TEDIndia 2009
Pawan Sinha: How brains learn to see
Pawan Sinha ile Beyinlerin görmeyi öğrenmesi üzerine
Filmed:
Readability: 4.5
939,209 views
Pawan Sinha, beyinin görme sisteminin gelişimi hakkındaki çığır açan araştırmasını anlatıyor. Sinha ve arkadaşları doğuştan kör olan çocuklara ücretsiz olarak görme yetisini kazandıran tedaviler yapıyor ve daha sonra bu çocukların beyinlerinin görsel verileri nasıl değerlendirdiğini inceliyorlar. Bu çalışma nöroscience, mühendislik ve hatta otizm konusunda yeni ufuklar açıyor.
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
Eğer Hindistan'da kör bir çocuksanız,
00:19
you will very likely have to contend with
1
4000
3000
muhtemen en az iki kötü haberle
00:22
at least two big pieces of bad news.
2
7000
3000
baş etmek zorunda kalırsınız.
00:25
The first bad news
3
10000
2000
Kötü haberlerin ilki
00:27
is that the chances of getting treatment
4
12000
3000
tedavi olma ihtimalinin
00:30
are extremely slim to none,
5
15000
3000
oldukça az, hatta imkansız olduğudur,
00:33
and that's because most of the blindness
6
18000
2000
çünkü bu ülkedeki çoğu
00:35
alleviation programs in the country
7
20000
2000
körlük tedavi programı
00:37
are focused on adults,
8
22000
2000
yetişkinlere odaklanmış durumda,
00:39
and there are very, very few hospitals
9
24000
3000
ve çocukları tedavi edecek donanımdaki
00:42
that are actually equipped to treat children.
10
27000
3000
hastane sayısı çok az.
00:46
In fact, if you were to be treated,
11
31000
4000
Aslında, olur da tedavi edilirseniz
00:51
you might well end up being treated
12
36000
3000
Rajahastan'daki bu vakada olduğu gibi
00:54
by a person who has no medical credentials
13
39000
3000
sizi tedavi eden kişinin tıbbi eğitim almamış biri
00:57
as this case from Rajasthan illustrates.
14
42000
3000
olma ihtimali oldukça yüksek.
01:00
This is a three-year-old orphan girl
15
45000
2000
Üş yaşındaki bu yetim kız çocuğu
01:02
who had cataracts.
16
47000
2000
katarakt hastası idi.
01:04
So, her caretakers took her
17
49000
2000
Bu nedenle, bakıcıları onu
01:06
to the village medicine man,
18
51000
2000
köyün sihirbaz hekimi'ne (medicine man) götürdüler,
01:08
and instead of suggesting to the caretakers
19
53000
3000
sihirbaz hekim de bakıcılara
01:11
that the girl be taken to a hospital,
20
56000
3000
bu bebeği hastaneye götürmelerini önermek yerine
01:14
the person decided to burn her abdomen
21
59000
2000
bebeğin içine giren kötü ruhları kovmak için
01:16
with red-hot iron bars
22
61000
2000
göbeğini kızgın demir çubuklarla
01:18
to drive out the demons.
23
63000
2000
dağlamayı tercih etti.
01:20
The second piece of bad news
24
65000
3000
İkinci kötü haber ise
01:23
will be delivered to you
25
68000
2000
size nöroscientist'ler tarafından
01:25
by neuroscientists, who will tell you
26
70000
3000
verilecektir, onlar size
01:28
that if you are older than four or five years of age,
27
73000
3000
eğer dört ya da beş yaşından büyükseniz
01:31
that even if you have your eye corrected,
28
76000
3000
gözünüz tedavi edilse bile,
01:34
the chances of your brain learning how to see
29
79000
3000
beyninizin görmeyi öğrenme ihtimalinin
01:37
are very, very slim --
30
82000
2000
çok ama çok zayıf olduğunu söyleyecekler.
01:39
again, slim or none.
31
84000
3000
Tekrar ediyorum, çok zayıf ya da yok.
01:42
So when I heard these two things,
32
87000
2000
Bu iki şeyi duyduğumda
01:44
it troubled me deeply,
33
89000
2000
hem kişisel hem de
01:46
both because of personal reasons
34
91000
2000
bilimsel nedenlerden ötürü
01:48
and scientific reasons.
35
93000
2000
oldukça endişelenmiştim.
01:50
So let me first start with the personal reason.
36
95000
3000
Önce izin verirseniz kişisel nedenlerle başlayayım.
01:53
It'll sound corny, but it's sincere.
37
98000
3000
Size klişe gelebilir, ama samimiyim.
01:56
That's my son, Darius.
38
101000
2000
Bu benim oğlum, Darius.
01:58
As a new father,
39
103000
2000
Yeni bir baba olarak
02:00
I have a qualitatively different sense
40
105000
4000
bebeklerin ne kadar narin oldukları
02:04
of just how delicate babies are,
41
109000
3000
onlara karşı olan yükümlülüklerimiz,
02:07
what our obligations are towards them
42
112000
3000
ve bir çocuğa karşı hissedebileceğimiz sevgi miktarı
02:10
and how much love
43
115000
2000
hakkında oldukça farklı
02:12
we can feel towards a child.
44
117000
3000
bir bakış açım var.
02:15
I would move heaven and earth
45
120000
2000
Darius'un tedavi olması için
02:17
in order to get treatment for Darius,
46
122000
3000
yeri, göğü altüst ederdim.
02:20
and for me to be told
47
125000
2000
Ve benim için
02:22
that there might be other Dariuses
48
127000
2000
tedavi olamayacak diğer Darius'ların
02:24
who are not getting treatment,
49
129000
2000
mevcut olması
02:26
that's just viscerally wrong.
50
131000
3000
duygusal olarak kabul edilemez.
02:29
So that's the personal reason.
51
134000
2000
İşte bu kişisel neden.
02:31
Scientific reason is that this notion
52
136000
3000
Bilimsel neden ise nörolojik açıdan
02:34
from neuroscience of critical periods --
53
139000
2000
tanımlanan bu kritik zaman dilimleri
02:36
that if the brain is older
54
141000
3000
yani, eğer beyin dört ya da beş
02:39
than four or five years of age,
55
144000
2000
yaından daha büyükse
02:41
it loses its ability to learn --
56
146000
2000
öğrenme yetisini kaybediyor.
02:43
that doesn't sit well with me,
57
148000
2000
Bu fikir benim aklıma tam yatmıyor,
02:45
because I don't think that idea
58
150000
2000
çünkü inanıyorum ki bu fikir
02:47
has been tested adequately.
59
152000
3000
tam olarak test edilmedi.
02:50
The birth of the idea is from
60
155000
2000
Bu fikir, Harvard'dan iki araştırmacının
02:52
David Hubel and Torsten Wiesel's work,
61
157000
2000
David Hubel ve Torsten Wiesel'in
02:54
two researchers who were at Harvard,
62
159000
2000
çalışmalarına dayanıyor.
02:56
and they got the Nobel Prize in 1981
63
161000
3000
Bu araştırmacılar 1981 yılında
02:59
for their studies of visual physiology,
64
164000
2000
görsel fizyoloji alanındaki çok güzel
03:01
which are remarkably beautiful studies,
65
166000
2000
bir çalışma ile Nobel Ödülü kazandılar,
03:03
but I believe some of their work
66
168000
2000
ama inanıyorum ki çalışmalarının bir kısmı
03:05
has been extrapolated
67
170000
2000
insanlar üzerine
03:07
into the human domain prematurely.
68
172000
2000
gereğinden erken uyarlandı.
03:09
So, they did their work with kittens,
69
174000
2000
Aslınd çalışmalarını kedi yavruları ile
03:11
with different kinds of deprivation regiments,
70
176000
2000
farklı yoksunluk grupları oluşturarak yürütmüşlerdi.
03:13
and those studies,
71
178000
2000
Altmışlı yıllarda yapılan
03:15
which date back to the '60s,
72
180000
2000
bu çalışmalar
03:17
are now being applied to human children.
73
182000
3000
şimdi insan bebeklerine uyarlanıyor.
03:20
So I felt that I needed to do two things.
74
185000
3000
Bu nedenle iki şey yapma ihtiyacı hissettim.
03:23
One: provide care
75
188000
3000
Bir: Halen tedaviden
03:26
to children who are currently
76
191000
2000
yoksun olan çocuklara
03:28
being deprived of treatment.
77
193000
2000
tıbbi bakım sağlamak.
03:30
That's the humanitarian mission.
78
195000
2000
Bu insani bir görev.
03:32
And the scientific mission would be
79
197000
2000
Bilimsel görev ise
03:34
to test the limits
80
199000
2000
görsel plastisitenin limitlerini
03:36
of visual plasticity.
81
201000
2000
test etmek.
03:38
And these two missions, as you can tell,
82
203000
3000
tahmin edersiniz ki, bu iki görev
03:41
thread together perfectly. One adds to the other;
83
206000
3000
çok iyi bir şekilde kaynaştı, biri diğerini destekliyor.
03:44
in fact, one would be impossible without the other.
84
209000
3000
Aslında, biri olmadan diğerini başarmak imkansız.
03:49
So, to implement
85
214000
2000
Bu nedenle, bu ikiz görevleri
03:51
these twin missions,
86
216000
2000
yerine getirmek için
03:53
a few years ago, I launched Project Prakash.
87
218000
3000
bundan birkaç yıl önce Prakash Projesini başlattım.
03:56
Prakash, as many of you know,
88
221000
2000
Belki bilirsiniz, Prakash kelimesi
03:58
is the Sanskrit word for light,
89
223000
2000
Sanskritçe'de IŞIK anlamına geliyor,
04:00
and the idea is that
90
225000
2000
amacımız, bu çocukların
04:02
in bringing light into the lives of children,
91
227000
3000
yaşantılarına ışık katarken
04:05
we also have a chance
92
230000
2000
aynı zamanda nörolojinin
04:07
of shedding light on some of the
93
232000
2000
en derin gizemlerine de
04:09
deepest mysteries of neuroscience.
94
234000
3000
ışık tutmak.
04:12
And the logo -- even though it looks extremely Irish,
95
237000
3000
Logomuz ise, her ne kadar İrlanda kökenli gibi
04:15
it's actually derived from
96
240000
2000
görünse de, aslında
04:17
the Indian symbol of Diya, an earthen lamp.
97
242000
4000
çömlekten bir kandil olan bir Hint Sembolü: Diya.
04:21
The Prakash, the overall effort
98
246000
3000
Prakash Projeindeki çalışmalar
04:24
has three components:
99
249000
2000
üç bileşenden oluşuyor,
04:26
outreach, to identify children in need of care;
100
251000
4000
tedavi ihtiyacı olan çocuklara ulaşmak ve tanımlamak,
04:30
medical treatment; and in subsequent study.
101
255000
3000
tedavi etmek ve takip eden araştırmalar.
04:33
And I want to show you a short video clip
102
258000
3000
Şimdi size ilk iki bileşeni gösteren
04:36
that illustrates the first two components of this work.
103
261000
3000
kısa bir video klip göstermek istiyorum.
04:41
This is an outreach station
104
266000
2000
Bu, körlere yönelik bir okulda
04:43
conducted at a school for the blind.
105
268000
3000
yaptığımız bir tarama.
04:46
(Text: Most of the children are profoundly and permanently blind ...)
106
271000
5000
(Yazı: Çocukların çoğu kesin ve kalıcı bir şekilde kör)
04:51
Pawan Sinha: So, because this is a school for the blind,
107
276000
5000
Pawan Sinha: Bu körlere yönelik bir okul olduğundan
04:56
many children have permanent conditions.
108
281000
2000
çoğu çocuğun körlüğü kalıcı.
04:58
That's a case of microphthalmos,
109
283000
3000
Bu bir mikroftalmi vakası, (mikroftalmi: az gelişmiş göz küresi)
05:01
which is malformed eyes,
110
286000
2000
yani bir göz malformasyonu
05:03
and that's a permanent condition;
111
288000
2000
ve kalıcı bir durum
05:05
it cannot be treated.
112
290000
2000
tedavisi yok.
05:07
That's an extreme of micropthalmos
113
292000
2000
Bu mikroftalmi'nin de ötesinde,
05:09
called enophthalmos.
114
294000
2000
enfotalmi. (enoftalmi: göz küresi yokluğu)
05:11
But, every so often, we come across children
115
296000
2000
Ama eninde sonunda az da olsa görme kalıntısı
05:13
who show some residual vision,
116
298000
3000
olan bir çocuğa rastladığımız oluyor,
05:16
and that is a very good sign
117
301000
3000
bu hastalığın tedavi edilebilir olduğunu gösteren
05:19
that the condition might actually be treatable.
118
304000
2000
iyi bir işaret olabilir.
05:21
So, after that screening, we bring the children to the hospital.
119
306000
3000
Taramanın ardından, bu çocukları hastaneye getiriyoruz.
05:24
That's the hospital we're working with in Delhi,
120
309000
2000
Delhi'de çalıştığımız hastane bu,
05:26
the Schroff Charity Eye Hospital.
121
311000
3000
Schorff Göz Vakıf Hastanesi
05:29
It has a very well-equipped
122
314000
2000
Çok iyi donanımı olan
05:31
pediatric ophthalmic center,
123
316000
3000
bir pediatrik göz hastalıkları merkezi.
05:35
which was made possible in part
124
320000
2000
ki, Ronald McDonald vakfının katıları
05:37
by a gift from the Ronald McDonald charity.
125
322000
4000
ile kuruldu, Yani aslında
05:41
So, eating burgers actually helps.
126
326000
3000
hamburger yemek bazen faydalı olabiliyor.
05:45
(Text: Such examinations allow us to improve
127
330000
2000
(Yazı: Bu tip muayeneler, pek çok çocuğun
05:47
eye-health in many children, and ...
128
332000
2000
göz sağlığını iyileştirmemize yarıyor, ve...
05:54
... help us find children who can participate in Project Prakash.)
129
339000
3000
Project Prakash'a katılabilecek uygunlukta çocukları bulmamızı sağlıyor.
05:57
PS: So, as I zoom in to the eyes of this child,
130
342000
2000
PS: Şimdi, bu çocuğun gözlerine zoom yaptığımda
05:59
you will see the cause of his blindness.
131
344000
3000
körlük nedenini görebilirsiniz.
06:03
The whites that you see in the middle of his pupils
132
348000
3000
Gözbebekleri ortasındaki beyazlıklar
06:06
are congenital cataracts,
133
351000
3000
doğumsal kataraktlar,
06:09
so opacities of the lens.
134
354000
2000
yani göz merceğindeki opasiteler.
06:11
In our eyes, the lens is clear,
135
356000
3000
Gözlerimizeki lens saydamdır,
06:14
but in this child, the lens has become opaque,
136
359000
2000
ama bu çocuğun kensi opak,
06:16
and therefore he can't see the world.
137
361000
3000
bu nedenle etrafı göremiyor.
06:19
So, the child is given treatment. You'll see shots of the eye.
138
364000
3000
Bu çocuk tedavi edildi. Gözün resimlerini göreceksiniz.
06:22
Here's the eye with the opaque lens,
139
367000
2000
İşte opak lensi olan göz
06:24
the opaque lens extracted
140
369000
2000
opak lens çıkarılıyor
06:26
and an acrylic lens inserted.
141
371000
3000
ve yerine akrilik lens yerleştiriliyor.
06:29
And here's the same child
142
374000
2000
Ve bu da aynı çocuk
06:31
three weeks post-operation,
143
376000
3000
amliyattan iki hafta sonra
06:34
with the right eye open.
144
379000
3000
sağ gözü açık.
06:40
(Applause)
145
385000
6000
(Alkışlar)
06:46
Thank you.
146
391000
2000
Teşekkürler.
06:48
So, even from that little clip, you can begin to get the sense
147
393000
3000
Bu kısacık klipte de gördüğünüz gibi
06:51
that recovery is possible,
148
396000
2000
görme yetisinin yeniden kazanılması mümkün.
06:53
and we have now
149
398000
2000
Şu anda
06:55
provided treatment to over 200 children,
150
400000
3000
200'den fazla çocuğu tedavi etmiş durumdayız
06:58
and the story repeats itself.
151
403000
2000
ve hikaye her seferinde yeninden yaşanıyor.
07:00
After treatment, the child
152
405000
2000
Tedaviyi takiben, çocuk
07:02
gains significant functionality.
153
407000
3000
kayda değer bir işlevsellik kazanıyor.
07:05
In fact, the story holds true
154
410000
3000
Aslında, birkaç yıldır görsel uyarıdan
07:08
even if you have a person who got sight
155
413000
2000
yoksun bir kişi için bile
07:10
after several years of deprivation.
156
415000
2000
sonuçlar aynı.
07:12
We did a paper a few years ago
157
417000
2000
Birkaç yıl önce, burada
07:14
about this woman that you see on the right, SRD,
158
419000
4000
sağda gördüğünüz kadın hakkında bir yayın yaptık, SRD,
07:18
and she got her sight late in life,
159
423000
2000
o, görme yetisini yaşantısının ileri yıllarında yeniden kavuştu
07:20
and her vision is remarkable at this age.
160
425000
4000
ve görüşü yaşına göre gayet iyi idi.
07:24
I should add a tragic postscript to this --
161
429000
3000
Hikayenin trajik sonunu da paylaşacak olursam
07:27
she died two years ago
162
432000
2000
ne yazık ki birkaç yıl önce
07:29
in a bus accident.
163
434000
2000
bir otobüs kazasında öldü.
07:31
So, hers is just a truly inspiring story --
164
436000
4000
Gördüğünüz gibi onun hikayesi ilham verici,
07:35
unknown, but inspiring story.
165
440000
3000
bilinmeyen ama ilham verici bir hikaye.
07:38
So when we started finding these results,
166
443000
2000
Tahmin edersiniz ki, bu sonuçlara ulaşmamız
07:40
as you might imagine, it created quite a bit of stir
167
445000
3000
bilimsel ve popüler medyada epey bir
07:43
in the scientific and the popular press.
168
448000
3000
harekete neden oldu.
07:46
Here's an article in Nature
169
451000
2000
İşte Nature dergisinden bir makale,
07:48
that profiled this work,
170
453000
2000
bu çalışmadan bahsediyor.
07:50
and another one in Time.
171
455000
2000
Time dergisinde yer alan bir başka makale.
07:52
So, we were fairly convinced -- we are convinced --
172
457000
2000
Biz, uzamış görsel yoksunluğa rağmen
07:54
that recovery is feasible,
173
459000
2000
tedavinin mümkün olduğu
07:56
despite extended visual deprivation.
174
461000
3000
konusunda oldukça ikna olduk.
07:59
The next obvious question to ask:
175
464000
2000
Elbette ki soracağınız bir sonraki sorunun
08:01
What is the process of recovery?
176
466000
3000
"iyileşme süreci nedir?" olması gerekir.
08:04
So, the way we study that is,
177
469000
3000
Bunu şu şekilde araştırıyoruz,
08:07
let's say we find a child who has light sensitivity.
178
472000
2000
diyelim ki ışığa duyarlı bir çocuk var
08:09
The child is provided treatment,
179
474000
2000
onu tedavi ediyoruz.
08:11
and I want to stress that the treatment
180
476000
2000
bu arada bu tedavi sürecinin tamamen
08:13
is completely unconditional;
181
478000
2000
koşulsuz olduğunu belirtmek isterim.
08:15
there is no quid pro quo.
182
480000
2000
Karşılık verme esasına dayalı değil.
08:17
We treat many more children then we actually work with.
183
482000
3000
Çalışmamıza dahil olan çocuk sayısından çok daha fazlasını tedavi ediyoruz.
08:20
Every child who needs treatment is treated.
184
485000
3000
Tedaviye ihtiyacı olan her çocuğu tedavi ediyoruz.
08:23
After treatment, about every week,
185
488000
2000
Tedaviyi takiben, her hafta
08:25
we run the child
186
490000
2000
çalışmaya katılan çocuğu
08:27
on a battery of simple visual tests
187
492000
3000
görsel yetilerinin ne kadar geliştiğini
08:30
in order to see how their visual skills
188
495000
2000
görmek için bir grup basit
08:32
are coming on line.
189
497000
2000
testten geçiriyoruz.
08:34
And we try to do this for as long as possible.
190
499000
3000
Bunu mümkün olduğu kadar uzun zaman sürdürmeye çalışıyoruz.
08:37
This arc of development
191
502000
2000
Bu gelişim eğrisi
08:39
gives us unprecedented
192
504000
2000
görme yetisinin ne şekilde
08:41
and extremely valuable information
193
506000
2000
üst üste gelişen parçalardan oluştuğu
08:43
about how the scaffolding of vision
194
508000
2000
bize emsali görülmemiş derecede önemli
08:45
gets set up.
195
510000
2000
bilgiler veriyor.
08:47
What might be the causal connections
196
512000
2000
Erken gelişen yetilerle
08:49
between the early developing skills
197
514000
2000
daha sonra gelişimini tamamlayanlar arasında
08:51
and the later developing ones?
198
516000
2000
ne gibi rastgele bağlantılar mevcut?
08:53
And we've used this general approach to study
199
518000
2000
Pekçok farklı görme yetkinliğini incelerken
08:55
many different visual proficiencies,
200
520000
3000
çalışmaya bu açıdan baktık.
08:58
but I want to highlight one particular one,
201
523000
4000
Ancak bir tanesinin altını çizmek istiyorum,
09:02
and that is image parsing into objects.
202
527000
3000
ki bu görüntülerin nesnelere dönüşmesi üzerine.
09:05
So, any image of the kind that you see on the left,
203
530000
2000
Şimdi, solda gördüğünüz resimler
09:07
be it a real image or a synthetic image,
204
532000
3000
ister gerçek ister sentetik resimler olsun
09:10
it's made up of little regions
205
535000
2000
orta sütunda görülen
09:12
that you see in the middle column,
206
537000
2000
farklı renklerdeki ve
09:14
regions of different colors, different luminances.
207
539000
3000
farklı aydınlıktaki küçük alanlardan oluşuyor.
09:17
The brain has this complex task
208
542000
3000
Beyin, bu alanların küçük parçalarını
09:20
of putting together, integrating,
209
545000
3000
bir araya koyup birleştirerek
09:23
subsets of these regions
210
548000
2000
bu küçük kümelelerden daha anlamlı olan
09:25
into something that's more meaningful,
211
550000
2000
sağ tarafta gördüğünüz
09:27
into what we would consider to be objects,
212
552000
2000
nesnelerin görüntüsünü ortaya çıkarmak gibi
09:29
as you see on the right.
213
554000
2000
karmaşık bir görev üstleniyor.
09:31
And nobody knows how this integration happens,
214
556000
2000
Kimse bu birleştirmenin nasıl olduğunu bilmiyor.
09:33
and that's the question we asked with Project Prakash.
215
558000
4000
Prakash projesi ile sorduğumuz soru bu aslında.
09:37
So, here's what happens
216
562000
2000
İşte, görüş yeteneği geri geldikten
09:39
very soon after the onset of sight.
217
564000
3000
hemen sonra olan şey bu.
09:42
Here's a person who had gained sight just a couple of weeks ago,
218
567000
3000
Burada sadece birkaç hafta önce görme yetisini geri kazanan birini görüyorsunuz,
09:45
and you see Ethan Myers, a graduate student from MIT,
219
570000
3000
yanında deneyi yürüten ve
09:48
running the experiment with him.
220
573000
3000
MIT'den master öğrencisi Ethan Myers var.
09:51
His visual-motor coordination is quite poor,
221
576000
4000
Hastanın görsel-motor koordinasyonu oldukça zayıf,
09:55
but you get a general sense
222
580000
2000
ama parmağı ile takip etmeye
09:57
of what are the regions that he's trying to trace out.
223
582000
3000
çalıştığınız alanları fark ediyorsunuz.
10:00
If you show him real world images,
224
585000
2000
Eğer bu hastaya veya bu hastaya benzer diğerlerine
10:02
if you show others like him real world images,
225
587000
3000
gerçek hayata ait şekiller gösterirseniz
10:05
they are unable to recognize most of the objects
226
590000
2000
bu nesnelerin çoğunu tanıyamıyorlar
10:07
because the world to them is over-fragmented;
227
592000
3000
çünkü dünya onlar için aslında bir tür kolaj,
10:10
it's made up of a collage, a patchwork,
228
595000
3000
farklı renk ve ışıklardan oluşan bir nevi
10:13
of regions of different colors and luminances.
229
598000
2000
patchwork gibi duruyor.
10:15
And that's what's indicated in the green outlines.
230
600000
2000
Yeşil çizgilerde gösterilen bu.
10:17
When you ask them,
231
602000
2000
Onlara, nesnelerin adını bilemeseniz bile nesneleri parmakla gösterin
10:19
"Even if you can't name the objects, just point to where the objects are,"
232
604000
3000
dendiğinde işaret ettikleri
10:22
these are the regions that they point to.
233
607000
2000
alanlar bunlar.
10:24
So the world is this complex
234
609000
2000
Yani dünya bu kompleks
10:26
patchwork of regions.
235
611000
2000
patchwork alanlarından oluşuyor.
10:28
Even the shadow on the ball
236
613000
2000
Topun üzerindeki gölge bile
10:30
becomes its own object.
237
615000
3000
ayrı bir nesne olarak algılanıyor.
10:33
Interestingly enough,
238
618000
2000
İlginç olan şu ki,
10:35
you give them a few months,
239
620000
2000
eğer birkaç ay beklerseniz
10:37
and this is what happens.
240
622000
3000
olan şu.
10:43
Doctor: How many are these?
241
628000
2000
Doktor: Burada kaç tane şekil var?
10:45
Patient: These are two things.
242
630000
2000
Hasta: İki şekil var.
10:47
Doctor: What are their shapes?
243
632000
2000
Doktor: Şekiller neler?
10:49
Patient: Their shapes ...
244
634000
2000
Hasta: Şekiller...
10:51
This one is a circle,
245
636000
3000
Bu daire,
10:54
and this
246
639000
2000
bu da
10:56
is a square.
247
641000
2000
bir kare.
10:58
PS: A very dramatic transformation has come about.
248
643000
3000
PS: Çok çarpıcı bir değişim olmuş durumda.
11:01
And the question is:
249
646000
2000
Soru şu:
11:03
What underlies this transformation?
250
648000
2000
bu değişimin altında yatan nedir?
11:05
It's a profound question,
251
650000
2000
Bu çok derin bir soru,
11:07
and what's even more amazing is how simple
252
652000
2000
ve şaşırtıcı olan şey de
11:09
the answer is.
253
654000
2000
ceabın çok basit olması.
11:11
The answer lies in motion
254
656000
2000
Cevap hareketlilikte yatıyor,
11:13
and that's what I want to show you in the next clip.
255
658000
3000
bunu size bir sonraki klipte göstereceğim.
11:18
Doctor: What shape do you see here?
256
663000
2000
Doktor: Burada hangi şekili görüyorsun?
11:20
Patient: I can't make it out.
257
665000
3000
Hasta: Ayırt edemiyorum.
11:28
Doctor: Now?
258
673000
2000
Doktor: Şimdi?
11:31
Patient: Triangle.
259
676000
2000
Hasta: Üçgen.
11:35
Doctor: How many things are these?
260
680000
3000
Doktor: Burada kaç şekil var?
11:48
Now, how many things are these?
261
693000
3000
Şimdi, burada kaç şekil var?
11:51
Patient: Two.
262
696000
2000
Hasta: İki.
11:53
Doctor: What are these things?
263
698000
2000
Doktor: Şekiller neler?
11:56
Patient: A square and a circle.
264
701000
2000
Hasta: Bir kare ve bir daire.
11:58
PS: And we see this pattern over and over again.
265
703000
3000
PS: Bu örneği tekar tekrar görüyoruz.
12:01
The one thing the visual system needs
266
706000
3000
Görme sisteminin dünyayı ayrıştırmak için
12:04
in order to begin parsing the world
267
709000
2000
ihtiyacı olan şey
12:06
is dynamic information.
268
711000
2000
hareketli bilgilerdir.
12:08
So the inference we are deriving from this,
269
713000
2000
Bundan ve benzer diğer deneylerde
12:10
and several such experiments,
270
715000
2000
çıkarmamız gereken sonuç şu,
12:12
is that dynamic information processing,
271
717000
2000
dinamik bilgi işleme ya da
12:14
or motion processing,
272
719000
2000
hareket işleme
12:16
serves as the bedrock for building
273
721000
2000
diğer karmaşık görsel süreçleri için
12:18
the rest of the complexity of visual processing;
274
723000
4000
bir temel oluşturmaktadır.
12:22
it leads to visual integration
275
727000
2000
Bu, görsel entegrasyon
12:24
and eventually to recognition.
276
729000
3000
ve sonunda da görsel tanımaya gider.
12:27
This simple idea has far reaching implications.
277
732000
3000
Bu basit fikrin uzun vadeli sonuçları var.
12:30
And let me just quickly mention two,
278
735000
3000
İki tanesinden bahsetmeme izin verin.
12:33
one, drawing from the domain of engineering,
279
738000
2000
Birincisi, mühendislik ve klinik alanlarından
12:35
and one from the clinic.
280
740000
2000
köken alıyor.
12:37
So, from the perspective of engineering,
281
742000
2000
Mühendislik açısından bakarsak
12:39
we can ask: Goven that we know
282
744000
3000
hareketin insan görme sistemi açısından
12:42
that motion is so important for the human visual system,
283
747000
2000
önemini göz önüne alarak bu yöntemi
12:44
can we use this as a recipe
284
749000
3000
bir insan tarafından
12:47
for constructing machine-based vision systems
285
752000
3000
programlanmaya ihtiyacı olmadan
12:50
that can learn on their own, that don't need to be programmed
286
755000
3000
kendi kendine öğrenen mekanik görme sistemleri
12:53
by a human programmer?
287
758000
2000
üretmede kullanabiliriz.
12:55
And that's what we're trying to do.
288
760000
2000
Yapmaya çalışığımız da bu.
12:57
I'm at MIT, at MIT you need to apply
289
762000
3000
Ben MIT'de çalışıyorum, MIT'de
13:00
whatever basic knowledge you gain.
290
765000
2000
öğrendiğiniz her bilgiyi uygulamaya koymanız gerekir.
13:02
So we are creating Dylan,
291
767000
2000
Bu nedenle
13:04
which is a computational system
292
769000
2000
bir bilgisayar sistemi olan Dylan'ı yarattık.
13:06
with an ambitious goal
293
771000
2000
iddialı bir hedefimiz var,
13:08
of taking in visual inputs
294
773000
2000
bir çocuğun yaptığı gibi
13:10
of the same kind that a human child would receive,
295
775000
3000
görsel verileri alıyor ve
13:13
and autonomously discovering:
296
778000
2000
kendi kendine görme alanındaki
13:15
What are the objects in this visual input?
297
780000
3000
nesnelerin ne olduğunu keşfediyor.
13:18
So, don't worry about the internals of Dylan.
298
783000
3000
Dylan'ın nasıl çalıştığının detaylarını boşverin,
13:21
Here, I'm just going to talk about
299
786000
3000
burada size Dylan'ı nasıl test ettiğimizi
13:24
how we test Dylan.
300
789000
2000
göstermek istiyorum.
13:26
The way we test Dylan is by giving it
301
791000
2000
Dylan'ı test etme yöntemimiz şöyle,
13:28
inputs, as I said, of the same kind
302
793000
3000
daha önce de söylediğim gibi, Prakash Projesindeki
13:31
that a baby, or a child in Project Prakash would get.
303
796000
3000
bir çocuğun veya bebeğe yaptığımız gibi, veri girdileriyle.
13:34
But for a long time we couldn't quite figure out:
304
799000
3000
En başta bu tip video verilerini ne şekilde
13:37
Wow can we get these kinds of video inputs?
305
802000
3000
elde edeceğimizi tam bilemedim.
13:41
So, I thought,
306
806000
2000
Sonra, Darius'u
13:43
could we have Darius
307
808000
2000
bizim bebek kameramanımız
13:45
serve as our babycam carrier,
308
810000
3000
olarak kullanma fikri aklıma geldi.
13:48
and that way get the inputs that we feed into Dylan?
309
813000
3000
Böylece Dylan'a besleyeceğimiz verileri elde etme yolunu bulduk.
13:51
So that's what we did.
310
816000
2000
Ve biz de bunu yaptık.
13:53
(Laughter)
311
818000
7000
(Gülüşmeler)
14:00
I had to have long conversations with my wife.
312
825000
3000
Karımla epey uzun konuşmalar yapmam gerekti.
14:03
(Laughter)
313
828000
5000
(Gülüşmeler)
14:08
In fact, Pam, if you're watching this,
314
833000
2000
Aslında Pam, eğer bunu izliyorsan
14:10
please forgive me.
315
835000
2000
beni affet.
14:13
So, we modified the optics of the camera
316
838000
4000
Sonra, bebeğin görme keskinliğini taklit etmek için
14:17
in order to mimic the baby's visual acuity.
317
842000
3000
kameranın optik düzeneğini değiştirdik.
14:20
As some of you might know,
318
845000
2000
Bazılarınızın bildiği gibi,
14:22
babyies are born pretty much legally blind.
319
847000
4000
bebekler neredeyse kördürler.
14:26
Their acuity -- our acuity is 20/20;
320
851000
3000
Bizim görme keskinliğimiz 20/20'dir,
14:29
babies' acuity is like 20/800,
321
854000
3000
bebeklerinki ise 20/800.
14:32
so they are looking at the world
322
857000
2000
bu nedenle dünyayı
14:34
in a very, very blurry fashion.
323
859000
3000
çok ama çok bulanık görürler.
14:37
Here's what a baby-cam video looks like.
324
862000
3000
İşte bir bebek kamerası videosu...
14:41
(Laughter)
325
866000
9000
(Kahkahalar)
14:50
(Applause)
326
875000
3000
(Alkışlar)
14:53
Thankfully, there isn't any audio
327
878000
2000
Neyse ki bu görüntüye eşlik eden
14:55
to go with this.
328
880000
3000
ses kaydımız yok.
14:58
What's amazing is that working with such
329
883000
2000
İnanılmaz olanı şu, bu şekilde yüksek oranda
15:00
highly degraded input,
330
885000
2000
bulanık bir veri girişi ile
15:02
the baby, very quickly, is able
331
887000
2000
bir bebek son derece hızlı bir şekilde
15:04
to discover meaning in such input.
332
889000
3000
bu verinin anlamını keşfedebilir.
15:07
But then two or three days afterward,
333
892000
2000
Bir iki gün içinde
15:09
babies begin to pay attention
334
894000
2000
bebekler kendi anne veya babalarının
15:11
to their mother's or their father's face.
335
896000
2000
yüzlerini tanıyarak tepki vermeye başlarlar.
15:13
How does that happen? We want Dylan to be able to do that,
336
898000
3000
Bu nasıl oluyor? Biz Dylan'ın da bunu başarmasını istiyoruz.
15:16
and using this mantra of motion,
337
901000
3000
Dylan, hareketle ilgili bu
15:19
Dylan actually can do that.
338
904000
2000
tekrarlar sonunda bunu yapabilir.
15:21
So, given that kind of video input,
339
906000
3000
Gördüğünüz gibi bir video verisine
15:24
with just about six or seven minutes worth of video,
340
909000
3000
ve altı-yedi dakikalık bir video sonunda
15:27
Dylan can begin to extract patterns
341
912000
3000
Dylan yülzer e dahil olmak üzere şekilleri
15:30
that include faces.
342
915000
3000
ayırt etmeye başladı.
15:33
So, it's an important demonstration
343
918000
2000
Bu, hareketin gücünü güstermesi açısından
15:35
of the power of motion.
344
920000
2000
çok önemli bir olay.
15:37
The clinical implication, it comes from the domain of autism.
345
922000
3000
Klinik uygulama alanı ise otizm ile ilgili.
15:40
Visual integration has been associated with autism
346
925000
2000
Bazı araştırmacılar görsel entegrasyon ile
15:42
by several researchers.
347
927000
2000
otizm arasında bir bağlantı buldular.
15:44
When we saw that, we asked:
348
929000
2000
Bunu görünce kendimize şunu sorduk:
15:46
Could the impairment in visual integration
349
931000
3000
Otizm'deki dinamik bilgi işleme eksikliğinin altında yatan
15:49
be the manifestation of something underneath,
350
934000
3000
daha derin sorunlar kendini
15:52
of dynamic information processing deficiencies in autism?
351
937000
3000
görsel entegrasyondaki kusur şeklinde gösterebilir mi?
15:55
Because, if that hypothesis were to be true,
352
940000
3000
Çünkü, eğer bu hipotez doğru ise,
15:58
it would have massive repercussions in our understanding
353
943000
3000
bu bize otizm ile ilgili farklı özelliklere
16:01
of what's causing the many different aspects
354
946000
2000
bakış açımızda ve anlayışımızda
16:03
of the autism phenotype.
355
948000
3000
yepyeni ufuklar açabilir.
16:06
What you're going to see are
356
951000
2000
Burada iki ayrı çocuğa ait
16:08
video clips of two children -- one neurotypical,
357
953000
3000
iki video var. Bunlardan biri nörolojik olarak normal,
16:11
one with autism, playing Pong.
358
956000
2000
diğeri ise otistik. Pong oynuyorlar.
16:13
So, while the child is playing Pong, we are tracking where they're looking.
359
958000
3000
Çocuklar Pong oynarken oluşan göz hareketlerini takip ediyoruz.
16:16
In red are the eye movement traces.
360
961000
3000
Kırmızı renkle görünenler göz hareketleri,
16:19
This is the neurotypical child, and what you see
361
964000
3000
bu nörolojik olarak normal olan çocuk, görüyorsunuz
16:22
is that the child is able to make cues
362
967000
2000
bu çocuk ekrandaki dinamik bilgiyi
16:24
of the dynamic information
363
969000
2000
topun nereye gideceğini tahmin etmek
16:26
to predict where the ball is going to go.
364
971000
2000
için kullanabiliyor.
16:28
Even before the ball gets to a place,
365
973000
3000
Daha top gittiği yere varmadan
16:31
the child is already looking there.
366
976000
3000
topun varacağı yeri tahmin edip oraya bakıyor.
16:34
Contrast this with a child
367
979000
2000
Aynı oyunu oynayan
16:36
with autism playing the same game.
368
981000
2000
otistik bir çocukla karşılaştıralım.
16:38
Instead of anticipating,
369
983000
2000
Bu çocuk topun yönünü öngörmek yerine
16:40
the child always follows where the ball has been.
370
985000
3000
her zaman topun geçtiği yolu takip ediyor.
16:43
The efficiency of the use
371
988000
2000
Otizm'de dinamik bilgiyi
16:45
of dynamic information
372
990000
2000
kullanma etkinliği
16:47
seems to be significantly compromised in autism.
373
992000
3000
ciddi anlamda azalmış gibi görünüyor.
16:51
So we are pursuing this line of work
374
996000
3000
Şimdi bu konu ile ilgili çalışıyoruz ve
16:54
and hopefully we'll have
375
999000
2000
umuyorum ki çok yakında
16:56
more results to report soon.
376
1001000
2000
daha fazla sonuca ulaşmış olacağız.
16:58
Looking ahead, if you think of this disk
377
1003000
3000
İleriye bakacak olursak, eğer bu daireyi
17:01
as representing all of the children
378
1006000
2000
şimdiye kadar tedavi ettiğimiz çocukların tamamı
17:03
we've treated so far,
379
1008000
2000
olarak düşünürseniz
17:05
this is the magnitude of the problem.
380
1010000
2000
sorunun büyüklüğü böyle bir şey.
17:07
The red dots are the children we have not treated.
381
1012000
3000
Kırmızı noktalar henüz tedavi etmediğimiz çocuklar.
17:10
So, there are many, many more children who need to be treated,
382
1015000
2000
Yani hala tedavi edilmesi gereken çok ama çok çocuk var,
17:12
and in order to expand the scope of the project,
383
1017000
3000
Bu projenin kapsamını genişletmek için
17:15
we are planning on launching
384
1020000
2000
içinde bu konuya adanmış bir çocuk hastanesi
17:17
The Prakash Center for Children,
385
1022000
2000
tedavi gören çocuklara yönelik bir okul
17:19
which will have a dedicated pediatric hospital,
386
1024000
3000
ve son teknolojiyi kullanan bir araştırma merkezi
17:22
a school for the children we are treating
387
1027000
2000
içeren bir merkez, Prakash Çocuk Merkezi
17:24
and also a cutting-edge research facility.
388
1029000
2000
kurmayı planlıyoruz.
17:26
The Prakash Center will integrate health care,
389
1031000
3000
Prakash Merkezi, sağlık hizmeti ile
17:29
education and research in a way
390
1034000
2000
eğitim ve araştırmayı bir şekilde entegre edecek
17:31
that truly creates the whole
391
1036000
2000
ve kendisini oluşturan parçaların toplamından
17:33
to be greater than the sum of the parts.
392
1038000
3000
çok daha büyük ve önemli bir yer olacak.
17:36
So, to summarize: Prakash, in its five years of existence,
393
1041000
3000
Kısaca özetlemek gerekirse, Prakash kurulduktan sonraki
17:39
it's had an impact in multiple areas,
394
1044000
3000
beş yıl içinde basit nörolojik esneklikten ve
17:42
ranging from basic neuroscience
395
1047000
2000
beyinin öğrenmesinden tutun da,
17:44
plasticity and learning in the brain,
396
1049000
2000
otizm gibi klinik anlamı olan hiptozlere,
17:46
to clinically relevant hypotheses like in autism,
397
1051000
4000
otonom yapay görme sistemlerine
17:50
the development of autonomous machine vision systems,
398
1055000
3000
lisans ve lisansüstü öğrencilerin eğitimlerine
17:53
education of the undergraduate and graduate students,
399
1058000
3000
ve en önemlisi çocukluk çağına ait
17:56
and most importantly in the alleviation
400
1061000
2000
körlüğün tedavisine kadar pek çok alana
17:58
of childhood blindness.
401
1063000
2000
katkıda bulundu.
18:00
And for my students and I, it's been
402
1065000
2000
Bu süreç, ben ve öğrencilerim için
18:02
just a phenomenal experience
403
1067000
2000
olağandışı bir deneyim oldu
18:04
because we have gotten to do interesting research,
404
1069000
4000
çünkü ilginç bir konuda araştırma yaparken
18:08
while at the same time
405
1073000
2000
aynı anda
18:10
helping the many children that we have worked with.
406
1075000
2000
birlikte çalıştığımız pekçok çocuğa yardımcı olma şansımız oldu.
18:12
Thank you very much.
407
1077000
2000
Çok teşekkür ederim.
18:14
(Applause)
408
1079000
2000
(Alkışlar)
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