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

پراتیک شاه: چطور هوش مصنوعی تشخیص بیماری را آسان‌تر می‌کند

Filmed:
1,571,835 views

الگوریتم‌های هوش مصنوعی امروزی به ده‌ها هزار تصویر پزشکی گران نیاز دارند تا بیماری بیمار را تشخیص دهند. چه می‌شد اگر می‌توانستیم میزان اطلاعات لازم برای آموزش یک هوش مصنوعی را به طور چشمگیری کاهش دهیم، تشخیص بیماری را کم‌هزینه‌تر و موثرتر کنیم؟ همکار TED پراتیک شاه روی سیستمی به همین منظور کار می‌کند. با استفاده از یک روش نامعمول هوش مصنوعی، شاه الگوریتم کارآیی را توسعه داده -- و می‌تواند حتی با تصاویر گرفته شده با گوشی پزشکان تشخیص را انجام دهد. ببینید چطور این روش تحلیل اطلاعات پزشکی می‌تواند به شناسایی زودهنگام بیماری‌های خطرناک منجر شود و تشخیص بوسیله هوش مصنوعی را به سیستم‌های مراقبت‌های پزشکی بیشتری در سراسر دنیا ارائه دهد.
- 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
Computerکامپیوتر algorithmsالگوریتم ها todayامروز
are performingاجرای incredibleباور نکردنی tasksوظایف
0
1280
3856
امروز الگوریتم‌های کامپیوتری
در حال انجام وظایفی باورنکردنی هستند
00:17
with highبالا accuraciesسیگنالهای, at a massiveعظیم scaleمقیاس,
usingاستفاده كردن human-likeمانند انسان intelligenceهوش.
1
5160
4736
با دقت بالا، در ابعاد عظیم،
با استفاده از هوش شبه انسانی.
00:21
And this intelligenceهوش of computersکامپیوترها
is oftenغالبا referredمعرفی شده to as AIAI
2
9920
3936
و به این هوش کامپیوترها
معمولا AI گفته می‌شود
00:25
or artificialمصنوعی intelligenceهوش.
3
13880
1856
یا هوش مصنوعی.
00:27
AIAI is poisedآمادگی to make an incredibleباور نکردنی impactتأثیر
on our livesزندگی می کند in the futureآینده.
4
15760
4200
هوش مصنوعی به وجود آمده تا تاثیر شگرفی
در زندگی آینده ما داشته باشد.
00:32
Todayامروز, howeverبا این حال,
we still faceصورت massiveعظیم challengesچالش ها
5
20880
3936
با این وجود امروزه هنوز
با چالش‌های بزرگی روبرو هستیم
00:36
in detectingتشخیص and diagnosingتشخیص
severalچند life-threateningتهدید کننده زندگی illnessesبیماری ها,
6
24840
3496
در شناسایی و تشخیص چندین بیماری خطرناک،
00:40
suchچنین as infectiousعفونی diseasesبیماری ها and cancerسرطان.
7
28360
2360
مانند بیماری‌های عفونی و سرطان.
00:44
Thousandsهزاران نفر of patientsبیماران everyهرکدام yearسال
8
32000
2296
هر سال هزاران بیمار
00:46
loseاز دست دادن theirخودشان livesزندگی می کند
dueناشی از to liverکبد and oralدهانی cancerسرطان.
9
34320
2800
جان خود را به خاطر سرطان کبد
یا دهان از دست می‌دهند.
00:49
Our bestبهترین way to help these patientsبیماران
10
37880
2696
بهترین روش ما برای کمک به این بیماران
00:52
is to performانجام دادن earlyزود detectionتشخیص
and diagnosesتشخیص داده می شود of these diseasesبیماری ها.
11
40600
4320
شناسایی و تشخیص زودهنگام
این بیماری‌ها است.
00:57
So how do we detectتشخیص these diseasesبیماری ها todayامروز,
and can artificialمصنوعی intelligenceهوش help?
12
45880
4160
خوب امروز چطور این بیماری‌ها را شناسایی
می‌کنیم، و آیا هوش مصنوعی می‌تواند کمک کند؟
01:03
In patientsبیماران who, unfortunatelyمتاسفانه,
are suspectedمشکوک of these diseasesبیماری ها,
13
51920
3656
در بیمارانی که، متاسفانه،
مشکوک به این بیماری‌ها هستند،
01:07
an expertکارشناس physicianپزشک first ordersسفارشات
14
55600
2656
پزشک متخصص ابتدا دستور می‌دهد
01:10
very expensiveگران
medicalپزشکی imagingتصویربرداری technologiesفن آوری ها
15
58280
2616
تصویربرداری‌های پزشکی بسیار گرانی
01:12
suchچنین as fluorescentفلورسنت imagingتصویربرداری,
CTsسندرم تونل کارپ, MRIsMRIs, to be performedانجام.
16
60920
4096
مانند تصویربرداری فلوئورسانت،
سی‌تی و ام‌آر‌آی انجام شوند.
01:17
Onceیک بار those imagesتصاویر are collectedجمع آوری شده,
17
65040
2296
بعد از گرفتن آن تصویرها،
01:19
anotherیکی دیگر expertکارشناس physicianپزشک then diagnosesتشخیص داده می شود
those imagesتصاویر and talksگفتگو to the patientصبور.
18
67360
4520
پزشک متخصص دیگری با آن تصاویر
تشخیص می‌دهد و با بیمار صحبت می‌کند.
01:24
As you can see, this is
a very resource-intensiveمنابع فشرده processروند,
19
72520
3456
و می‌بینید که این فرایندی
بسیار هزینه‌بر است،
01:28
requiringنیاز به bothهر دو expertکارشناس physiciansپزشکان,
expensiveگران medicalپزشکی imagingتصویربرداری technologiesفن آوری ها,
20
76000
4416
و هم به پزشکان متخصص نیاز دارد، و هم
فناوری‌های گران‌قیمت تصویربرداری پزشکی،
01:32
and is not consideredدر نظر گرفته شده practicalکاربردی
for the developingدر حال توسعه worldجهان.
21
80440
3096
و برای کشورهای در حال توسعه
کاربردی تلقی نمی‌شود.
01:35
And in factواقعیت, in manyبسیاری
industrializedصنعتی nationsملت ها, as well.
22
83560
3360
و البته برای بسیاری از
کشورهای صنعتی هم به همچنین.
01:39
So, can we solveحل this problemمسئله
usingاستفاده كردن artificialمصنوعی intelligenceهوش?
23
87760
2880
پس می‌توانیم این مشکل را
با هوش مصنوعی حل کنیم؟
01:43
Todayامروز, if I were to use traditionalسنتی
artificialمصنوعی intelligenceهوش architecturesمعماری
24
91840
4056
امروز، اگر می‌خواستم
با معماری‌های هوش مصنوعی سنتی
01:47
to solveحل this problemمسئله,
25
95920
1216
این مشکل را حل کنم،
01:49
I would requireنیاز 10,000 --
26
97160
1456
به ۱۰٫۰۰۰ --
01:50
I repeatتکرار, on an orderسفارش of 10,000
of these very expensiveگران medicalپزشکی imagesتصاویر
27
98640
4016
تکرار می‌کنم، لازم بود اول چیزی حدود
۱۰٫۰۰۰ از این تصویرهای بسیار گران
01:54
first to be generatedتولید شده است.
28
102680
1376
گرفته شوند.
01:56
After that, I would then go
to an expertکارشناس physicianپزشک,
29
104080
2896
پس از آن، پیش یک متخصص می‌رفتم،
01:59
who would then analyzeتجزیه و تحلیل
those imagesتصاویر for me.
30
107000
2496
تا آن تصاویر را برای من تحلیل کند.
02:01
And usingاستفاده كردن those two piecesقطعات of informationاطلاعات,
31
109520
2096
و با استفاده از این دو اطلاعات،
02:03
I can trainقطار a standardاستاندارد deepعمیق neuralعصبی networkشبکه
or a deepعمیق learningیادگیری networkشبکه
32
111640
3656
می‌توانم یک شبکه عصبی عمیق استاندارد
یا یک شبکه یادگیری عمیق بسازم
02:07
to provideفراهم کند patient'sبیماران diagnosisتشخیص.
33
115320
2136
که تشخیص را برای بیماران انجام دهد.
02:09
Similarمشابه to the first approachرویکرد,
34
117480
1736
مشابه روش اول،
02:11
traditionalسنتی artificialمصنوعی
intelligenceهوش approachesرویکردها
35
119240
2143
روش‌های هوش مصنوعی سنتی هم
02:13
sufferرنج بردن from the sameیکسان problemمسئله.
36
121407
1449
از مشکلات مشابهی رنج می‌برند.
02:14
Largeبزرگ amountsمقادیر of dataداده ها, expertکارشناس physiciansپزشکان
and expertکارشناس medicalپزشکی imagingتصویربرداری technologiesفن آوری ها.
37
122880
4560
میزان زیادی اطلاعات، پزشکان متخصص
و فناوری‌های تصویربرداری تخصصی پزشکی.
02:20
So, can we inventاختراع کردن more scalableمقیاس پذیر, effectiveتاثير گذار
38
128320
4296
خوب، آیا می‌توانیم معماری‌های هوش مصنوعی
02:24
and more valuableبا ارزش artificialمصنوعی
intelligenceهوش architecturesمعماری
39
132640
3296
مقیاس‌پذیرتر، موثرتر
و باارزش‌تری ایجاد کنیم
02:27
to solveحل these very importantمهم
problemsمشکلات facingروبرو شدن us todayامروز?
40
135960
3056
که این مشکلات بسیار مهم
که امروز پیش روی ما هستند را حل کنند؟
02:31
And this is exactlyدقیقا
what my groupگروه at MITMIT Mediaرسانه ها Labآزمایشگاه does.
41
139040
3296
و این دقیقا کاری است که گروه من
در آزمایشگاه رسانه MIT انجام می‌دهد.
02:34
We have inventedاختراع شده است a varietyتنوع
of unorthodoxغیر متعصب AIAI architecturesمعماری
42
142360
3856
ما گونه‌های مختلف نامعمولی
از معماری هوش مصنوعی اختراع کرده‌ایم
02:38
to solveحل some of the mostاکثر importantمهم
challengesچالش ها facingروبرو شدن us todayامروز
43
146240
3176
تا بعضی از مهم‌ترین چالش‌های امروزی پیش رو
02:41
in medicalپزشکی imagingتصویربرداری and clinicalبالینی trialsآزمایش های.
44
149440
2200
در تصویربرداری پزشکی
و آزمایش‌های بالینی را حل کنیم.
02:44
In the exampleمثال I sharedبه اشتراک گذاشته شده
with you todayامروز, we had two goalsاهداف.
45
152480
3056
در مثالی که امروز با شما
مطرح کردم، دو هدف داشتیم.
02:47
Our first goalهدف was to reduceكاهش دادن
the numberعدد of imagesتصاویر
46
155560
2976
هدف اول کاهش تعداد تصاویر
02:50
requiredضروری to trainقطار
artificialمصنوعی intelligenceهوش algorithmsالگوریتم ها.
47
158560
3256
مورد نیاز برای آموزش
به الگوریتم‌های هوش مصنوعی بود.
02:53
Our secondدومین goalهدف -- we were more ambitiousبلند پروازانه,
48
161840
2096
هدف دوم -- جاه‌طلب‌تر شدیم،
02:55
we wanted to reduceكاهش دادن the use
of expensiveگران medicalپزشکی imagingتصویربرداری technologiesفن آوری ها
49
163960
3736
می‌خواستیم استفاده از فناوری‌های گران
تصویربرداری پزشکی را هم
02:59
to screenصفحه نمایش patientsبیماران.
50
167720
1216
برای بررسی بیماران کاهش دهیم.
03:00
So how did we do it?
51
168960
1200
خوب چطور این کار را کردیم؟
03:02
For our first goalهدف,
52
170920
1216
برای هدف اول‌مان،
03:04
insteadبجای of startingراه افتادن
with tensده ها and thousandsهزاران نفر
53
172160
2056
به جای شروع با ده‌ها هزار
03:06
of these very expensiveگران medicalپزشکی imagesتصاویر,
like traditionalسنتی AIAI,
54
174240
3016
تصویر گران‌قیمت پزشکی مثل هوش مصنوعی سنتی،
03:09
we startedآغاز شده with a singleتنها medicalپزشکی imageتصویر.
55
177280
2056
با یک تصویر پزشکی شروع کردیم.
03:11
From this imageتصویر, my teamتیم and I
figuredشکل گرفته out a very cleverباهوش way
56
179360
3776
از این تصویر، من و گروهم روشی هوشمندانه
03:15
to extractاستخراج کردن billionsمیلیاردها دلار
of informationاطلاعات packetsبسته ها.
57
183160
2736
برای استخراج میلیاردها
بسته اطلاعات پیدا کردیم.
03:17
These informationاطلاعات packetsبسته ها
includedمشمول colorsرنگ ها, pixelsپیکسل, geometryهندسه
58
185920
3696
این بسته‌های اطلاعات
شامل رنگ، پیکسل، هندسه
03:21
and renderingتفسیر of the diseaseمرض
on the medicalپزشکی imageتصویر.
59
189640
2536
و ترجمه بیماری روی تصویر پزشکی بود.
03:24
In a senseاحساس, we convertedتبدیل شده است one imageتصویر
into billionsمیلیاردها دلار of trainingآموزش dataداده ها pointsنکته ها,
60
192200
4336
به بیانی، ما یک عکس را به میلیاردها
نقطه اطلاعاتی آموزشی تبدیل کردیم،
03:28
massivelyبه شدت reducingكم كردن the amountمیزان of dataداده ها
neededمورد نیاز است for trainingآموزش.
61
196560
3536
که به طور قابل توجهی میزان
اطلاعات لازم برای آموزش را کاهش داد.
03:32
For our secondدومین goalهدف,
62
200120
1216
برای هدف دوم‌مان،
03:33
to reduceكاهش دادن the use of expensiveگران medicalپزشکی
imagingتصویربرداری technologiesفن آوری ها to screenصفحه نمایش patientsبیماران,
63
201360
3856
برای کاهش استفاده از فناوری‌های تصویربرداری
گران‌قیمت پزشکی برای بررسی بیماران،
03:37
we startedآغاز شده with a standardاستاندارد,
whiteسفید lightسبک photographعکس,
64
205240
2856
ما با یک عکس استاندارد
با نور سفید شروع کردیم،
03:40
acquiredبه دست آورد eitherیا from a DSLRDSLR cameraدوربین
or a mobileسیار phoneتلفن, for the patientصبور.
65
208120
4336
که با یک دوربین DSLR
یا دوربین گوشی از بیمار گرفته شده بود.
03:44
Then rememberیاد آوردن those
billionsمیلیاردها دلار of informationاطلاعات packetsبسته ها?
66
212480
2456
بعد، آن میلیاردها بسته
اطلاعاتی را یادتان هست؟
03:46
We overlaidپوشش داده شده those from
the medicalپزشکی imageتصویر ontoبه سوی this imageتصویر,
67
214960
3536
ما آنها را از تصویر پزشکی
روی این عکس انداختیم،
03:50
creatingپدید آوردن something
that we call a compositeکامپوزیت imageتصویر.
68
218520
2520
تا چیزی بسازیم که به آن
تصویر مرکب می‌گوییم.
03:53
Much to our surpriseتعجب,
we only requiredضروری 50 --
69
221480
3296
در عین ناباوری، فقط به ۵۰ عکس --
03:56
I repeatتکرار, only 50 --
70
224800
1336
تکرار می‌کنم، فقط ۵۰ --
03:58
of these compositeکامپوزیت imagesتصاویر to trainقطار
our algorithmsالگوریتم ها to highبالا efficienciesکارایی.
71
226160
3840
از این عکس‌های ترکیبی را برای آموزش
الگوریتم‌مان برای بازدهی بالا نیاز داشتیم.
04:02
To summarizeخلاصه کن our approachرویکرد,
72
230680
1336
برای خلاصه کردن روش‌مان،
04:04
insteadبجای of usingاستفاده كردن 10,000
very expensiveگران medicalپزشکی imagesتصاویر,
73
232040
3176
به جای استفاده از ۱۰٫۰۰۰
عکس پزشکی خیلی گران،
04:07
we can now trainقطار the AIAI algorithmsالگوریتم ها
in an unorthodoxغیر متعصب way,
74
235240
3016
حالا می‌توانیم الگوریتم هوش مصنوعی را
به روشی نامعمول آموزش دهیم،
04:10
usingاستفاده كردن only 50 of these high-resolutionکیفیت بالا,
but standardاستاندارد photographsعکس ها,
75
238280
4256
با استفاده از فقط ۵۰ عکس
رزولوشن بالا، اما استاندارد،
04:14
acquiredبه دست آورد from DSLRDSLR camerasدوربین ها
and mobileسیار phonesتلفن ها,
76
242560
2496
که با دوربین DSLR
و گوشی موبایل گرفته شده است،
04:17
and provideفراهم کند diagnosisتشخیص.
77
245080
1536
و تشخیص را انجام دهیم.
04:18
More importantlyمهم است,
78
246640
1216
مهم‌تر اینکه،
04:19
our algorithmsالگوریتم ها can acceptقبول کردن,
in the futureآینده and even right now,
79
247880
3136
الگوریتم ما می‌تواند، در آینده و حتی حالا،
04:23
some very simpleساده, whiteسفید lightسبک
photographsعکس ها from the patientصبور,
80
251040
2816
عکس‌های بسیار ساده
نور سفید از بیمار را بپذیرد،
04:25
insteadبجای of expensiveگران
medicalپزشکی imagingتصویربرداری technologiesفن آوری ها.
81
253880
2440
به جای فناوری‌های گران تصویربرداری پزشکی.
04:29
I believe that we are poisedآمادگی
to enterوارد an eraدوران
82
257120
3096
من بر این باورم
که در حال ورود به دورانی هستیم
04:32
where artificialمصنوعی intelligenceهوش
83
260240
1936
که هوش مصنوعی
04:34
is going to make an incredibleباور نکردنی
impactتأثیر on our futureآینده.
84
262200
2536
تاثیری باورنکردنی بر آینده خواهد گذاشت.
04:36
And I think that thinkingفكر كردن
about traditionalسنتی AIAI,
85
264760
2456
و من فکر می‌کنم که در کنار
فکر کردن به هوش مصنوعی سنتی،
04:39
whichکه is data-richاطلاعات غنی but application-poorنرم افزار پور,
86
267240
2776
که اطلاعات زیادی می‌خواهد
اما کارایی کمی دارد،
04:42
we should alsoهمچنین continueادامه دهید thinkingفكر كردن
87
270040
1536
همچنین باید
04:43
about unorthodoxغیر متعصب artificialمصنوعی
intelligenceهوش architecturesمعماری,
88
271600
3016
به معماری‌های هوش مصنوعی نامعمول فکر کنیم،
04:46
whichکه can acceptقبول کردن smallکوچک amountsمقادیر of dataداده ها
89
274640
1936
که می‌توانند میزان کمی اطلاعات بگیرند
04:48
and solveحل some of the mostاکثر importantمهم
problemsمشکلات facingروبرو شدن us todayامروز,
90
276600
2936
و بعضی از مهم‌ترین مشکلات امروزی
پیش روی ما را حل کنند،
04:51
especiallyبه خصوص in healthسلامتی careاهميت دادن.
91
279560
1256
مخصوصا در زمینه مراقبت‌های بهداشتی.
04:52
Thank you very much.
92
280840
1216
خیلی متشکرم.
04:54
(Applauseتشویق و تمجید)
93
282080
3840
(متشکرم)
Translated by Sadegh Zabihi
Reviewed by Mary Jane

▲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