TEDGlobal 2017
Pratik Shah: How AI is making it easier to diagnose disease
Pratik Shah: Comment l'intelligence artificielle facilite les diagnostics médicaux
Filmed:
Readability: 6.9
1,571,835 views
Aujourd'hui, les algorithmes de l'intelligence artificielle (IA) ont besoin de dizaines de milliers d'images médicales très couteuses pour détecter une maladie chez un patient. Que se passerait-il si nous parvenons à réduire drastiquement le temps d'apprentissage de l'IA pour rendre ses diagnostics bon marché et plus efficaces ? Le docteur Pratik Shah TED Fellow, travaille sur un système plus malin qui a cet objectif précis. Sur base d'une approche peu orthodoxe de l'IA, il a développé une technologie qui nécessite à peine 50 images pour développer un algorithme fonctionnel. Il peut même fournir un diagnostic sur base de photos prises par les médecins sur leur smartphone. Il nous explique comment cette nouvelle méthode d'analyse des données médicales peut mener à des détections précoces de maladies mortelles et comment un diagnostic assisté par l'IA peur conduire à une amélioration de la santé au niveau mondial.
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
Les algorithmes réalisent aujourd'hui,
des tâches incroyables,
des tâches incroyables,
avec haute précision,
à une échelle massive,
à une échelle massive,
00:17
with high accuracies, at a massive scale,
using human-like intelligence.
using human-like intelligence.
1
5160
4736
basés sur une intelligence
similaire à l'homme.
similaire à l'homme.
00:21
And this intelligence of computers
is often referred to as AI
is often referred to as AI
2
9920
3936
Cette forme d'intelligence des ordinateurs
est souvent appelée IA,
est souvent appelée IA,
00:25
or artificial intelligence.
3
13880
1856
l'intelligence artificielle.
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
L'IA est sur le point d'avoir un impact
extraordinaire sur nos vies.
extraordinaire sur nos vies.
00:32
Today, however,
we still face massive challenges
we still face massive challenges
5
20880
3936
Toutefois, il nous reste des défis majeurs
00:36
in detecting and diagnosing
several life-threatening illnesses,
several life-threatening illnesses,
6
24840
3496
pour détecter et diagnostiquer
plusieurs maladies mortelles
plusieurs maladies mortelles
00:40
such as infectious diseases and cancer.
7
28360
2360
comme les maladies infectieuses
ou le cancer.
ou le cancer.
00:44
Thousands of patients every year
8
32000
2296
Chaque année, des milliers de patients
00:46
lose their lives
due to liver and oral cancer.
due to liver and oral cancer.
9
34320
2800
perdent la vie à cause du cancer
du foie ou buccal.
du foie ou buccal.
00:49
Our best way to help these patients
10
37880
2696
Notre meilleur moyen à disposition
pour aider ces patients
pour aider ces patients
00:52
is to perform early detection
and diagnoses of these diseases.
and diagnoses of these diseases.
11
40600
4320
est une détection et un diagnostic
précoces de ces affections.
précoces de ces affections.
00:57
So how do we detect these diseases today,
and can artificial intelligence help?
and can artificial intelligence help?
12
45880
4160
Comment ces maladies sont-elles détectées
et l'usage de l'IA fait-il sens ?
et l'usage de l'IA fait-il sens ?
01:03
In patients who, unfortunately,
are suspected of these diseases,
are suspected of these diseases,
13
51920
3656
Quand un patient, malheureusement,
semble avoir une de ces affections,
semble avoir une de ces affections,
01:07
an expert physician first orders
14
55600
2656
le spécialiste va d'abord requérir
01:10
very expensive
medical imaging technologies
medical imaging technologies
15
58280
2616
des analyses très onéreuses
avec des technologies
d'imagerie médicale
d'imagerie médicale
01:12
such as fluorescent imaging,
CTs, MRIs, to be performed.
CTs, MRIs, to be performed.
16
60920
4096
telles l'imagerie par fluorescence,
une tomodensitométrie ou un IRM.
une tomodensitométrie ou un IRM.
01:17
Once those images are collected,
17
65040
2296
Une fois les images à disposition,
01:19
another expert physician then diagnoses
those images and talks to the patient.
those images and talks to the patient.
18
67360
4520
un autre spécialiste en fait un diagnostic
et parle avec le patient.
et parle avec le patient.
01:24
As you can see, this is
a very resource-intensive process,
a very resource-intensive process,
19
72520
3456
Vous le constatez, ce processus exige
beaucoup de ressources,
beaucoup de ressources,
01:28
requiring both expert physicians,
expensive medical imaging technologies,
expensive medical imaging technologies,
20
76000
4416
deux médecins spécialistes,
de l'imagerie médicale très onéreuse,
de l'imagerie médicale très onéreuse,
et ce n'est pas envisageable
dans les pays en développement.
dans les pays en développement.
01:32
and is not considered practical
for the developing world.
for the developing world.
21
80440
3096
01:35
And in fact, in many
industrialized nations, as well.
industrialized nations, as well.
22
83560
3360
Ni d'ailleurs dans de nombreuses
nations industrialisées.
nations industrialisées.
01:39
So, can we solve this problem
using artificial intelligence?
using artificial intelligence?
23
87760
2880
Peut-on résoudre ce problème
avec l'intelligence artificielle ?
avec l'intelligence artificielle ?
01:43
Today, if I were to use traditional
artificial intelligence architectures
artificial intelligence architectures
24
91840
4056
Actuellement, si nous utilisons
les architectures classiques d'IA
les architectures classiques d'IA
pour résoudre ce problème,
nous aurions besoin de 10 000 --
nous aurions besoin de 10 000 --
01:47
to solve this problem,
25
95920
1216
01:49
I would require 10,000 --
26
97160
1456
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
j'insiste -- de générer 10 000
de ces images médicales si chères.
de ces images médicales si chères.
01:54
first to be generated.
28
102680
1376
01:56
After that, I would then go
to an expert physician,
to an expert physician,
29
104080
2896
Ensuite, nous les confierions
à un spécialiste
à un spécialiste
01:59
who would then analyze
those images for me.
those images for me.
30
107000
2496
qui les analyserait à notre attention.
02:01
And using those two pieces of information,
31
109520
2096
A partir ces deux informations,
02:03
I can train a standard deep neural network
or a deep learning network
or a deep learning network
32
111640
3656
je peux former un réseau de neurones,
ou réseau d'apprentissage profond,
ou réseau d'apprentissage profond,
02:07
to provide patient's diagnosis.
33
115320
2136
à réaliser des diagnostics de patients.
02:09
Similar to the first approach,
34
117480
1736
D'autres approches similaires,
02:11
traditional artificial
intelligence approaches
intelligence approaches
35
119240
2143
des approches traditionnelles de l'IA,
sont pénalisées par le même problème :
sont pénalisées par le même problème :
02:13
suffer from the same problem.
36
121407
1449
02:14
Large amounts of data, expert physicians
and expert medical imaging technologies.
and expert medical imaging technologies.
37
122880
4560
un volume important de données,
des médecins spécialistes
des médecins spécialistes
et des experts en imagerie médicale.
02:20
So, can we invent more scalable, effective
38
128320
4296
Pourrions-nous concevoir
des architectures d'IA
des architectures d'IA
02:24
and more valuable artificial
intelligence architectures
intelligence architectures
39
132640
3296
plus évolutives,
plus efficaces et plus utiles,
plus efficaces et plus utiles,
pour résoudre ces problèmes cruciaux
auxquels nous sommes confrontés ?
auxquels nous sommes confrontés ?
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
C'est précisément ce que nous faisons
au Media Lab du MIT.
au Media Lab du MIT.
02:34
We have invented a variety
of unorthodox AI architectures
of unorthodox AI architectures
42
142360
3856
Nous avons inventé une série
d'architectures d'IA inhabituelles
d'architectures d'IA inhabituelles
02:38
to solve some of the most important
challenges facing us today
challenges facing us today
43
146240
3176
pour résoudre les défis
les plus importants
les plus importants
dans l'imagerie médicale
et les tests cliniques.
et les tests cliniques.
02:41
in medical imaging and clinical trials.
44
149440
2200
02:44
In the example I shared
with you today, we had two goals.
with you today, we had two goals.
45
152480
3056
Dans l'exemple que je vous ai montré,
nous avions deux objectifs.
nous avions deux objectifs.
02:47
Our first goal was to reduce
the number of images
the number of images
46
155560
2976
Le premier consiste
à réduire le nombre d'images
à réduire le nombre d'images
02:50
required to train
artificial intelligence algorithms.
artificial intelligence algorithms.
47
158560
3256
nécessaire pour former
les algorithmes de l'IA.
les algorithmes de l'IA.
02:53
Our second goal -- we were more ambitious,
48
161840
2096
Notre deuxième objectif, plus ambitieux,
02:55
we wanted to reduce the use
of expensive medical imaging technologies
of expensive medical imaging technologies
49
163960
3736
est de vouloir réduire l'usage
de technologies d'imagerie médicale chères
de technologies d'imagerie médicale chères
02:59
to screen patients.
50
167720
1216
pour examiner les patients.
03:00
So how did we do it?
51
168960
1200
Comment avons-nous fait ?
03:02
For our first goal,
52
170920
1216
Pour le premier objectif,
au lieu de commencer
avec des dizaines de milliers
avec des dizaines de milliers
03:04
instead of starting
with tens and thousands
with tens and thousands
53
172160
2056
03:06
of these very expensive medical images,
like traditional AI,
like traditional AI,
54
174240
3016
d'images médicales chères,
comme pour une IA traditionnelle,
comme pour une IA traditionnelle,
03:09
we started with a single medical image.
55
177280
2056
on a commencé avec une seule image.
À partir de cette image, avec mon équipe,
on a trouvé une manière très ingénieuse
on a trouvé une manière très ingénieuse
03:11
From this image, my team and I
figured out a very clever way
figured out a very clever way
56
179360
3776
03:15
to extract billions
of information packets.
of information packets.
57
183160
2736
d'extraire des milliards
de paquets de données.
de paquets de données.
03:17
These information packets
included colors, pixels, geometry
included colors, pixels, geometry
58
185920
3696
Ces paquets d'informations incluent
des couleurs, des pixels, la géométrie,
des couleurs, des pixels, la géométrie,
03:21
and rendering of the disease
on the medical image.
on the medical image.
59
189640
2536
et le rendu de la maladie
sur l'image médicale.
sur l'image médicale.
03:24
In a sense, we converted one image
into billions of training data points,
into billions of training data points,
60
192200
4336
En fait, on a converti une image
en milliards de données de formation,
en milliards de données de formation,
réduisant ainsi massivement le volume
de données nécessaire à cette formation.
de données nécessaire à cette formation.
03:28
massively reducing the amount of data
needed for training.
needed for training.
61
196560
3536
03:32
For our second goal,
62
200120
1216
Pour notre 2e objectif, réduire l'usage
de technologies d'imagerie médicale
de technologies d'imagerie médicale
03:33
to reduce the use of expensive medical
imaging technologies to screen patients,
imaging technologies to screen patients,
63
201360
3856
pour examiner les patients,
03:37
we started with a standard,
white light photograph,
white light photograph,
64
205240
2856
on a commencé avec une photo
normale, à la lumière du jour,
normale, à la lumière du jour,
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
prise avec un appareil photographique
reflex mono-objectif, ou un smartphone.
reflex mono-objectif, ou un smartphone.
03:44
Then remember those
billions of information packets?
billions of information packets?
66
212480
2456
Souvenez-vous maintenant
des milliards de paquets d'informations.
des milliards de paquets d'informations.
03:46
We overlaid those from
the medical image onto this image,
the medical image onto this image,
67
214960
3536
On les a superposés
à partir de l'image médicale,
à partir de l'image médicale,
03:50
creating something
that we call a composite image.
that we call a composite image.
68
218520
2520
créant ce qu'on appelle
une image composite.
une image composite.
03:53
Much to our surprise,
we only required 50 --
we only required 50 --
69
221480
3296
À notre grande surprise,
nous n'avons eu besoin de seulement 50,
nous n'avons eu besoin de seulement 50,
03:56
I repeat, only 50 --
70
224800
1336
j'insiste, seulement 50,
03:58
of these composite images to train
our algorithms to high efficiencies.
our algorithms to high efficiencies.
71
226160
3840
de ces images composites
pour entraîner notre algorithme
pour entraîner notre algorithme
et le rendre très efficient.
04:02
To summarize our approach,
72
230680
1336
Pour résumer notre approche,
04:04
instead of using 10,000
very expensive medical images,
very expensive medical images,
73
232040
3176
au lieu d'utiliser 10 000 images
médicales très chères,
médicales très chères,
nous pouvons former les algorithmes
de l'IA avec des moyens non traditionnels
de l'IA avec des moyens non traditionnels
04:07
we can now train the AI algorithms
in an unorthodox way,
in an unorthodox way,
74
235240
3016
04:10
using only 50 of these high-resolution,
but standard photographs,
but standard photographs,
75
238280
4256
et utiliser seulement 50 photos
de haute résolution certes, mais standard,
de haute résolution certes, mais standard,
04:14
acquired from DSLR cameras
and mobile phones,
and mobile phones,
76
242560
2496
prises avec des appareils photos
et des smartphones,
et des smartphones,
04:17
and provide diagnosis.
77
245080
1536
et réaliser un diagnostic.
04:18
More importantly,
78
246640
1216
Plus important,
04:19
our algorithms can accept,
in the future and even right now,
in the future and even right now,
79
247880
3136
nos algorithmes travaillent
déjà aujourd'hui
déjà aujourd'hui
avec de simples photos des patients
prises à la lumière du jour
prises à la lumière du jour
04:23
some very simple, white light
photographs from the patient,
photographs from the patient,
80
251040
2816
04:25
instead of expensive
medical imaging technologies.
medical imaging technologies.
81
253880
2440
en lieu et place des technologies
onéreuses d'imagerie médicale.
onéreuses d'imagerie médicale.
04:29
I believe that we are poised
to enter an era
to enter an era
82
257120
3096
Je suis convaincu que nous sommes
sur le point d'entrer dans une ère
sur le point d'entrer dans une ère
04:32
where artificial intelligence
83
260240
1936
où l'intelligence artificielle va avoir
un impact incroyable sur notre avenir.
un impact incroyable sur notre avenir.
04:34
is going to make an incredible
impact on our future.
impact on our future.
84
262200
2536
04:36
And I think that thinking
about traditional AI,
about traditional AI,
85
264760
2456
Et je pense au sujet
de l'IA traditionnelle,
de l'IA traditionnelle,
04:39
which is data-rich but application-poor,
86
267240
2776
riche en données
mais avec peu d'application,
mais avec peu d'application,
04:42
we should also continue thinking
87
270040
1536
que nous devrions persévérer
dans le développement
dans le développement
04:43
about unorthodox artificial
intelligence architectures,
intelligence architectures,
88
271600
3016
d'architectures d'IA non orthodoxes
04:46
which can accept small amounts of data
89
274640
1936
capables d'accepter
des petits volumes de données
des petits volumes de données
04:48
and solve some of the most important
problems facing us today,
problems facing us today,
90
276600
2936
et résoudre nos problèmes
les plus importants,
les plus importants,
04:51
especially in health care.
91
279560
1256
principalement dans la santé.
04:52
Thank you very much.
92
280840
1216
Merci beaucoup.
04:54
(Applause)
93
282080
3840
(Applaudissements)
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