TEDGlobal 2017
Pratik Shah: How AI is making it easier to diagnose disease
Pratick Shah: Come l'Intelligenza Artificiale rende più semplice la diagnosi delle malattie
Filmed:
Readability: 6.9
1,571,835 views
Gli algoritmi di Intelligenza Artificiale odierni richiedono decine di migliaia di costose immagini mediche per rilevare la malattia di un paziente. Ma se potessimo drasticamente ridurre la quantità di dati necessari al processo di apprendimento dell'Intelligenza Artificiale, rendendo il processo diagnostico più economico e più efficiente? Pratik Shah, TED Fellow, sta progettando un sistema IA proprio per questo proposito. Usando un approccio non ortodosso, Shah ha sviluppato una tecnologia che necessita di sole 50 immagini per sviluppare un algoritmo a piena funzionalità - che può anche utilizzare fotografie acquisite dal cellulare al fine di formulare una diagnosi.
Approfondite come questo nuovo metodo di analisi può portare alla diagnosi precoce di malattie mortali e condurre la diagnosi assistita da IA verso nuove prospettive, in tutto il mondo.
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
Oggi, gli algoritmi informatici
eseguono compiti incredibili
eseguono compiti incredibili
00:17
with high accuracies, at a massive scale,
using human-like intelligence.
using human-like intelligence.
1
5160
4736
in modo estremamente accurato,
su vasta scala,
su vasta scala,
simulando l'intelligenza umana.
00:21
And this intelligence of computers
is often referred to as AI
is often referred to as AI
2
9920
3936
A questa intelligenza dei computer,
ci si riferisce spesso come IA
ci si riferisce spesso come IA
00:25
or artificial intelligence.
3
13880
1856
o intelligenza artificiale.
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
Si ipotizza che l'intelligenza artificiale
avrà un ruolo incredibile in futuro.
avrà un ruolo incredibile in futuro.
00:32
Today, however,
we still face massive challenges
we still face massive challenges
5
20880
3936
Oggi, comunque, ci troviamo davanti
a sfide estremamente impegnative
a sfide estremamente impegnative
00:36
in detecting and diagnosing
several life-threatening illnesses,
several life-threatening illnesses,
6
24840
3496
nel riconoscere e diagnosticare
diverse malattie potenzialmente mortali,
diverse malattie potenzialmente mortali,
00:40
such as infectious diseases and cancer.
7
28360
2360
come malattie infettive e cancro.
00:44
Thousands of patients every year
8
32000
2296
Migliaia di pazienti ogni anno,
00:46
lose their lives
due to liver and oral cancer.
due to liver and oral cancer.
9
34320
2800
muoiono per un tumore al fegato
o alla cavità orale.
o alla cavità orale.
00:49
Our best way to help these patients
10
37880
2696
Il modo migliore
per aiutare questi pazienti
per aiutare questi pazienti
00:52
is to perform early detection
and diagnoses of these diseases.
and diagnoses of these diseases.
11
40600
4320
è la prevenzione e diagnosi precoce
di queste malattie.
di queste malattie.
00:57
So how do we detect these diseases today,
and can artificial intelligence help?
and can artificial intelligence help?
12
45880
4160
Come riconoscerle e qual è il ruolo
dell'intelligenza artificiale?
dell'intelligenza artificiale?
01:03
In patients who, unfortunately,
are suspected of these diseases,
are suspected of these diseases,
13
51920
3656
Se, purtroppo, si sospetta in pazienti
l'eventualità di queste malattie,
l'eventualità di queste malattie,
01:07
an expert physician first orders
14
55600
2656
un medico esperto dapprima prescrive
01:10
very expensive
medical imaging technologies
medical imaging technologies
15
58280
2616
esami con tecnologie ad immagini
che sono molto costose,
che sono molto costose,
01:12
such as fluorescent imaging,
CTs, MRIs, to be performed.
CTs, MRIs, to be performed.
16
60920
4096
come imaging a fluorescenza,
tomografia computerizzata,
tomografia computerizzata,
risonanza magnetica.
01:17
Once those images are collected,
17
65040
2296
Dopo aver raccolto queste immagini,
01:19
another expert physician then diagnoses
those images and talks to the patient.
those images and talks to the patient.
18
67360
4520
uno specialista formula una diagnosi
e ne parla con il paziente.
e ne parla con il paziente.
01:24
As you can see, this is
a very resource-intensive process,
a very resource-intensive process,
19
72520
3456
Come potete vedere,
questo è un processo molto costoso,
questo è un processo molto costoso,
01:28
requiring both expert physicians,
expensive medical imaging technologies,
expensive medical imaging technologies,
20
76000
4416
poiché richiede sia specialisti,
sia tecnologie mediche costose
sia tecnologie mediche costose
01:32
and is not considered practical
for the developing world.
for the developing world.
21
80440
3096
e non è considerato praticabile
nei paesi in via di sviluppo.
nei paesi in via di sviluppo.
01:35
And in fact, in many
industrialized nations, as well.
industrialized nations, as well.
22
83560
3360
In realtà, neanche in molte
nazioni industrializzate.
nazioni industrializzate.
Possiamo risolvere questo problema
con l'aiuto dell'intelligenza artificiale?
con l'aiuto dell'intelligenza artificiale?
01:39
So, can we solve this problem
using artificial intelligence?
using artificial intelligence?
23
87760
2880
01:43
Today, if I were to use traditional
artificial intelligence architectures
artificial intelligence architectures
24
91840
4056
Al giorno d'oggi, se dovessimo usare
le architetture tradizionali di IA
le architetture tradizionali di IA
01:47
to solve this problem,
25
95920
1216
per risolvere questo problema,
01:49
I would require 10,000 --
26
97160
1456
ce ne vorrebbero 10.000.
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
Ripeto, 10.000 di queste
costosissime immagini mediche
costosissime immagini mediche
01:54
first to be generated.
28
102680
1376
dovrebbero essere prodotte.
01:56
After that, I would then go
to an expert physician,
to an expert physician,
29
104080
2896
In seguito dovremmo
consultare uno specialista
consultare uno specialista
01:59
who would then analyze
those images for me.
those images for me.
30
107000
2496
per analizzare le immagini.
02:01
And using those two pieces of information,
31
109520
2096
Usando questi due tipi di informazioni,
02:03
I can train a standard deep neural network
or a deep learning network
or a deep learning network
32
111640
3656
posso modellare una rete neurale standard
o processo di apprendimento in profondità
o processo di apprendimento in profondità
02:07
to provide patient's diagnosis.
33
115320
2136
per fornire la diagnosi al paziente.
02:09
Similar to the first approach,
34
117480
1736
Analogamente al primo approccio,
02:11
traditional artificial
intelligence approaches
intelligence approaches
35
119240
2143
gli approcci tradizionali di IA
02:13
suffer from the same problem.
36
121407
1449
riferiscono lo stesso problema.
02:14
Large amounts of data, expert physicians
and expert medical imaging technologies.
and expert medical imaging technologies.
37
122880
4560
Grande quantità di dati, specialisti
e tecnologie mediche ad immagini.
e tecnologie mediche ad immagini.
02:20
So, can we invent more scalable, effective
38
128320
4296
Possiamo progettare architetture
di intelligenza artificiale
di intelligenza artificiale
02:24
and more valuable artificial
intelligence architectures
intelligence architectures
39
132640
3296
più scalabili, più efficienti e più utili
per risolvere le criticità
che stiamo affrontando oggi?
che stiamo affrontando oggi?
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
È esattamente quello che facciamo
al MIT Media Lab.
al MIT Media Lab.
02:34
We have invented a variety
of unorthodox AI architectures
of unorthodox AI architectures
42
142360
3856
Abbiamo progettato numerose
architetture IA non ortodosse
architetture IA non ortodosse
02:38
to solve some of the most important
challenges facing us today
challenges facing us today
43
146240
3176
per risolvere i problemi attuali
più preoccupanti
più preoccupanti
02:41
in medical imaging and clinical trials.
44
149440
2200
nelle tecnologia clinica ad immagini
e nel processo clinico.
e nel processo clinico.
02:44
In the example I shared
with you today, we had two goals.
with you today, we had two goals.
45
152480
3056
Nell'esempio che vi ho portato oggi,
avevamo due obiettivi.
avevamo due obiettivi.
02:47
Our first goal was to reduce
the number of images
the number of images
46
155560
2976
Il primo obiettivo era
ridurre il numero di immagini
ridurre il numero di immagini
02:50
required to train
artificial intelligence algorithms.
artificial intelligence algorithms.
47
158560
3256
richieste nel processo di apprendimento
dell'algoritmo IA.
dell'algoritmo IA.
02:53
Our second goal -- we were more ambitious,
48
161840
2096
Per il secondo obiettivo,
eravamo più ambiziosi,
eravamo più ambiziosi,
02:55
we wanted to reduce the use
of expensive medical imaging technologies
of expensive medical imaging technologies
49
163960
3736
volevamo ridurre l'utilizzo
delle tecnologie mediche più costose
delle tecnologie mediche più costose
02:59
to screen patients.
50
167720
1216
per lo screening del paziente.
03:00
So how did we do it?
51
168960
1200
Come?
Per il nostro primo obiettivo,
03:02
For our first goal,
52
170920
1216
03:04
instead of starting
with tens and thousands
with tens and thousands
53
172160
2056
invece di partire con decine di migliaia
di costosissime immagini,
di costosissime immagini,
03:06
of these very expensive medical images,
like traditional AI,
like traditional AI,
54
174240
3016
come con l'IA tradizionale,
03:09
we started with a single medical image.
55
177280
2056
abbiamo iniziato con una singola lastra.
03:11
From this image, my team and I
figured out a very clever way
figured out a very clever way
56
179360
3776
Da questa lastra, insieme al mio team
ho elaborato un modo molto ingegnoso
ho elaborato un modo molto ingegnoso
03:15
to extract billions
of information packets.
of information packets.
57
183160
2736
per estrapolare miliardi
di blocchi di informazione.
di blocchi di informazione.
03:17
These information packets
included colors, pixels, geometry
included colors, pixels, geometry
58
185920
3696
Questi blocchi di informazione
includevano colori, pixel, relazione
includevano colori, pixel, relazione
03:21
and rendering of the disease
on the medical image.
on the medical image.
59
189640
2536
e interpretazione della malattia
sulla lastra.
sulla lastra.
03:24
In a sense, we converted one image
into billions of training data points,
into billions of training data points,
60
192200
4336
Pertanto, abbiamo convertito un'immagine
in miliardi di punti di apprendimento,
in miliardi di punti di apprendimento,
riducendo enormemente l'ammontare
dei dati necessari per l'apprendimento.
dei dati necessari per l'apprendimento.
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
Per il secondo obiettivo,
03:33
to reduce the use of expensive medical
imaging technologies to screen patients,
imaging technologies to screen patients,
63
201360
3856
ridurre l'uso di tecnologie costose
per l'esame clinico dei pazienti,
per l'esame clinico dei pazienti,
abbiamo cominciato con una fotografia
a luce bianca standard,
a luce bianca standard,
03:37
we started with a standard,
white light photograph,
white light photograph,
64
205240
2856
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
acquisita con una macchina digitale
o la fotocamera del cellulare.
o la fotocamera del cellulare.
03:44
Then remember those
billions of information packets?
billions of information packets?
66
212480
2456
Ricordate quei miliardi
di blocchi di informazioni?
di blocchi di informazioni?
03:46
We overlaid those from
the medical image onto this image,
the medical image onto this image,
67
214960
3536
Sono stati sovrapposti
dalla lastra su questa immagine,
dalla lastra su questa immagine,
03:50
creating something
that we call a composite image.
that we call a composite image.
68
218520
2520
creando un'immagine composta.
03:53
Much to our surprise,
we only required 50 --
we only required 50 --
69
221480
3296
Sorprendentemente,
ne sono occorse solo 50,
ne sono occorse solo 50,
03:56
I repeat, only 50 --
70
224800
1336
ripeto, solo 50
03:58
of these composite images to train
our algorithms to high efficiencies.
our algorithms to high efficiencies.
71
226160
3840
di queste immagini composte per addestrare
i nostri algoritmi ad alta efficienza.
i nostri algoritmi ad alta efficienza.
04:02
To summarize our approach,
72
230680
1336
Per riassumere,
04:04
instead of using 10,000
very expensive medical images,
very expensive medical images,
73
232040
3176
invece di usare 10.000
lastre molto costose,
lastre molto costose,
04:07
we can now train the AI algorithms
in an unorthodox way,
in an unorthodox way,
74
235240
3016
possiamo adesso addestrare algoritmi
in modo non ortodosso,
in modo non ortodosso,
04:10
using only 50 of these high-resolution,
but standard photographs,
but standard photographs,
75
238280
4256
usando solo 50 di queste fotografie
standard ma ad alta definizione,
standard ma ad alta definizione,
04:14
acquired from DSLR cameras
and mobile phones,
and mobile phones,
76
242560
2496
acquisite da macchine digitali
o cellulari,
o cellulari,
04:17
and provide diagnosis.
77
245080
1536
e formulare diagnosi.
04:18
More importantly,
78
246640
1216
Ancora più importante,
04:19
our algorithms can accept,
in the future and even right now,
in the future and even right now,
79
247880
3136
i nostri algoritmi possono accettare,
nel futuro ma anche adesso,
nel futuro ma anche adesso,
04:23
some very simple, white light
photographs from the patient,
photographs from the patient,
80
251040
2816
semplici fotografie a luci bianche
fatte dal paziente,
fatte dal paziente,
04:25
instead of expensive
medical imaging technologies.
medical imaging technologies.
81
253880
2440
invece di costose
tecnologie mediche ad immagine.
tecnologie mediche ad immagine.
04:29
I believe that we are poised
to enter an era
to enter an era
82
257120
3096
Penso che stiamo entrando in un'era
04:32
where artificial intelligence
83
260240
1936
dove l'intelligenza artificiale
04:34
is going to make an incredible
impact on our future.
impact on our future.
84
262200
2536
avrà un incredibile ruolo
nel nostro futuro.
nel nostro futuro.
Penso che ragionare sull'IA tradizionale,
04:36
And I think that thinking
about traditional AI,
about traditional AI,
85
264760
2456
04:39
which is data-rich but application-poor,
86
267240
2776
che ha molti dati ma poche applicazioni,
04:42
we should also continue thinking
87
270040
1536
implica anche elaborare
04:43
about unorthodox artificial
intelligence architectures,
intelligence architectures,
88
271600
3016
architetture IA non ortodosse,
04:46
which can accept small amounts of data
89
274640
1936
che possono lavorare con pochi dati
04:48
and solve some of the most important
problems facing us today,
problems facing us today,
90
276600
2936
e risolvere alcuni
dei più gravi problemi di oggi,
dei più gravi problemi di oggi,
04:51
especially in health care.
91
279560
1256
soprattutto in medicina.
04:52
Thank you very much.
92
280840
1216
Vi ringrazio molto.
04:54
(Applause)
93
282080
3840
(Applausi)
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