TEDIndia 2009
Pawan Sinha: How brains learn to see
Pawan Sinha arról, hogyan tanul az agy látni
Filmed:
Readability: 4.5
939,209 views
Pawan Sinha forradalmi kutatását mutatja be, mely arra keresi a választ, hogyan fejlődik az agy látórendszere. Sinha csoportjával együtt ingyenes látás-javítási kezeléseket nyújt olyan gyerekeknek, akik vaksággal születtek, majd megvizsgálja, hogy ezután miképp tanulja meg az agyuk a vizuális adatokat értelmezni. Munkájuk betekintést nyújt az ideggyógyászati és a műszaki területre, de még az autizmusba is.
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
Vak gyerekként Indiában
00:19
you will very likely have to contend with
1
4000
3000
nagy valószínűséggel két nagyon
00:22
at least two big pieces of bad news.
2
7000
3000
rossz hírrel kell megbirkóznod.
00:25
The first bad news
3
10000
2000
Az első rossz hír az,
00:27
is that the chances of getting treatment
4
12000
3000
hogy a gyógykezelésre való esély
00:30
are extremely slim to none,
5
15000
3000
szinte a nullával egyenlő,
00:33
and that's because most of the blindness
6
18000
2000
mert az ország legtöbb vaksággal
00:35
alleviation programs in the country
7
20000
2000
foglalkozó programja
00:37
are focused on adults,
8
22000
2000
a felnőttekre összpontosít,
00:39
and there are very, very few hospitals
9
24000
3000
és csak nagyon nagyon kevés kórház
00:42
that are actually equipped to treat children.
10
27000
3000
van berendezkedve gyerekek fogadására.
00:46
In fact, if you were to be treated,
11
31000
4000
Valójában, ha mégis meggyógyítanak,
00:51
you might well end up being treated
12
36000
3000
könnyen lehet, hogy egy olyan
00:54
by a person who has no medical credentials
13
39000
3000
személy kezei közé kerülsz, akinek nincs orvosi képesítése,
00:57
as this case from Rajasthan illustrates.
14
42000
3000
ahogy ennek a rajasthani gyereknek az esetében történt.
01:00
This is a three-year-old orphan girl
15
45000
2000
Ez egy három éves árva kislány,
01:02
who had cataracts.
16
47000
2000
akinek szürkehályogja volt.
01:04
So, her caretakers took her
17
49000
2000
A gyerekgondozók a szürkehályoggal a
01:06
to the village medicine man,
18
51000
2000
falu kuruzslójához vitték,
01:08
and instead of suggesting to the caretakers
19
53000
3000
aki ahelyett, hogy a szürkehályoggal
01:11
that the girl be taken to a hospital,
20
56000
3000
kórházba vitette volna a kislányt,
01:14
the person decided to burn her abdomen
21
59000
2000
úgy döntött, hogy megégeti a hasát
01:16
with red-hot iron bars
22
61000
2000
egy vörösen izzó vasrúddal,
01:18
to drive out the demons.
23
63000
2000
hogy kiűzze a démonokat.
01:20
The second piece of bad news
24
65000
3000
A másik rossz hír az,
01:23
will be delivered to you
25
68000
2000
hogy az ideggyógyászok
01:25
by neuroscientists, who will tell you
26
70000
3000
közölni fogják, hogy
01:28
that if you are older than four or five years of age,
27
73000
3000
amennyiben elmúltál négy vagy öt éves,
01:31
that even if you have your eye corrected,
28
76000
3000
még ha sikeres is a szem korrekciója,
01:34
the chances of your brain learning how to see
29
79000
3000
annak esélye, hogy az agy megtanul látni,
01:37
are very, very slim --
30
82000
2000
nagyon-nagyon csekély.
01:39
again, slim or none.
31
84000
3000
Csekély vagy semmi.
01:42
So when I heard these two things,
32
87000
2000
Amikor tehát ezeket hallottam,
01:44
it troubled me deeply,
33
89000
2000
mindez nagyon lesújtott,
01:46
both because of personal reasons
34
91000
2000
mind személyes okok,
01:48
and scientific reasons.
35
93000
2000
mind tudományos okok miatt.
01:50
So let me first start with the personal reason.
36
95000
3000
Engedjétek meg, hogy először a személyes okkal kezdjem.
01:53
It'll sound corny, but it's sincere.
37
98000
3000
Érzelgősen hangzik, de őszinte vagyok.
01:56
That's my son, Darius.
38
101000
2000
Ez a fiam, Darius.
01:58
As a new father,
39
103000
2000
Újdonsult apaként
02:00
I have a qualitatively different sense
40
105000
4000
a kisbabák törékenysége láttán
02:04
of just how delicate babies are,
41
109000
3000
minőségileg más az igazságérzetem,
02:07
what our obligations are towards them
42
112000
3000
hogy mi a velük szembeni kötelezettségünk,
02:10
and how much love
43
115000
2000
és hogy mennyire
02:12
we can feel towards a child.
44
117000
3000
szerethetőek.
02:15
I would move heaven and earth
45
120000
2000
Minden követ megmozgatnék,
02:17
in order to get treatment for Darius,
46
122000
3000
hogy Darius kezelésben részesüljön.
02:20
and for me to be told
47
125000
2000
Ha azt mondják nekem,
02:22
that there might be other Dariuses
48
127000
2000
hogy sok más Darius
02:24
who are not getting treatment,
49
129000
2000
sem kap orvosi ellátást,
02:26
that's just viscerally wrong.
50
131000
3000
zsigeri ellenállást érzek.
02:29
So that's the personal reason.
51
134000
2000
Ez tehát a személyes indíttatásom.
02:31
Scientific reason is that this notion
52
136000
3000
A tudományos okom pedig az,
02:34
from neuroscience of critical periods --
53
139000
2000
hogy az elavult ideggyógyászati elképzeléssel,
02:36
that if the brain is older
54
141000
3000
mely szerint a négy-öt
02:39
than four or five years of age,
55
144000
2000
évesnél öregebb agy
02:41
it loses its ability to learn --
56
146000
2000
elveszíti fogékonyságát,
02:43
that doesn't sit well with me,
57
148000
2000
nem vagyok kibékülve,
02:45
because I don't think that idea
58
150000
2000
mert nem hiszem, hogy
02:47
has been tested adequately.
59
152000
3000
ez pontos adatokon alapszik.
02:50
The birth of the idea is from
60
155000
2000
Az elmélet alapja
02:52
David Hubel and Torsten Wiesel's work,
61
157000
2000
David Hubel és Torsten Wiesel,
02:54
two researchers who were at Harvard,
62
159000
2000
Harvardon végzett kutatók műve,
02:56
and they got the Nobel Prize in 1981
63
161000
3000
és 1981-ben Nobel-díjat kaptak
02:59
for their studies of visual physiology,
64
164000
2000
a vizuális fiziológiai tanulmányukért,
03:01
which are remarkably beautiful studies,
65
166000
2000
mely figyelemreméltóan szép,
03:03
but I believe some of their work
66
168000
2000
de azt gondolom, hogy részben
03:05
has been extrapolated
67
170000
2000
csak találgatás,
03:07
into the human domain prematurely.
68
172000
2000
sötétben való tapogatózás.
03:09
So, they did their work with kittens,
69
174000
2000
A kísérletet kismacskákkal végezték,
03:11
with different kinds of deprivation regiments,
70
176000
2000
különböző hiányosságokkal bíró fajtákkal,
03:13
and those studies,
71
178000
2000
és ezeket a '60-as évekbeli
03:15
which date back to the '60s,
72
180000
2000
kísérleteket alkalmazzák
03:17
are now being applied to human children.
73
182000
3000
most gyerekekre.
03:20
So I felt that I needed to do two things.
74
185000
3000
Úgy éreztem tehát, hogy két dolgot kell tennem.
03:23
One: provide care
75
188000
3000
Először is: ellátást kell
03:26
to children who are currently
76
191000
2000
biztosítani azoknak a gyerekeknek,
03:28
being deprived of treatment.
77
193000
2000
akik jelenleg nem kapnak kezelést.
03:30
That's the humanitarian mission.
78
195000
2000
Ez a humanitárius küldetés.
03:32
And the scientific mission would be
79
197000
2000
A tudományos küldetés pedig az,
03:34
to test the limits
80
199000
2000
hogy teszteljük
03:36
of visual plasticity.
81
201000
2000
a látási plaszticitás kapacitását.
03:38
And these two missions, as you can tell,
82
203000
3000
A két küldetés,
03:41
thread together perfectly. One adds to the other;
83
206000
3000
tökéletesen kiegészíti egymást.
03:44
in fact, one would be impossible without the other.
84
209000
3000
Tulajdonképpen elengedhetetlenek egymás számára.
03:49
So, to implement
85
214000
2000
A két küldetés
03:51
these twin missions,
86
216000
2000
teljesítéséhez
03:53
a few years ago, I launched Project Prakash.
87
218000
3000
néhány éve létrehoztam a Project Prakasht.
03:56
Prakash, as many of you know,
88
221000
2000
Ahogy azt közületek sokan tudják,
03:58
is the Sanskrit word for light,
89
223000
2000
Prakash szanszkritul fényt jelent,
04:00
and the idea is that
90
225000
2000
és az elgondolás is az,
04:02
in bringing light into the lives of children,
91
227000
3000
hogy fényt hozzunk gyerekek életébe,
04:05
we also have a chance
92
230000
2000
és arra is van esély,
04:07
of shedding light on some of the
93
232000
2000
hogy rávilágítsunk
04:09
deepest mysteries of neuroscience.
94
234000
3000
az ideggyógyászat leghomályosabb rejtelmeire.
04:12
And the logo -- even though it looks extremely Irish,
95
237000
3000
A logó, még ha nagyon úgy is néz ki, mintha ír volna,
04:15
it's actually derived from
96
240000
2000
valójában
04:17
the Indian symbol of Diya, an earthen lamp.
97
242000
4000
az indiai Diya, azaz lámpás jelképe.
04:21
The Prakash, the overall effort
98
246000
3000
Prakash
04:24
has three components:
99
249000
2000
három dologból tevődik össze
04:26
outreach, to identify children in need of care;
100
251000
4000
1, az ellátásra szoruló gyerekek felkutatásából,
04:30
medical treatment; and in subsequent study.
101
255000
3000
2, orvosi ellátásból és 3, kutatásból.
04:33
And I want to show you a short video clip
102
258000
3000
Hadd mutassak meg egy rövid videót,
04:36
that illustrates the first two components of this work.
103
261000
3000
mely az első két célkitűzést mutatja be.
04:41
This is an outreach station
104
266000
2000
Ez egy információs állomás
04:43
conducted at a school for the blind.
105
268000
3000
egy vakok iskolájában.
04:46
(Text: Most of the children are profoundly and permanently blind ...)
106
271000
5000
A legtöbb gyerek teljesen és véglegesen vak...
04:51
Pawan Sinha: So, because this is a school for the blind,
107
276000
5000
Ez egy vakoknak fenntartott iskola,
04:56
many children have permanent conditions.
108
281000
2000
sok gyerek állapota végleges.
04:58
That's a case of microphthalmos,
109
283000
3000
Microphthalmos (túl kicsi a szemgolyó)
05:01
which is malformed eyes,
110
286000
2000
amikor eldeformálódik a szem,
05:03
and that's a permanent condition;
111
288000
2000
végleges a helyzet.
05:05
it cannot be treated.
112
290000
2000
Gyógyíthatatlan.
05:07
That's an extreme of micropthalmos
113
292000
2000
Ez a micropthalmosnak egy súlyos esete,
05:09
called enophthalmos.
114
294000
2000
az enopthalmos.
05:11
But, every so often, we come across children
115
296000
2000
De találkoztunk olyan gyerekekkel,
05:13
who show some residual vision,
116
298000
3000
akiknél előfordul maradandó látásjavulás,
05:16
and that is a very good sign
117
301000
3000
ami nagyon jó jel arra,
05:19
that the condition might actually be treatable.
118
304000
2000
hogy ez az állapot mégiscsak gyógyítható.
05:21
So, after that screening, we bring the children to the hospital.
119
306000
3000
A vizsgálat után tehát kórházba visszük a gyerekeket.
05:24
That's the hospital we're working with in Delhi,
120
309000
2000
Ez a kórház Delhiben, mellyel együttműködünk,
05:26
the Schroff Charity Eye Hospital.
121
311000
3000
a Schroff Charity Szemkórház.
05:29
It has a very well-equipped
122
314000
2000
Nagyon jól felszerelt
05:31
pediatric ophthalmic center,
123
316000
3000
gyermekszemészeti központja van,
05:35
which was made possible in part
124
320000
2000
melyet részben a
05:37
by a gift from the Ronald McDonald charity.
125
322000
4000
Ronald McDonald adományból hoztak létre.
05:41
So, eating burgers actually helps.
126
326000
3000
Ha hamburgert eszünk, azzal tehát segítünk.
05:45
(Text: Such examinations allow us to improve
127
330000
2000
Az ilyen vizsgálatok sok gyerek
05:47
eye-health in many children, and ...
128
332000
2000
látását javítja, és...
05:54
... help us find children who can participate in Project Prakash.)
129
339000
3000
....segít bennünket abban, hogy megtaláljuk azokat a gyerekeket, akik a Project Prakashban részt vesznek.
05:57
PS: So, as I zoom in to the eyes of this child,
130
342000
2000
Ahogy felnagyítom a gyereknek a szemét,
05:59
you will see the cause of his blindness.
131
344000
3000
látható, hogy mi a vakságának az oka.
06:03
The whites that you see in the middle of his pupils
132
348000
3000
A pupillája közepén látható fehér foltok
06:06
are congenital cataracts,
133
351000
3000
a veleszületett szürke hályog,
06:09
so opacities of the lens.
134
354000
2000
a szemlencse homályossága.
06:11
In our eyes, the lens is clear,
135
356000
3000
A mi szemünk lencséje tiszta,
06:14
but in this child, the lens has become opaque,
136
359000
2000
de ennek a gyereknek a lencséje áttetsző,
06:16
and therefore he can't see the world.
137
361000
3000
ő nem lát.
06:19
So, the child is given treatment. You'll see shots of the eye.
138
364000
3000
Ellátásban részesítjük tehát. Felvételeket láttok a szemről.
06:22
Here's the eye with the opaque lens,
139
367000
2000
Ez itt a szem a homályos lencsével,
06:24
the opaque lens extracted
140
369000
2000
a homályos lencse helyére
06:26
and an acrylic lens inserted.
141
371000
3000
akril lencsét helyeztünk be.
06:29
And here's the same child
142
374000
2000
Ugyanaz a gyerek
06:31
three weeks post-operation,
143
376000
3000
három héttel a szemműtét után
06:34
with the right eye open.
144
379000
3000
lát a jobb szemére.
06:40
(Applause)
145
385000
6000
(Taps)
06:46
Thank you.
146
391000
2000
Köszönöm.
06:48
So, even from that little clip, you can begin to get the sense
147
393000
3000
Tehát még ebből a rövid felvételből is látható,
06:51
that recovery is possible,
148
396000
2000
hogy lehetséges a gyógyulás,
06:53
and we have now
149
398000
2000
és mostanra
06:55
provided treatment to over 200 children,
150
400000
3000
több mint 200 gyereket kezeltünk,
06:58
and the story repeats itself.
151
403000
2000
a történet ismétlődik.
07:00
After treatment, the child
152
405000
2000
A kezelés után a gyerek
07:02
gains significant functionality.
153
407000
3000
látási képességei jelentősen javulnak.
07:05
In fact, the story holds true
154
410000
3000
Tulajdonképpen még az is siker,
07:08
even if you have a person who got sight
155
413000
2000
ha az illető csak több év
07:10
after several years of deprivation.
156
415000
2000
fogyatékosság után válik látóvá.
07:12
We did a paper a few years ago
157
417000
2000
Néhány évvel ezelőtt írtunk
07:14
about this woman that you see on the right, SRD,
158
419000
4000
a jobb oldalon látható nőről, SRD-ről,
07:18
and she got her sight late in life,
159
423000
2000
és csak elég későn vált látóvá,
07:20
and her vision is remarkable at this age.
160
425000
4000
de látása igen jó a korához képest.
07:24
I should add a tragic postscript to this --
161
429000
3000
Tragikus utóirata van a történetének.
07:27
she died two years ago
162
432000
2000
Két éve
07:29
in a bus accident.
163
434000
2000
buszbalesetben meghalt.
07:31
So, hers is just a truly inspiring story --
164
436000
4000
Inspiráló történet,
07:35
unknown, but inspiring story.
165
440000
3000
ismeretlen, de elgondolkodtató.
07:38
So when we started finding these results,
166
443000
2000
Amikor elértük ezeket az eredményeket,
07:40
as you might imagine, it created quite a bit of stir
167
445000
3000
képzelhetitek, hogy mekkora visszhangot keltett
07:43
in the scientific and the popular press.
168
448000
3000
mind a tudományos sajtóban, mind pedig a bulvárlapokban.
07:46
Here's an article in Nature
169
451000
2000
Itt egy cikk a Nature-ből,
07:48
that profiled this work,
170
453000
2000
ami bemutatta a munkánkat,
07:50
and another one in Time.
171
455000
2000
egy másik a Time-ból.
07:52
So, we were fairly convinced -- we are convinced --
172
457000
2000
Kellőképpen meg vagyunk győződve, meg vagyunk
07:54
that recovery is feasible,
173
459000
2000
győződve arról, hogy elérhető a gyógyulás,
07:56
despite extended visual deprivation.
174
461000
3000
a tartós látáskárosulás ellenére is.
07:59
The next obvious question to ask:
175
464000
2000
A következő logikus kérdés:
08:01
What is the process of recovery?
176
466000
3000
Mi a gyógyulás menete?
08:04
So, the way we study that is,
177
469000
3000
Ahogy mi látjuk a helyzetet,
08:07
let's say we find a child who has light sensitivity.
178
472000
2000
találunk mondjuk egy fényérzékeny gyereket.
08:09
The child is provided treatment,
179
474000
2000
Megkapja a kezelést,
08:11
and I want to stress that the treatment
180
476000
2000
és hangsúlyozzuk, hogy a kezelésnek
08:13
is completely unconditional;
181
478000
2000
egyáltalán nincsenek feltételei.
08:15
there is no quid pro quo.
182
480000
2000
Nem "valamit valamiért" alapon működik.
08:17
We treat many more children then we actually work with.
183
482000
3000
Igazából sokkal több gyereket kezelünk, mint amennyivel dolgozunk.
08:20
Every child who needs treatment is treated.
184
485000
3000
Minden kezelésre szoruló gyereket meg is gyógyítunk.
08:23
After treatment, about every week,
185
488000
2000
A kezelést követően majdnem minden héten,
08:25
we run the child
186
490000
2000
egy egyszerű
08:27
on a battery of simple visual tests
187
492000
3000
látási tesztet végeztetünk,
08:30
in order to see how their visual skills
188
495000
2000
hogy megállapítsuk, hogyan változnak
08:32
are coming on line.
189
497000
2000
látási képességei.
08:34
And we try to do this for as long as possible.
190
499000
3000
Ezt igyekszünk minél hosszabb ideig csinálni.
08:37
This arc of development
191
502000
2000
Ez a fejlődési ív
08:39
gives us unprecedented
192
504000
2000
pótolhatatlan
08:41
and extremely valuable information
193
506000
2000
és mérhetetlenül értékes információ számunkra,
08:43
about how the scaffolding of vision
194
508000
2000
mely mutatja, hogyan épül fel
08:45
gets set up.
195
510000
2000
a látás képessége.
08:47
What might be the causal connections
196
512000
2000
Mi lehet az alkalmi kapcsolat
08:49
between the early developing skills
197
514000
2000
a korai fejlődési képességek
08:51
and the later developing ones?
198
516000
2000
és a későbbi fejlődési képességek között?
08:53
And we've used this general approach to study
199
518000
2000
Ezt az általános vizsgálati megközelítést alkalmaztuk
08:55
many different visual proficiencies,
200
520000
3000
több látásvizsgálathoz,,
08:58
but I want to highlight one particular one,
201
523000
4000
de egyikre különösképpen fel szeretném hívni a figyelmet,
09:02
and that is image parsing into objects.
202
527000
3000
és ez az ábrák tárgyakként való értelmezése.
09:05
So, any image of the kind that you see on the left,
203
530000
2000
Bármiféle ábrát látsz a bal oldalon,
09:07
be it a real image or a synthetic image,
204
532000
3000
legyen az igazi vagy szintetikus,
09:10
it's made up of little regions
205
535000
2000
kis területekből áll,
09:12
that you see in the middle column,
206
537000
2000
amiket a középső oszlopban láthatsz,
09:14
regions of different colors, different luminances.
207
539000
3000
különböző színekből, különböző fénysűrűségekből.
09:17
The brain has this complex task
208
542000
3000
Az agynak az az összetett feladata,
09:20
of putting together, integrating,
209
545000
3000
hogy ezeket összetegye, integrálja,
09:23
subsets of these regions
210
548000
2000
átcsoportosítsa őket
09:25
into something that's more meaningful,
211
550000
2000
valami értelmezhetőbbé,
09:27
into what we would consider to be objects,
212
552000
2000
valamivé, amit mi tárgynak nevezünk,
09:29
as you see on the right.
213
554000
2000
és a jobb oldalon látható.
09:31
And nobody knows how this integration happens,
214
556000
2000
Senki nem tudja, hogyan történik ez az integráció.
09:33
and that's the question we asked with Project Prakash.
215
558000
4000
Ezt a kérdést fejtegettük a Project Prakashsal.
09:37
So, here's what happens
216
562000
2000
Itt látható, mi történik
09:39
very soon after the onset of sight.
217
564000
3000
közvetlenül a látvány érzékelése után.
09:42
Here's a person who had gained sight just a couple of weeks ago,
218
567000
3000
Ő mindössze néhány hete nyerte vissza a látását,
09:45
and you see Ethan Myers, a graduate student from MIT,
219
570000
3000
ő pedig Ethan Myers, az MIT diákja,
09:48
running the experiment with him.
220
573000
3000
aki a kísérletet végzi vele.
09:51
His visual-motor coordination is quite poor,
221
576000
4000
A vizuális-motoros koordinációja igen gyenge,
09:55
but you get a general sense
222
580000
2000
de ad valamilyen fogalmat arról,
09:57
of what are the regions that he's trying to trace out.
223
582000
3000
mely területeket próbálják kivenni.
10:00
If you show him real world images,
224
585000
2000
Ha igazi ábrákat mutatsz neki,
10:02
if you show others like him real world images,
225
587000
3000
és ha hozzá hasonlóknak mutatsz igazi ábrákat,
10:05
they are unable to recognize most of the objects
226
590000
2000
legtöbbször képtelenek felismerni a tárgyakat,
10:07
because the world to them is over-fragmented;
227
592000
3000
mert a világ túl töredékes számukra,
10:10
it's made up of a collage, a patchwork,
228
595000
3000
kollázsszerű, patchwork jellegű,
10:13
of regions of different colors and luminances.
229
598000
2000
különböző színű és fényerejű foltokból áll számukra össze.
10:15
And that's what's indicated in the green outlines.
230
600000
2000
Ez az, ami a zöld körvonallal van feltüntetve.
10:17
When you ask them,
231
602000
2000
Kérdezd csak meg őket,
10:19
"Even if you can't name the objects, just point to where the objects are,"
232
604000
3000
nem kell tudni a tárgyak nevét, elég rájuk mutatni.
10:22
these are the regions that they point to.
233
607000
2000
Ezeket a területeket jelölik meg.
10:24
So the world is this complex
234
609000
2000
A világ tehát ennyire összetett,
10:26
patchwork of regions.
235
611000
2000
folttá mosódó területek.
10:28
Even the shadow on the ball
236
613000
2000
Még a labda árnyéka is
10:30
becomes its own object.
237
615000
3000
különálló tárggyá válik.
10:33
Interestingly enough,
238
618000
2000
Milyen érdekes,
10:35
you give them a few months,
239
620000
2000
nézzük csak mi történik
10:37
and this is what happens.
240
622000
3000
néhány hónap elteltével.
10:43
Doctor: How many are these?
241
628000
2000
Orvos: Hány dolgot látsz?
10:45
Patient: These are two things.
242
630000
2000
Páciens: kettőt.
10:47
Doctor: What are their shapes?
243
632000
2000
Orvos: Milyen alakúak?
10:49
Patient: Their shapes ...
244
634000
2000
Páciens: az alakjuk...
10:51
This one is a circle,
245
636000
3000
ez egy kör,
10:54
and this
246
639000
2000
ez pedig
10:56
is a square.
247
641000
2000
egy négyzet.
10:58
PS: A very dramatic transformation has come about.
248
643000
3000
Nagyon drámai az átalakulásuk.
11:01
And the question is:
249
646000
2000
Az a kérdés:
11:03
What underlies this transformation?
250
648000
2000
Mi áll az átalakulás mögött?
11:05
It's a profound question,
251
650000
2000
Nagyon jó kérdés,
11:07
and what's even more amazing is how simple
252
652000
2000
és ami még elképesztőbb,
11:09
the answer is.
253
654000
2000
az a megoldás egyszerűsége.
11:11
The answer lies in motion
254
656000
2000
A megoldás a mozgásban keresendő,
11:13
and that's what I want to show you in the next clip.
255
658000
3000
és ezt meg is mutatom a következő felvétellel.
11:18
Doctor: What shape do you see here?
256
663000
2000
Orvos: Milyen alakot látsz?
11:20
Patient: I can't make it out.
257
665000
3000
Páciens: Nem látom jól.
11:28
Doctor: Now?
258
673000
2000
Orvos: és most?
11:31
Patient: Triangle.
259
676000
2000
Páciens: háromszög.
11:35
Doctor: How many things are these?
260
680000
3000
Orvos: Hány háromszöget látsz?
11:48
Now, how many things are these?
261
693000
3000
Hány dolog van itt?
11:51
Patient: Two.
262
696000
2000
Páciens: Kettő
11:53
Doctor: What are these things?
263
698000
2000
Orvos: Mik ezek?
11:56
Patient: A square and a circle.
264
701000
2000
Páciens: egy négyzet és egy kör.
11:58
PS: And we see this pattern over and over again.
265
703000
3000
Ezt a mintát tapasztaljuk újra és újra.
12:01
The one thing the visual system needs
266
706000
3000
Amire a látórendszernek szüksége van
12:04
in order to begin parsing the world
267
709000
2000
ahhoz, hogy elemezni tudja a világot,
12:06
is dynamic information.
268
711000
2000
az nem más, mint a dinamikus információ.
12:08
So the inference we are deriving from this,
269
713000
2000
Amit tehát ebből,
12:10
and several such experiments,
270
715000
2000
és sok ehhez hasonló kísérletből levonunk,
12:12
is that dynamic information processing,
271
717000
2000
az az, hogy a dinamikus információfeldolgozás,
12:14
or motion processing,
272
719000
2000
vagy a mozgás feldolgozása,
12:16
serves as the bedrock for building
273
721000
2000
a vizuális feldolgozás
12:18
the rest of the complexity of visual processing;
274
723000
4000
fennmaradó komplexitásának alapját adja.
12:22
it leads to visual integration
275
727000
2000
Ez vezet a látvány integrálásához,
12:24
and eventually to recognition.
276
729000
3000
és esetenként a felismeréshez.
12:27
This simple idea has far reaching implications.
277
732000
3000
Ebből az egyszerű gondolatból messzemenő következtetések vonhatók le.
12:30
And let me just quickly mention two,
278
735000
3000
Hadd említsek most csak kettőt.
12:33
one, drawing from the domain of engineering,
279
738000
2000
Egyik példa műszaki,
12:35
and one from the clinic.
280
740000
2000
a másik klinikai.
12:37
So, from the perspective of engineering,
281
742000
2000
Műszaki szemszögből
12:39
we can ask: Goven that we know
282
744000
3000
azt kérdezhetjük - feltételezve, hogy tudjuk,
12:42
that motion is so important for the human visual system,
283
747000
2000
milyen fontos a mozgás az emberi látásrendszerben -
12:44
can we use this as a recipe
284
749000
3000
felhasználhatjuk ezt egy
12:47
for constructing machine-based vision systems
285
752000
3000
gépesített látórendszer megalkotásához,
12:50
that can learn on their own, that don't need to be programmed
286
755000
3000
mely tanulni képes anélkül,
12:53
by a human programmer?
287
758000
2000
hogy emberi lény beprogramozná.
12:55
And that's what we're trying to do.
288
760000
2000
Mert mi erre teszünk kísérletet.
12:57
I'm at MIT, at MIT you need to apply
289
762000
3000
Az MIT-n vagyok, itt alkalmazni kell
13:00
whatever basic knowledge you gain.
290
765000
2000
bármilyen tudásod amid van.
13:02
So we are creating Dylan,
291
767000
2000
Megalkotjuk tehát Dylant,
13:04
which is a computational system
292
769000
2000
ami egy számítógépes rendszer,
13:06
with an ambitious goal
293
771000
2000
azzal az ambiciózus céllal,
13:08
of taking in visual inputs
294
773000
2000
hogy vizuális jeleket vegyen,
13:10
of the same kind that a human child would receive,
295
775000
3000
ugyanolyanokat, melyeket egy gyerek venne,
13:13
and autonomously discovering:
296
778000
2000
és magától felfedezze,
13:15
What are the objects in this visual input?
297
780000
3000
hogy mik az adott vizuális jelekben a tárgyak.
13:18
So, don't worry about the internals of Dylan.
298
783000
3000
Ne aggódjatok Dylan belső működése miatt.
13:21
Here, I'm just going to talk about
299
786000
3000
Nos, most csak arról fogok beszélni,
13:24
how we test Dylan.
300
789000
2000
hogy hogyan teszteljük Dylant.
13:26
The way we test Dylan is by giving it
301
791000
2000
Úgy teszteljük, hogy
13:28
inputs, as I said, of the same kind
302
793000
3000
jeleket adunk neki, ahogy mondtam, ugyanolyanokat,
13:31
that a baby, or a child in Project Prakash would get.
303
796000
3000
mint amilyeneket egy kisbaba vagy egy Project Prakashban szereplő gyerek kapna.
13:34
But for a long time we couldn't quite figure out:
304
799000
3000
Sokáig nem tudtuk,
13:37
Wow can we get these kinds of video inputs?
305
802000
3000
hogyan tudnánk ezeket videóval létrehozni.
13:41
So, I thought,
306
806000
2000
Arra gondoltam hát,
13:43
could we have Darius
307
808000
2000
Darius szolgálhatna
13:45
serve as our babycam carrier,
308
810000
3000
babakamera-hordozóként,
13:48
and that way get the inputs that we feed into Dylan?
309
813000
3000
s ezzel meglennének azok a jelek, amiket aztán Dylannek adunk.
13:51
So that's what we did.
310
816000
2000
Megcsináltuk.
13:53
(Laughter)
311
818000
7000
(Nevetés)
14:00
I had to have long conversations with my wife.
312
825000
3000
Sokáig kellett győzködnöm a feleségemet.
14:03
(Laughter)
313
828000
5000
(Nevetés)
14:08
In fact, Pam, if you're watching this,
314
833000
2000
Pam, ha látod ezt,
14:10
please forgive me.
315
835000
2000
kérlek, bocsáss meg.
14:13
So, we modified the optics of the camera
316
838000
4000
Megváltoztattuk a kamera optikáját,
14:17
in order to mimic the baby's visual acuity.
317
842000
3000
hogy utánozzuk a baba látásának élességét.
14:20
As some of you might know,
318
845000
2000
Ahogyan azt néhányan tudhatjátok,
14:22
babyies are born pretty much legally blind.
319
847000
4000
a babák érthető módon nem látnak még, mikor megszületnek.
14:26
Their acuity -- our acuity is 20/20;
320
851000
3000
A babák személessége - miénk 20/20 -
14:29
babies' acuity is like 20/800,
321
854000
3000
a babáké úgy 20/800,
14:32
so they are looking at the world
322
857000
2000
tehát eléggé homályos
14:34
in a very, very blurry fashion.
323
859000
3000
színekben látják a világot.
14:37
Here's what a baby-cam video looks like.
324
862000
3000
Így néz ki a babakamera.
14:41
(Laughter)
325
866000
9000
(Nevetés)
14:50
(Applause)
326
875000
3000
(Taps)
14:53
Thankfully, there isn't any audio
327
878000
2000
Szerencsére hangot
14:55
to go with this.
328
880000
3000
nem rögzít.
14:58
What's amazing is that working with such
329
883000
2000
Az a csodálatos, hogy a baba
15:00
highly degraded input,
330
885000
2000
még az ilyen nagymértékben csökkent élességű jelekkel
15:02
the baby, very quickly, is able
331
887000
2000
is nagyon gyorsan
15:04
to discover meaning in such input.
332
889000
3000
felismeri a jelek jelentését.
15:07
But then two or three days afterward,
333
892000
2000
Két-három nap elteltével
15:09
babies begin to pay attention
334
894000
2000
elkezdenek figyelni
15:11
to their mother's or their father's face.
335
896000
2000
az anyjuk és az apjuk arcára.
15:13
How does that happen? We want Dylan to be able to do that,
336
898000
3000
Hogy történik ez? Azt akarjuk, hogy Dylan is képes legyen rá.
15:16
and using this mantra of motion,
337
901000
3000
A mozgás mantráját használva
15:19
Dylan actually can do that.
338
904000
2000
Dylan képes is rá,
15:21
So, given that kind of video input,
339
906000
3000
és ha videó jeleket adunk neki,
15:24
with just about six or seven minutes worth of video,
340
909000
3000
mindössze 6-7 perceseket,
15:27
Dylan can begin to extract patterns
341
912000
3000
Dylan képes kivenni mintázatokat,
15:30
that include faces.
342
915000
3000
amiben arcok vannak.
15:33
So, it's an important demonstration
343
918000
2000
Fontos bemutatása ez a
15:35
of the power of motion.
344
920000
2000
mozgás erejének.
15:37
The clinical implication, it comes from the domain of autism.
345
922000
3000
Az eredményünk klinikai vonatkozását az autizmus területéről hoztam.
15:40
Visual integration has been associated with autism
346
925000
2000
A vizuális integrációt számos kutatás alkalmával
15:42
by several researchers.
347
927000
2000
összefüggésbe hozták az autizmussal.
15:44
When we saw that, we asked:
348
929000
2000
Amikor ezt mi is láttuk, azt kérdeztük:
15:46
Could the impairment in visual integration
349
931000
3000
Lehet-e a gyenge vizuális intergáció az autizmusban,
15:49
be the manifestation of something underneath,
350
934000
3000
a megnyilvánulása valami mélyebben fekvő
15:52
of dynamic information processing deficiencies in autism?
351
937000
3000
dinamikus információfeldolgozási elégtelenségnek?
15:55
Because, if that hypothesis were to be true,
352
940000
3000
Mert ha helytáll a hipotézis,
15:58
it would have massive repercussions in our understanding
353
943000
3000
akkor az jelentősen segítene bennünket abban, hogy megértsük azt,
16:01
of what's causing the many different aspects
354
946000
2000
hogy mi okozza az autizmus
16:03
of the autism phenotype.
355
948000
3000
különféle jelenségeit.
16:06
What you're going to see are
356
951000
2000
Most pedig két gyerekről készült
16:08
video clips of two children -- one neurotypical,
357
953000
3000
videofelvételt fogok mutatni,
16:11
one with autism, playing Pong.
358
956000
2000
egyikük autista, pingpongozás közben.
16:13
So, while the child is playing Pong, we are tracking where they're looking.
359
958000
3000
Miközben pingongozik, mi azt figyeljük, hogy merre néz.
16:16
In red are the eye movement traces.
360
961000
3000
A piros jelzi a szemmozgást,
16:19
This is the neurotypical child, and what you see
361
964000
3000
ez pedig a nem autista gyerek,
16:22
is that the child is able to make cues
362
967000
2000
látni, hogy képes utalásokat alkotni a
16:24
of the dynamic information
363
969000
2000
dinamikus információból,
16:26
to predict where the ball is going to go.
364
971000
2000
mert fel tudja mérni, merre fog menni a labda.
16:28
Even before the ball gets to a place,
365
973000
3000
Még nem ért oda a labda,
16:31
the child is already looking there.
366
976000
3000
de a gyerek már abba az irányba néz.
16:34
Contrast this with a child
367
979000
2000
Hasonlítsuk össze ezt a játékot
16:36
with autism playing the same game.
368
981000
2000
egy autista gyerek játékával.
16:38
Instead of anticipating,
369
983000
2000
Ahelyett, hogy felkészülne,
16:40
the child always follows where the ball has been.
370
985000
3000
a gyerek arra néz, amerre a labda volt.
16:43
The efficiency of the use
371
988000
2000
A dinamikus információ
16:45
of dynamic information
372
990000
2000
használatának hatékonysága
16:47
seems to be significantly compromised in autism.
373
992000
3000
az autisták esetében erősen korlátolt.
16:51
So we are pursuing this line of work
374
996000
3000
Tehát ebbe az irányba tereljük a munkánkat,
16:54
and hopefully we'll have
375
999000
2000
és reméljük, hamarosan
16:56
more results to report soon.
376
1001000
2000
több eredményt tudunk felmutatni.
16:58
Looking ahead, if you think of this disk
377
1003000
3000
A felvételek láttán, mely
17:01
as representing all of the children
378
1006000
2000
az eddig kezelt gyerekeket
17:03
we've treated so far,
379
1008000
2000
mutatja be,
17:05
this is the magnitude of the problem.
380
1010000
2000
ez a probléma legjava.
17:07
The red dots are the children we have not treated.
381
1012000
3000
A piros pontokkal jelöltük azokat a gyerekeket, akiket még nem kezeltünk.
17:10
So, there are many, many more children who need to be treated,
382
1015000
2000
Nagyon-nagyon sok gyerek vár még gyógyításra,
17:12
and in order to expand the scope of the project,
383
1017000
3000
és a projektünk bővítéséhez
17:15
we are planning on launching
384
1020000
2000
tervezünk megnyitni
17:17
The Prakash Center for Children,
385
1022000
2000
egy Prakash Központot a Gyerekekért,
17:19
which will have a dedicated pediatric hospital,
386
1024000
3000
melynek egy elhivatott gyerekkórháza,
17:22
a school for the children we are treating
387
1027000
2000
egy iskolája,
17:24
and also a cutting-edge research facility.
388
1029000
2000
és kutatási lehetőséget biztosító részlege lenne.
17:26
The Prakash Center will integrate health care,
389
1031000
3000
A Prakash Központ az egészségügyet,
17:29
education and research in a way
390
1034000
2000
az oktatást és a kutatást integrálná
17:31
that truly creates the whole
391
1036000
2000
oly módon, hogy egészként
17:33
to be greater than the sum of the parts.
392
1038000
3000
kitűnő egyveleget alkot, jobbat, mint külön-külön.
17:36
So, to summarize: Prakash, in its five years of existence,
393
1041000
3000
Összefoglalva, Prakash az ötéves tapasztalata során
17:39
it's had an impact in multiple areas,
394
1044000
3000
több egyéb területre is hatással volt,
17:42
ranging from basic neuroscience
395
1047000
2000
az alapvető ideggyógyászat plaszticitástól kezdve
17:44
plasticity and learning in the brain,
396
1049000
2000
az agy tanulásáról alkotott elképzelésen át
17:46
to clinically relevant hypotheses like in autism,
397
1051000
4000
olyan fontos klinikai elméletekre mint az autizmus,
17:50
the development of autonomous machine vision systems,
398
1055000
3000
az önálló gépesített látórendszer kifejlesztésére,
17:53
education of the undergraduate and graduate students,
399
1058000
3000
a végzés előtti és végzős hallgatók tanulására,
17:56
and most importantly in the alleviation
400
1061000
2000
a gyerekkori
17:58
of childhood blindness.
401
1063000
2000
vakság gyógyítására.
18:00
And for my students and I, it's been
402
1065000
2000
A diákjaim számára és számomra
18:02
just a phenomenal experience
403
1067000
2000
egy fenomenális élményt jelentett,
18:04
because we have gotten to do interesting research,
404
1069000
4000
mert érdekes kutatásokat végeztünk,
18:08
while at the same time
405
1073000
2000
s ugyanakkor
18:10
helping the many children that we have worked with.
406
1075000
2000
segíteni tudtunk a gyerekeken, akikkel együtt dolgoztunk.
18:12
Thank you very much.
407
1077000
2000
Köszönöm szépen.
18:14
(Applause)
408
1079000
2000
(Taps)
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