ABOUT THE SPEAKER
Pratik Shah - Medical technologist
Dr. Pratik Shah creates novel intersections between engineering, medical imaging, machine learning and medicine.

Why you should listen

Dr. Shah's research program at the MIT Media Lab develops scalable and low-cost diagnostics and therapeutics. His ongoing research areas at MIT include: 1) artificial intelligence and machine learning methods for detection of cancer biomarkers using standard photographs vs. expensive medical images; 2) unorthodox artificial intelligence and machine learning algorithms to design optimal and faster clinical trials and to reduce adverse effects on patients; and 3) low-cost and open source imaging devices, paper diagnostics, algorithms and mobile phones to improve public health and generate real-world data.

Clinical studies with Pratik's medical technologies have revealed "missing sick" patients, who otherwise remain undiagnosed in conventional healthcare settings. Dr. Shah's graduate and postdoctoral research contributed to the discovery of a vaccine component to prevent pneumococcal (Streptococcus pneumoniae) diseases; the identification of new pathways, technologies and metabolites as antimicrobials to target gastrointestinal infections; and a nonprofit to deploy a low-cost water quality test for the developing world.

Past recognition for Dr. Shah includes the American Society for Microbiology's Raymond W. Sarber national award, the Harvard Medical School and Massachusetts General Hospitals ECOR Fund for Medical Discovery postdoctoral fellowship, the AAAS-Lemelson Invention Ambassador Award and a TED Fellowship. Pratik has been an invited discussion leader at Gordon Research Seminars; a speaker at Cold Spring Harbor Laboratories, Gordon Research Conferences and IEEE bioengineering conferences; and a peer reviewer for leading scientific publications and funding agencies. Pratik has a BS, MS, and a PhD in Microbiology and completed fellowship training at The Broad Institute of MIT and Harvard, Massachusetts General Hospital and Harvard Medical School.

More profile about the speaker
Pratik Shah | Speaker | TED.com
TEDGlobal 2017

Pratik Shah: How AI is making it easier to diagnose disease

פראטיק שאה: כיצד בינה מלאכותית מקלה על אבחון מחלות

Filmed:
1,571,835 views

כיום, אלגוריתמים של בינה מלאכותית דורשים עשרות אלפים של הדמיות רפואיות יקרות על מנת לאתר מחלה של מטופל. מה היה קורה אם היינו יכולם לצמצם משמעותית את כמות המידע הנדרש לאמן מערכת בינה מלאכותית, ובכך להפוך את תהליך האבחנה לזול ויעיל יותר? חבר טד פראטיק שאה מפתח מערכת חכמה שתעשה בדיוק את זה. על ידי שימוש בגישות חדשניות לבינה מלאכותית, שאה פיתח טכנולוגיה שדורשת 50 תמונות בלבד על מנת לפתח אלגוריתם מוצלח-- וניתן אפילו להשתמש בתמונות שצולמו מהמכשיר הנייד של הרופא על מנת לספק אבחנה. למדו כיצד השיטה החדשה לנתח מידע רפואי יכולה להוביל לאיתור מוקדם של מחלות מסכנות חיים ולהביא אבחון על ידי בינה מלאכותית למרכזים רפואיים בכל העולם.
- Medical technologist
Dr. Pratik Shah creates novel intersections between engineering, medical imaging, machine learning and medicine. Full bio

Double-click the English transcript below to play the video.

00:13
Computerמַחשֵׁב algorithmsאלגוריתמים todayהיום
are performingמְבַצֵעַ incredibleמדהים tasksמשימות
0
1280
3856
כיום, אלגוריתמים ממוחשבים
מבצעים פעולות מדהימות
00:17
with highגָבוֹהַ accuraciesaccuracies, at a massiveמַסִיבִי scaleסוּלָם,
usingבאמצעות human-likeאנושי intelligenceאינטליגנציה.
1
5160
4736
ברמת דיוק גבוהה, בכמויות נרחבות
בעזרת חיקוי של חכמת בני אדם.
00:21
And this intelligenceאינטליגנציה of computersמחשבים
is oftenלעתים קרובות referredהמכונה to as AIAI
2
9920
3936
וה״חכמה״ הזו של המחשבים
מתוארת פעמים רבות כב״מ
00:25
or artificialמְלָאכוּתִי intelligenceאינטליגנציה.
3
13880
1856
או בינה מלאכותית.
00:27
AIAI is poisedשָׁקוּל to make an incredibleמדהים impactפְּגִיעָה
on our livesחיים in the futureעתיד.
4
15760
4200
ב״מ מיועדת לייצר השפעה עצומה
על החיים שלנו בעתיד.
00:32
Todayהיום, howeverלמרות זאת,
we still faceפָּנִים massiveמַסִיבִי challengesאתגרים
5
20880
3936
למרות זאת, היום,
אנו עדיין מתמודדים עם אתגרים כבדים
00:36
in detectingגילוי and diagnosingאבחון
severalכַּמָה life-threateningמסכן חיים illnessesמחלות,
6
24840
3496
באיתור ואבחון של
מספר מחלות מסכנות חיים,
00:40
suchכגון as infectiousמִדַבֵּק diseasesמחלות and cancerמחלת הסרטן.
7
28360
2360
כמו מחלות מדבקות וסרטן.
00:44
Thousandsאלפים of patientsחולים everyכֹּל yearשָׁנָה
8
32000
2296
אלפי מטופלים מדי שנה
00:46
loseלאבד theirשֶׁלָהֶם livesחיים
dueעקב to liverכָּבֵד and oralאוראלי cancerמחלת הסרטן.
9
34320
2800
מאבדים את חייהם
עקב סרטן הכבד והפה.
00:49
Our bestהטוב ביותר way to help these patientsחולים
10
37880
2696
הדרך הטובה ביותר לעזור לאותם המטופלים
00:52
is to performלְבַצֵעַ earlyמוקדם detectionאיתור
and diagnosesאבחנות of these diseasesמחלות.
11
40600
4320
היא איתור ואבחון מוקדם
של המחלות האלו.
00:57
So how do we detectלזהות these diseasesמחלות todayהיום,
and can artificialמְלָאכוּתִי intelligenceאינטליגנציה help?
12
45880
4160
אז כיצד אנו מאתרים את המחלות האלו היום,
ואיך בינה מלאכותית יכולה לעזור?
01:03
In patientsחולים who, unfortunatelyלצערי,
are suspectedחשוד of these diseasesמחלות,
13
51920
3656
למטופלים אשר, לצערנו הרב,
אנו חושדים שחולים באחת מן המחלות,
01:07
an expertמוּמחֶה physicianרוֹפֵא first ordersהזמנות
14
55600
2656
רופא מומחה יזמין דבר ראשון
01:10
very expensiveיָקָר
medicalרְפוּאִי imagingהַדמָיָה technologiesטכנולוגיות
15
58280
2616
הדמיות רפואיות
בטכנולוגיות יקרות מאוד
01:12
suchכגון as fluorescentפלואורסצנטי imagingהַדמָיָה,
CTsכצט, MRIsMRI, to be performedמְבוּצָע.
16
60920
4096
כגון רנטגן פלואורוסנטי,
סי-טי, אמ-אר-איי.
01:17
Onceפַּעַם those imagesתמונות are collectedשנאספו,
17
65040
2296
ברגע שההדמיות נאספות,
01:19
anotherאַחֵר expertמוּמחֶה physicianרוֹפֵא then diagnosesאבחנות
those imagesתמונות and talksשיחות to the patientסבלני.
18
67360
4520
רופא מומחה נוסף מאבחן
את ההדמיות ומשוחח עם המטופל.
01:24
As you can see, this is
a very resource-intensiveמשאבים רבים processתהליך,
19
72520
3456
כפי שאתם רואים, מדובר
בתהליך הדורש משאבים רבים,
01:28
requiringהמחייב bothשניהם expertמוּמחֶה physiciansרופאים,
expensiveיָקָר medicalרְפוּאִי imagingהַדמָיָה technologiesטכנולוגיות,
20
76000
4416
ביניהם שני רופאים מומחים,
טכנולוגיות הדמיה רפואית יקרות,
01:32
and is not consideredנחשב practicalמַעֲשִׂי
for the developingמתפתח worldעוֹלָם.
21
80440
3096
ותהליך זה לא נחשב יעיל
ביחס לעולם המתפתח.
01:35
And in factעוּבדָה, in manyרב
industrializedמתועשת nationsעמים, as well.
22
83560
3360
למעשה, אפילו ביחס
להרבה מדינות מפותחות.
01:39
So, can we solveלִפְתוֹר this problemבְּעָיָה
usingבאמצעות artificialמְלָאכוּתִי intelligenceאינטליגנציה?
23
87760
2880
אז, האם ניתן לפתור את הבעיה
בעזרת בינה מלאכותית?
01:43
Todayהיום, if I were to use traditionalמָסוֹרתִי
artificialמְלָאכוּתִי intelligenceאינטליגנציה architecturesארכיטקטורות
24
91840
4056
כיום, אם הייתי משתמש
בשיטות בינה מלאכותית מסורתיות
01:47
to solveלִפְתוֹר this problemבְּעָיָה,
25
95920
1216
לפתרון הבעיה,
01:49
I would requireלִדרוֹשׁ 10,000 --
26
97160
1456
נדרשים לי 10,000--
01:50
I repeatחזור, on an orderלהזמין of 10,000
of these very expensiveיָקָר medicalרְפוּאִי imagesתמונות
27
98640
4016
אני חוזר, סדר גודל של 10,000
הדמיות רפואיות יקרות
01:54
first to be generatedשנוצר.
28
102680
1376
לשלב הראשוני.
01:56
After that, I would then go
to an expertמוּמחֶה physicianרוֹפֵא,
29
104080
2896
לאחר מכן, אצטרך להפגש
עם רופא מומחה,
01:59
who would then analyzeלְנַתֵחַ
those imagesתמונות for me.
30
107000
2496
אשר יצטרך לנתח
את ההדמיות האלו עבורי.
02:01
And usingבאמצעות those two piecesחתיכות of informationמֵידָע,
31
109520
2096
ובעזרת שתי פיסות המידע האלו,
02:03
I can trainרכבת a standardתֶקֶן deepעָמוֹק neuralעֲצַבִּי networkרֶשֶׁת
or a deepעָמוֹק learningלְמִידָה networkרֶשֶׁת
32
111640
3656
אני יכול לאמן רשת נוירונים סטנדרטית
או רשת למידה
02:07
to provideלְסַפֵּק patient'sשל המטופל diagnosisאִבחוּן.
33
115320
2136
על למנת לספק אבחנה למטופל.
02:09
Similarדוֹמֶה to the first approachגִישָׁה,
34
117480
1736
בדומה לגישה הראשונה,
02:11
traditionalמָסוֹרתִי artificialמְלָאכוּתִי
intelligenceאינטליגנציה approachesגישות
35
119240
2143
גישות מסורתיות
לבינה מלאכותיתֿ
02:13
sufferסובל from the sameאותו problemבְּעָיָה.
36
121407
1449
סובלות מאותה הבעיה.
02:14
Largeגָדוֹל amountsסכומים of dataנתונים, expertמוּמחֶה physiciansרופאים
and expertמוּמחֶה medicalרְפוּאִי imagingהַדמָיָה technologiesטכנולוגיות.
37
122880
4560
כמויות גדולות של מידע, רופאים מומחים
וטכנולוגיות הדמיה רפואית מתוחכמות.
02:20
So, can we inventלִהַמצִיא more scalableמדרגי, effectiveיָעִיל
38
128320
4296
מכאן, האם ניתן להמציא פתרון מדרגי, יעיל
02:24
and more valuableבעל ערך artificialמְלָאכוּתִי
intelligenceאינטליגנציה architecturesארכיטקטורות
39
132640
3296
וליצור מערכות בינה מלאכותית
בעלות ערך גדול יותר
02:27
to solveלִפְתוֹר these very importantחָשׁוּב
problemsבעיות facingמוּל us todayהיום?
40
135960
3056
לפתרון בעיות חשובות מסוג זה
עמן אנו מתמודדים כיום?
02:31
And this is exactlyבְּדִיוּק
what my groupקְבוּצָה at MITMIT Mediaכְּלֵי תִקְשׁוֹרֶת Labמַעבָּדָה does.
41
139040
3296
וזה בדיוק
מה שהקבוצה שלי עושה.
02:34
We have inventedבדוי a varietyמגוון
of unorthodoxלֹא שִׁגרָתִי AIAI architecturesארכיטקטורות
42
142360
3856
המצאנו מגוון
מערכות בינה מלאכותית חדשניות
02:38
to solveלִפְתוֹר some of the mostרוב importantחָשׁוּב
challengesאתגרים facingמוּל us todayהיום
43
146240
3176
על מנת לפתור כמה מהאתגרים
החשובים ביותר עמם אנו מתמודדים כיום
02:41
in medicalרְפוּאִי imagingהַדמָיָה and clinicalקליני trialsניסויים.
44
149440
2200
בהדמיה רפואית וניסויים קליניים.
02:44
In the exampleדוגמא I sharedמְשׁוּתָף
with you todayהיום, we had two goalsמטרות.
45
152480
3056
בעזרת הדוגמה ששיתפתי איתכם היום
הצבנו שתי מטרות.
02:47
Our first goalמטרה was to reduceלְהַפחִית
the numberמספר of imagesתמונות
46
155560
2976
המטרה הראשונה היא לצמצם
את מספר ההדמיות
02:50
requiredנדרש to trainרכבת
artificialמְלָאכוּתִי intelligenceאינטליגנציה algorithmsאלגוריתמים.
47
158560
3256
הנדרשות על מנת לאמן
אלגוריתם של בינה מלאכותית.
02:53
Our secondשְׁנִיָה goalמטרה -- we were more ambitiousשְׁאַפתָנִי,
48
161840
2096
המטרה השניה -- הייתה לנו יותר תעוזה,
02:55
we wanted to reduceלְהַפחִית the use
of expensiveיָקָר medicalרְפוּאִי imagingהַדמָיָה technologiesטכנולוגיות
49
163960
3736
רצינו לצמצם את השימוש
בטכנולוגיות הדמיה רפואית יקרות
02:59
to screenמָסָך patientsחולים.
50
167720
1216
בשביל לסנן מטופלים.
03:00
So how did we do it?
51
168960
1200
כיצד עשינו זאת?
03:02
For our first goalמטרה,
52
170920
1216
עבור המטרה הראשונה,
03:04
insteadבמקום זאת of startingהחל
with tensעשרות and thousandsאלפים
53
172160
2056
במקום להתחיל
בעשרות אלפים
03:06
of these very expensiveיָקָר medicalרְפוּאִי imagesתמונות,
like traditionalמָסוֹרתִי AIAI,
54
174240
3016
מן ההדמיות היקרות הללו,
כמו בינה מלאכותית מסורתית,
03:09
we startedהתחיל with a singleיחיד medicalרְפוּאִי imageתמונה.
55
177280
2056
התחלנו מהדמיה בודדת.
03:11
From this imageתמונה, my teamקְבוּצָה and I
figuredמְעוּטָר out a very cleverחכם way
56
179360
3776
בעזרת אותה ההדמיה, הצוות ואני
מצאנו שיטה חכמה
03:15
to extractלחלץ billionsמיליארדים
of informationמֵידָע packetsמנות.
57
183160
2736
לאסוף ביליונים
של מנות מידע.
03:17
These informationמֵידָע packetsמנות
includedכלול colorsצבעים, pixelsפיקסלים, geometryגֵאוֹמֶטרִיָה
58
185920
3696
מנות המידע האלו
כללו צבעים, פיקסלים, גאומטריה
03:21
and renderingטִיוּחַ of the diseaseמַחֲלָה
on the medicalרְפוּאִי imageתמונה.
59
189640
2536
והתרגום של המחלה
על ההדמיה הרפואית.
03:24
In a senseלָחוּשׁ, we convertedהמרה one imageתמונה
into billionsמיליארדים of trainingהַדְרָכָה dataנתונים pointsנקודות,
60
192200
4336
בצורה מסוימת, המרנו הדמיה אחת
לביליונים של נתונים ללמידה,
03:28
massivelyבאופן מאסיבי reducingצמצום the amountכמות of dataנתונים
neededנָחוּץ for trainingהַדְרָכָה.
61
196560
3536
תוך צמצום אדיר של כמות המידע
הנדרש ללמידה.
03:32
For our secondשְׁנִיָה goalמטרה,
62
200120
1216
עבור המטרה השנייה,
03:33
to reduceלְהַפחִית the use of expensiveיָקָר medicalרְפוּאִי
imagingהַדמָיָה technologiesטכנולוגיות to screenמָסָך patientsחולים,
63
201360
3856
צמצום של השימוש בטכנולוגיות
הדמיה רפואית לסינון מטופלים,
03:37
we startedהתחיל with a standardתֶקֶן,
whiteלבן lightאוֹר photographתַצלוּם,
64
205240
2856
התחלנו בצילום תמונה סטנדרטית,
03:40
acquiredנרכש eitherאוֹ from a DSLRDSLR cameraמַצלֵמָה
or a mobileנייד phoneטלפון, for the patientסבלני.
65
208120
4336
הנלקחה ממצלמת DSLR
או טלפון סלולרי, עבור המטופל.
03:44
Then rememberלִזכּוֹר those
billionsמיליארדים of informationמֵידָע packetsמנות?
66
212480
2456
ואז, זוכרים את
ביליוני מנות המידע?
03:46
We overlaidמְעוּלָף those from
the medicalרְפוּאִי imageתמונה ontoעַל גַבֵּי this imageתמונה,
67
214960
3536
החלנו אותן מההדמיה הרפואית
על גבי התמונה שצילמנו,
03:50
creatingיוצר something
that we call a compositeמרוכבים imageתמונה.
68
218520
2520
ויצרנו דבר
שקראנו לו תמונה מרוכבת.
03:53
Much to our surpriseהַפתָעָה,
we only requiredנדרש 50 --
69
221480
3296
למרבה ההפתעה,
נדרשו לנו רק 50--
03:56
I repeatחזור, only 50 --
70
224800
1336
אני חוזר, רק 50--
03:58
of these compositeמרוכבים imagesתמונות to trainרכבת
our algorithmsאלגוריתמים to highגָבוֹהַ efficienciesיעילות.
71
226160
3840
מהתמונות המרוכבות הללו על מנת לאמן
את האלגוריתמים שלנו ברמת דיוק גבוהה.
04:02
To summarizeלְסַכֵּם our approachגִישָׁה,
72
230680
1336
לסיכום הגישה שלנו,
04:04
insteadבמקום זאת of usingבאמצעות 10,000
very expensiveיָקָר medicalרְפוּאִי imagesתמונות,
73
232040
3176
במקום להשתמש ב10,000
הדמיות רפואיות יקרות,
04:07
we can now trainרכבת the AIAI algorithmsאלגוריתמים
in an unorthodoxלֹא שִׁגרָתִי way,
74
235240
3016
אנו מסוגלים כעת לאמן אלגוריתמים של ב״מ
בצורה לא מסורתית,
04:10
usingבאמצעות only 50 of these high-resolutionברזולוציה גבוהה,
but standardתֶקֶן photographsתמונות,
75
238280
4256
על ידי שימוש ב 50 תמונות סטנדרטיות
באיכות גבוהה
04:14
acquiredנרכש from DSLRDSLR camerasמצלמות
and mobileנייד phonesטלפונים,
76
242560
2496
שנלקחו בעזרת מצלמות DSLR
ומכשירים סלולריים,
04:17
and provideלְסַפֵּק diagnosisאִבחוּן.
77
245080
1536
ולספק אבחנה.
04:18
More importantlyחשוב,
78
246640
1216
חשוב מכך,
04:19
our algorithmsאלגוריתמים can acceptלְקַבֵּל,
in the futureעתיד and even right now,
79
247880
3136
האלגוריתמים שלנו מסוגלים לקלוט,
בעתיד ואפילו עכשיו,
04:23
some very simpleפָּשׁוּט, whiteלבן lightאוֹר
photographsתמונות from the patientסבלני,
80
251040
2816
גם תמונות פשוטות של המטופל,
04:25
insteadבמקום זאת of expensiveיָקָר
medicalרְפוּאִי imagingהַדמָיָה technologiesטכנולוגיות.
81
253880
2440
במקום הדמיות רפואיות
בטכנולוגיות יקרות.
04:29
I believe that we are poisedשָׁקוּל
to enterלהיכנס an eraתְקוּפָה
82
257120
3096
אני מאמין כי אנו עומדים
להכנס לעידן
04:32
where artificialמְלָאכוּתִי intelligenceאינטליגנציה
83
260240
1936
בו בינה מלאכותית
04:34
is going to make an incredibleמדהים
impactפְּגִיעָה on our futureעתיד.
84
262200
2536
הולכת לייצר השפעה עצומה
על העתיד שלנו.
04:36
And I think that thinkingחושב
about traditionalמָסוֹרתִי AIAI,
85
264760
2456
ואני חושב שתוך חשיבה
על ב״מ מסורתית,
04:39
whichאיזה is data-richעשיר בנתונים but application-poorיישום-המסכן,
86
267240
2776
אשר עשירה בנתונים אך חלשה ביישום,
04:42
we should alsoגַם continueלְהַמשִׁיך thinkingחושב
87
270040
1536
עלינו להמשיך לחשוב
04:43
about unorthodoxלֹא שִׁגרָתִי artificialמְלָאכוּתִי
intelligenceאינטליגנציה architecturesארכיטקטורות,
88
271600
3016
על שיטות חדשניות
ליצירת בינה מלאכותית
04:46
whichאיזה can acceptלְקַבֵּל smallקָטָן amountsסכומים of dataנתונים
89
274640
1936
אשר יכולות לעבוד עם כמות קטנה של מידע
04:48
and solveלִפְתוֹר some of the mostרוב importantחָשׁוּב
problemsבעיות facingמוּל us todayהיום,
90
276600
2936
ולפתור כמה מן הבעיות
החשובות ביותר מולן אנו עומדים היום,
04:51
especiallyבמיוחד in healthבְּרִיאוּת careלְטַפֵּל.
91
279560
1256
בייחוד ברפואה.
04:52
Thank you very much.
92
280840
1216
תודה רבה לכם.
04:54
(Applauseתְשׁוּאוֹת)
93
282080
3840
(מחיאות כפיים)
Translated by Talia Breuer
Reviewed by Ido Dekkers

▲Back to top

ABOUT THE SPEAKER
Pratik Shah - Medical technologist
Dr. Pratik Shah creates novel intersections between engineering, medical imaging, machine learning and medicine.

Why you should listen

Dr. Shah's research program at the MIT Media Lab develops scalable and low-cost diagnostics and therapeutics. His ongoing research areas at MIT include: 1) artificial intelligence and machine learning methods for detection of cancer biomarkers using standard photographs vs. expensive medical images; 2) unorthodox artificial intelligence and machine learning algorithms to design optimal and faster clinical trials and to reduce adverse effects on patients; and 3) low-cost and open source imaging devices, paper diagnostics, algorithms and mobile phones to improve public health and generate real-world data.

Clinical studies with Pratik's medical technologies have revealed "missing sick" patients, who otherwise remain undiagnosed in conventional healthcare settings. Dr. Shah's graduate and postdoctoral research contributed to the discovery of a vaccine component to prevent pneumococcal (Streptococcus pneumoniae) diseases; the identification of new pathways, technologies and metabolites as antimicrobials to target gastrointestinal infections; and a nonprofit to deploy a low-cost water quality test for the developing world.

Past recognition for Dr. Shah includes the American Society for Microbiology's Raymond W. Sarber national award, the Harvard Medical School and Massachusetts General Hospitals ECOR Fund for Medical Discovery postdoctoral fellowship, the AAAS-Lemelson Invention Ambassador Award and a TED Fellowship. Pratik has been an invited discussion leader at Gordon Research Seminars; a speaker at Cold Spring Harbor Laboratories, Gordon Research Conferences and IEEE bioengineering conferences; and a peer reviewer for leading scientific publications and funding agencies. Pratik has a BS, MS, and a PhD in Microbiology and completed fellowship training at The Broad Institute of MIT and Harvard, Massachusetts General Hospital and Harvard Medical School.

More profile about the speaker
Pratik Shah | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee