TEDGlobal 2017
Pratik Shah: How AI is making it easier to diagnose disease
Pratik Shah: Hogyan könnyíti meg a mesterséges intelligencia a betegségek diagnosztizálását?
Filmed:
Readability: 6.9
1,571,835 views
A jelenlegi MI-algoritmusok több tízezer drága orvosi kép alapján tudják csak felismerni a betegek kórképét. Mi lenne, ha drasztikusan csökkenthetnénk az adatmennyiséget, ami szükséges egy MI kiképzéséhez, hogy olcsón és hatékony módon állíthasson fel diagnózisokat? A TED-Fellow Pratik Shah egy intelligens rendszeren dolgozik ennek megvalósításán. Szokatlan MI-megközelítéssel kifejlesztett egy technológiát, ami alig 50 kép alapján képes működő algoritmust kifejleszteni – és akár az orvos mobilkamerájával készített fotó alapján is képes diagnózist felállítani. Hallgassuk meg az előadást, amiből részletesen megtudhatjuk: az orvosi információ elemzésének új módszere hozzásegíthet ahhoz, hogy hamarabb ismerhessük fel a halálos betegségeket, és MI-vel támogatott diagnózis felállításával világszerte tökéletesíthetjük az egészségügyi ellátást.
Pratik Shah - Medical technologist
Dr. Pratik Shah creates novel intersections between engineering, medical imaging, machine learning and medicine. Full bio
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
Computer algorithms today
are performing incredible tasks
are performing incredible tasks
0
1280
3856
Napjaink számítógépes algoritmusai
hihetetlen feladatokat végeznek el
hihetetlen feladatokat végeznek el
00:17
with high accuracies, at a massive scale,
using human-like intelligence.
using human-like intelligence.
1
5160
4736
kiemelkedő pontossággal, óriási léptékben,
szinte emberi intelligenciával.
szinte emberi intelligenciával.
00:21
And this intelligence of computers
is often referred to as AI
is often referred to as AI
2
9920
3936
Ezt a számítógépes intelligenciát
gyakran MI-nek,
gyakran MI-nek,
vagyis mesterséges
intelligenciának nevezik.
intelligenciának nevezik.
00:25
or artificial intelligence.
3
13880
1856
00:27
AI is poised to make an incredible impact
on our lives in the future.
on our lives in the future.
4
15760
4200
Várhatóan hihetetlen hatása lesz
jövőbeli életünkre.
jövőbeli életünkre.
00:32
Today, however,
we still face massive challenges
we still face massive challenges
5
20880
3936
Jelenleg azonban még kemény
kihívásokkal nézünk szembe
kihívásokkal nézünk szembe
00:36
in detecting and diagnosing
several life-threatening illnesses,
several life-threatening illnesses,
6
24840
3496
számos halálos betegség,
például fertőző kórok és rák
például fertőző kórok és rák
00:40
such as infectious diseases and cancer.
7
28360
2360
felismerésében és diagnosztizálásában.
00:44
Thousands of patients every year
8
32000
2296
Évente betegek ezrei halnak meg
00:46
lose their lives
due to liver and oral cancer.
due to liver and oral cancer.
9
34320
2800
májrákban és szájrákban.
00:49
Our best way to help these patients
10
37880
2696
Akkor tudunk legjobban segíteni azoknak,
00:52
is to perform early detection
and diagnoses of these diseases.
and diagnoses of these diseases.
11
40600
4320
akik ezektől szenvednek, ha időben
felismerjük és diagnosztizáljuk a kórt.
felismerjük és diagnosztizáljuk a kórt.
00:57
So how do we detect these diseases today,
and can artificial intelligence help?
and can artificial intelligence help?
12
45880
4160
De hogyan ismerjük fel ezeket napjainkban,
és hogyan segíthet ebben az MI?
és hogyan segíthet ebben az MI?
01:03
In patients who, unfortunately,
are suspected of these diseases,
are suspected of these diseases,
13
51920
3656
Azoknál a betegeknél,
akiknél sajnos felmerül a kór gyanúja,
akiknél sajnos felmerül a kór gyanúja,
01:07
an expert physician first orders
14
55600
2656
egy szakorvos mindenekelőtt
01:10
very expensive
medical imaging technologies
medical imaging technologies
15
58280
2616
nagyon drága orvosi képalkotó
eljárást rendel el,
eljárást rendel el,
01:12
such as fluorescent imaging,
CTs, MRIs, to be performed.
CTs, MRIs, to be performed.
16
60920
4096
például fluoreszcens képalkotó eljárást,
CT-, MRI-vizsgálatokat.
CT-, MRI-vizsgálatokat.
01:17
Once those images are collected,
17
65040
2296
A képek ismeretében
01:19
another expert physician then diagnoses
those images and talks to the patient.
those images and talks to the patient.
18
67360
4520
egy másik szakorvos felállítja
a diagnózist, és beszél a beteggel.
a diagnózist, és beszél a beteggel.
01:24
As you can see, this is
a very resource-intensive process,
a very resource-intensive process,
19
72520
3456
Mint látják, ez hatalmas
erőforrásigényű folyamat,
erőforrásigényű folyamat,
01:28
requiring both expert physicians,
expensive medical imaging technologies,
expensive medical imaging technologies,
20
76000
4416
mely kétféle szakorvost és drága
orvosi képalkotó eljárásokat igényel,
orvosi képalkotó eljárásokat igényel,
01:32
and is not considered practical
for the developing world.
for the developing world.
21
80440
3096
ami a fejlődő világban
nagyon nehezen biztosítható.
nagyon nehezen biztosítható.
01:35
And in fact, in many
industrialized nations, as well.
industrialized nations, as well.
22
83560
3360
Valójában ez a helyzet számos
iparilag fejlett országban is.
iparilag fejlett országban is.
01:39
So, can we solve this problem
using artificial intelligence?
using artificial intelligence?
23
87760
2880
Megoldható-e ez a probléma
mesterséges intelligenciával?
mesterséges intelligenciával?
01:43
Today, if I were to use traditional
artificial intelligence architectures
artificial intelligence architectures
24
91840
4056
A mai hagyományos MI-rendszerekkel
a probléma megoldásához mindenekelőtt
01:47
to solve this problem,
25
95920
1216
01:49
I would require 10,000 --
26
97160
1456
tízezres – ismétlem:
01:50
I repeat, on an order of 10,000
of these very expensive medical images
of these very expensive medical images
27
98640
4016
tízezres nagyságrendű ilyen drága
01:54
first to be generated.
28
102680
1376
orvosi képre lenne szükségem.
01:56
After that, I would then go
to an expert physician,
to an expert physician,
29
104080
2896
Ezután szakorvoshoz fordulnék,
01:59
who would then analyze
those images for me.
those images for me.
30
107000
2496
aki kielemezné nekem ezeket a képeket.
02:01
And using those two pieces of information,
31
109520
2096
Majd ezzel a két információval
02:03
I can train a standard deep neural network
or a deep learning network
or a deep learning network
32
111640
3656
betaníthatok egy szokványos mély
neurális hálót vagy mélytanulási hálót
neurális hálót vagy mélytanulási hálót
02:07
to provide patient's diagnosis.
33
115320
2136
a beteg diagnózisának felállításához.
02:09
Similar to the first approach,
34
117480
1736
Az első megközelítéshez hasonlóan,
a hagyományos MI-megközelítések is
02:11
traditional artificial
intelligence approaches
intelligence approaches
35
119240
2143
02:13
suffer from the same problem.
36
121407
1449
ugyanazzal a problémával küszködnek.
02:14
Large amounts of data, expert physicians
and expert medical imaging technologies.
and expert medical imaging technologies.
37
122880
4560
Hatalmas adatmennyiség, szakorvosok
és orvosi képalkotó technológiák.
és orvosi képalkotó technológiák.
02:20
So, can we invent more scalable, effective
38
128320
4296
Kitalálhatunk-e méretezhetőbb,
02:24
and more valuable artificial
intelligence architectures
intelligence architectures
39
132640
3296
hatékonyabb és értékesebb
MI-architektúrákat
MI-architektúrákat
ezeknek az előttünk álló,
nagyon fontos problémák megoldására?
nagyon fontos problémák megoldására?
02:27
to solve these very important
problems facing us today?
problems facing us today?
40
135960
3056
02:31
And this is exactly
what my group at MIT Media Lab does.
what my group at MIT Media Lab does.
41
139040
3296
Csapatom jelenleg épp ezen fáradozik
az MIT Media Labnál.
az MIT Media Labnál.
02:34
We have invented a variety
of unorthodox AI architectures
of unorthodox AI architectures
42
142360
3856
Feltaláltunk több rendhagyó
MI-architektúrát,
MI-architektúrát,
hogy az orvosi képalkotásban
és klinikai kísérletekben előttünk álló
és klinikai kísérletekben előttünk álló
02:38
to solve some of the most important
challenges facing us today
challenges facing us today
43
146240
3176
02:41
in medical imaging and clinical trials.
44
149440
2200
legfontosabb kihívások
egy részére válaszolni tudjunk.
egy részére válaszolni tudjunk.
02:44
In the example I shared
with you today, we had two goals.
with you today, we had two goals.
45
152480
3056
Az előbb bemutatott példa megoldására
két célt ki tűztünk ki.
két célt ki tűztünk ki.
02:47
Our first goal was to reduce
the number of images
the number of images
46
155560
2976
Első célkitűzésünk az volt,
hogy csökkentsük
hogy csökkentsük
02:50
required to train
artificial intelligence algorithms.
artificial intelligence algorithms.
47
158560
3256
az MI-algoritmusok betanításához
szükséges képek számát.
szükséges képek számát.
02:53
Our second goal -- we were more ambitious,
48
161840
2096
Második célunk – még többet akartunk -
02:55
we wanted to reduce the use
of expensive medical imaging technologies
of expensive medical imaging technologies
49
163960
3736
csökkenteni a betegek
átvizsgálásához szükséges,
átvizsgálásához szükséges,
drága orvosi képalkotó
technológiák használatát.
technológiák használatát.
02:59
to screen patients.
50
167720
1216
03:00
So how did we do it?
51
168960
1200
Hogyan oldottuk ezt meg?
03:02
For our first goal,
52
170920
1216
Első célkitűzésünkhöz
03:04
instead of starting
with tens and thousands
with tens and thousands
53
172160
2056
egyetlen orvosi képet fogtunk,
03:06
of these very expensive medical images,
like traditional AI,
like traditional AI,
54
174240
3016
nem pedig tízezernyi nagyon drága képet,
03:09
we started with a single medical image.
55
177280
2056
mint a hagyományos MI esetében.
03:11
From this image, my team and I
figured out a very clever way
figured out a very clever way
56
179360
3776
Csapatom és én nagyon frappáns módot
találtunk ki arra, hogy ebből a képből
találtunk ki arra, hogy ebből a képből
03:15
to extract billions
of information packets.
of information packets.
57
183160
2736
milliárdnyi információs
csomagot vonjunk ki.
csomagot vonjunk ki.
03:17
These information packets
included colors, pixels, geometry
included colors, pixels, geometry
58
185920
3696
Az információs csomagok tartalma:
színek, képpontok, geometria,
színek, képpontok, geometria,
03:21
and rendering of the disease
on the medical image.
on the medical image.
59
189640
2536
és a betegség leképezése
az orvosi képre.
az orvosi képre.
03:24
In a sense, we converted one image
into billions of training data points,
into billions of training data points,
60
192200
4336
Bizonyos értelemben több milliárd betanító
adatponttá konvertáljuk ezt az egy képet,
adatponttá konvertáljuk ezt az egy képet,
03:28
massively reducing the amount of data
needed for training.
needed for training.
61
196560
3536
jelentősen csökkentve a betanításhoz
szükséges adatmennyiséget.
szükséges adatmennyiséget.
Második célkitűzésünkhöz,
a betegek szűréséhez használt
a betegek szűréséhez használt
03:32
For our second goal,
62
200120
1216
03:33
to reduce the use of expensive medical
imaging technologies to screen patients,
imaging technologies to screen patients,
63
201360
3856
drága orvosi képalkotó technológiák
alkalmazásának csökkentéséhez
alkalmazásának csökkentéséhez
03:37
we started with a standard,
white light photograph,
white light photograph,
64
205240
2856
közönséges fényképet készítettünk
nappali fényben,
nappali fényben,
03:40
acquired either from a DSLR camera
or a mobile phone, for the patient.
or a mobile phone, for the patient.
65
208120
4336
tükörreflexes fényképezőgéppel
vagy mobiltelefonnal.
vagy mobiltelefonnal.
03:44
Then remember those
billions of information packets?
billions of information packets?
66
212480
2456
Aztán emlékeznek arra a több milliárdnyi
információcsomagra?
információcsomagra?
03:46
We overlaid those from
the medical image onto this image,
the medical image onto this image,
67
214960
3536
Azokat ráfektettük
az orvosi képről erre a képre,
az orvosi képről erre a képre,
03:50
creating something
that we call a composite image.
that we call a composite image.
68
218520
2520
és úgynevezett összetett képet
alkottunk belőlük.
alkottunk belőlük.
03:53
Much to our surprise,
we only required 50 --
we only required 50 --
69
221480
3296
Nagy meglepetésünkre
ötven ilyen összetett kép
ötven ilyen összetett kép
03:56
I repeat, only 50 --
70
224800
1336
elég volt ahhoz – mondom: csak ötven –,
03:58
of these composite images to train
our algorithms to high efficiencies.
our algorithms to high efficiencies.
71
226160
3840
hogy igen nagy hatékonysággal
betanítsuk ezeket az algoritmusokat.
betanítsuk ezeket az algoritmusokat.
Megközelítésünk összefoglalva:
04:02
To summarize our approach,
72
230680
1336
04:04
instead of using 10,000
very expensive medical images,
very expensive medical images,
73
232040
3176
tízezer nagyon drága orvosi kép
felhasználása helyett
felhasználása helyett
04:07
we can now train the AI algorithms
in an unorthodox way,
in an unorthodox way,
74
235240
3016
szokatlan módon taníthatjuk be
az MI-algoritmusokat,
az MI-algoritmusokat,
04:10
using only 50 of these high-resolution,
but standard photographs,
but standard photographs,
75
238280
4256
mindössze 50 darab nagy felbontású,
tükörreflexes géppel
tükörreflexes géppel
vagy mobiltelefonnal készített,
közönséges fotóval,
közönséges fotóval,
04:14
acquired from DSLR cameras
and mobile phones,
and mobile phones,
76
242560
2496
és így állítjuk fel a diagnózist.
04:17
and provide diagnosis.
77
245080
1536
04:18
More importantly,
78
246640
1216
Még fontosabb,
04:19
our algorithms can accept,
in the future and even right now,
in the future and even right now,
79
247880
3136
hogy algoritmusaink a jövőben is,
de már jelenleg is tudnak fogadni
de már jelenleg is tudnak fogadni
04:23
some very simple, white light
photographs from the patient,
photographs from the patient,
80
251040
2816
nagyon egyszerű, nappali fényben
készült fotókat a betegtől,
készült fotókat a betegtől,
04:25
instead of expensive
medical imaging technologies.
medical imaging technologies.
81
253880
2440
kiváltva a drága orvosi
képalkotó eljárásokat.
képalkotó eljárásokat.
04:29
I believe that we are poised
to enter an era
to enter an era
82
257120
3096
Hiszem: készen állunk arra,
hogy olyan korba lépjünk,
hogy olyan korba lépjünk,
04:32
where artificial intelligence
83
260240
1936
ahol a mesterséges intelligencia
04:34
is going to make an incredible
impact on our future.
impact on our future.
84
262200
2536
hihetetlen hatással lesz a jövőre.
04:36
And I think that thinking
about traditional AI,
about traditional AI,
85
264760
2456
És szerintem, ahogy
a hagyományos MI-re gondolunk,
a hagyományos MI-re gondolunk,
04:39
which is data-rich but application-poor,
86
267240
2776
ami adatokban gazdag,
ám alkalmazásokban szegény,
ám alkalmazásokban szegény,
04:42
we should also continue thinking
87
270040
1536
tovább kell gondolkodnunk
04:43
about unorthodox artificial
intelligence architectures,
intelligence architectures,
88
271600
3016
a nem szokványos MI-architektúrákról,
04:46
which can accept small amounts of data
89
274640
1936
amik kis adatmennyiséggel is képesek
04:48
and solve some of the most important
problems facing us today,
problems facing us today,
90
276600
2936
kezelni és megoldani az előttünk álló
legfontosabb problémákat,
legfontosabb problémákat,
04:51
especially in health care.
91
279560
1256
különösen az egészségügyben.
04:52
Thank you very much.
92
280840
1216
Nagyon szépen köszönöm.
04:54
(Applause)
93
282080
3840
(Taps)
ABOUT THE SPEAKER
Pratik Shah - Medical technologistDr. 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.
Pratik Shah | Speaker | TED.com