legally blind.
319
847000
4000
os bebes nascem praticamente cegos.
14:26
Their acuity -- our acuity is 20/20;
320
851000
3000
A sua acuidade -- nossa acuidade é 20/20 --
14:29
babies' acuity is like 20/800,
321
854000
3000
a de um bebê é 20/800,
14:32
so they are looking at the world
322
857000
2000
eles estão observando o mundo
14:34
in a very, very blurry fashion.
323
859000
3000
de um modo muito, muito borrado.
14:37
Here's what a baby-cam video looks like.
324
862000
3000
Isto é como um vídeo da câmara de bebê se parece.
14:41
(Laughter)
325
866000
9000
(Risos)
14:50
(Applause)
326
875000
3000
(Aplausos)
14:53
Thankfully, there isn't any audio
327
878000
2000
Ainda bem que não tem nenhum áudio
14:55
to go with this.
328
880000
3000
junto com a imagem.
14:58
What's amazing is that working with such
329
883000
2000
O que é maravilhoso, é que trabalhando com este
15:00
highly degraded input,
330
885000
2000
sinal muito degradado,
15:02
the baby, very quickly, is able
331
887000
2000
o bebê, bem rapidamente, é capaz
15:04
to discover meaning in such input.
332
889000
3000
de descobrir os significados de cada sinal.
15:07
But then two or three days afterward,
333
892000
2000
Em dois ou três dias depois,
15:09
babies begin to pay attention
334
894000
2000
os bebês já começam a prestar atenção
15:11
to their mother's or their father's face.
335
896000
2000
em suas mães, no rosto de seus pais.
15:13
How does that happen? We want Dylan to be able to do that,
336
898000
3000
Como isto acontece? Nós queremos que o Dylan seja capaz disto.
15:16
and using this mantra of motion,
337
901000
3000
E usando o processo de movimento
15:19
Dylan actually can do that.
338
904000
2000
Dylan consegue fazer isto,
15:21
So, given that kind of video input,
339
906000
3000
mesmo com aquele tipo de vídeo,
15:24
with just about six or seven minutes worth of video,
340
909000
3000
em apenas seis ou sete minutos,
15:27
Dylan can begin to extract patterns
341
912000
3000
Dylan consegue extrair padrões
15:30
that include faces.
342
915000
3000
incluindo rostos.
15:33
So, it's an important demonstration
343
918000
2000
É uma demonstração importante
15:35
of the power of motion.
344
920000
2000
do poder do movimento.
15:37
The clinical implication, it comes from the domain of autism.
345
922000
3000
A implicação clínica vem do domínio do autismo.
15:40
Visual integration has been associated with autism
346
925000
2000
A integração visual vem sendo associada com autismo
15:42
by several researchers.
347
927000
2000
por vários pesquisadores.
15:44
When we saw that, we asked:
348
929000
2000
Quando nós soubemos, perguntamos:
15:46
Could the impairment in visual integration
349
931000
3000
Pode o enfraquecimento da integração visual
15:49
be the manifestation of something underneath,
350
934000
3000
ser manifestação de algo relacionado
15:52
of dynamic information processing deficiencies in autism?
351
937000
3000
a deficiência do processamento de informação dinâmica no autismo.
15:55
Because, if that hypothesis were to be true,
352
940000
3000
Porque, se a hipótese for verdadeira,
15:58
it would have massive repercussions in our understanding
353
943000
3000
iria ter uma repercussão significativa no nosso conhecimento
16:01
of what's causing the many different aspects
354
946000
2000
em relação as causas dos diferentes graus
16:03
of the autism phenotype.
355
948000
3000
do fenótipo do autismo.
16:06
What you're going to see are
356
951000
2000
O que você irá ver
16:08
video clips of two children -- one neurotypical,
357
953000
3000
são vídeos de duas crianças, uma típica
16:11
one with autism, playing Pong.
358
956000
2000
e uma com autismo, jogando Pong.
16:13
So, while the child is playing Pong, we are tracking where they're looking.
359
958000
3000
Enquanto as crianças estão jogando, nós rastreamos para onde elas olham.
16:16
In red are the eye movement traces.
360
961000
3000
Em vermelho, são as trajetórias dos movimentos dos olhos,
16:19
This is the neurotypical child, and what you see
361
964000
3000
esta é uma criança saudável, e o que você percebe
16:22
is that the child is able to make cues
362
967000
2000
é que esta criança pode interpretar dicas
16:24
of the dynamic information
363
969000
2000
na informação dinâmica
16:26
to predict where the ball is going to go.
364
971000
2000
para prever onde a bola está indo.
16:28
Even before the ball gets to a place,
365
973000
3000
Mesmo antes dela chegar,
16:31
the child is already looking there.
366
976000
3000
a criança já está olhando lá.
16:34
Contrast this with a child
367
979000
2000
Comparando isto com uma criança
16:36
with autism playing the same game.
368
981000
2000
com autismo jogando o mesmo jogo.
16:38
Instead of anticipating,
369
983000
2000
Ao invés de antecipar,
16:40
the child always follows where the ball has been.
370
985000
3000
a criança sempre segue onde a bola esteve.
16:43
The efficiency of the use
371
988000
2000
A eficiência no uso
16:45
of dynamic information
372
990000
2000
da informação dinâmica
16:47
seems to be significantly compromised in autism.
373
992000
3000
parece ser significativamente comprometida pelo autismo.
16:51
So we are pursuing this line of work
374
996000
3000
Nós estamos continuando nesse estudo
16:54
and hopefully we'll have
375
999000
2000
e temos esperança em obter
16:56
more results to report soon.
376
1001000
2000
mais resultados para divulgar.
16:58
Looking ahead, if you think of this disk
377
1003000
3000
Na sua frente, se você olhar para este disco
17:01
as representing all of the children
378
1006000
2000
representando todas as crianças
17:03
we've treated so far,
379
1008000
2000
que nós tratamos até agora,
17:05
this is the magnitude of the problem.
380
1010000
2000
esta é a magnitude do problema.
17:07
The red dots are the children we have not treated.
381
1012000
3000
As bolinhas vermelhas são crianças que não tratamos.
17:10
So, there are many, many more children who need to be treated,
382
1015000
2000
São muitas, muitas mais crianças que precisam ser tratadas,
17:12
and in order to expand the scope of the project,
383
1017000
3000
e para expandir o alcance desse projeto,
17:15
we are planning on launching
384
1020000
2000
estamos planejando lançar
17:17
The Prakash Center for Children,
385
1022000
2000
O Centro Prakash para Crianças,
17:19
which will have a dedicated pediatric hospital,
386
1024000
3000
que vai ter hospital pediátrico dedicado,
17:22
a school for the children we are treating
387
1027000
2000
uma escola para as crianças que estamos tratando,
17:24
and also a cutting-edge research facility.
388
1029000
2000
e também um centro de pesquisa de ponta.
17:26
The Prakash Center will integrate health care,
389
1031000
3000
O Centro Prakash vai integrar assistência médica,
17:29
education and research in a way
390
1034000
2000
educação e pesquisa, em um modo
17:31
that truly creates the whole
391
1036000
2000
que efetivamente cria o todo,
17:33
to be greater than the sum of the parts.
392
1038000
3000
para ser maior que a soma das partes.
17:36
So, to summarize: Prakash, in its five years of existence,
393
1041000
3000
Então, para resumir, Prakash, em seus cinco anos de existência,
17:39
it's had an impact in multiple areas,
394
1044000
3000
teve um impacto em múltiplas áreas,
17:42
ranging from basic neuroscience
395
1047000
2000
desde neurociência básica,
17:44
plasticity and learning in the brain,
396
1049000
2000
plasticidade e aprendizado do cérebro,
17:46
to clinically relevant hypotheses like in autism,
397
1051000
4000
até hipóteses clínicas relevantes como no autismo,
17:50
the development of autonomous machine vision systems,
398
1055000
3000
desenvolvimento de sistemas visuais em máquinas autônomas,
17:53
education of the undergraduate and graduate students,
399
1058000
3000
educação de alunos de graduação e pós-graduação
17:56
and most importantly in the alleviation
400
1061000
2000
e, mais importante, no alívio
17:58
of childhood blindness.
401
1063000
2000
da cegueira infantil.
18:00
And for my students and I, it's been
402
1065000
2000
Para meus estudantes e para mim está sendo
18:02
just a phenomenal experience
403
1067000
2000
uma experiência fenomenal
18:04
because we have gotten to do interesting research,
404
1069000
4000
porque nós conseguimos fazer pesquisas interessantes
18:08
while at the same time
405
1073000
2000
enquanto ao mesmo tempo
18:10
helping the many children that we have worked with.
406
1075000
2000
ajudamos as muitas crianças com as quais estamos trabalhando.
18:12
Thank you very much.
407
1077000
2000
Muito obrigado.
18:14
(Applause)
408
1079000
2000
(Aplausos)
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