TEDGlobal 2017
Pratik Shah: How AI is making it easier to diagnose disease
Пратик Шах: Как изкуственият интелект ще направи диагностицирането на болести по-лесно?
Filmed:
Readability: 6.9
1,571,835 views
Днес, алгоритмите за изкуствен интелект (AI) се нуждаят от хиляди скъпи медицински образи, за да диагностицират пациент. Какво би се случило, ако можехме значително да намалим количеството данни, необходими, за да бъде обучен изкуственият интелект, с което бихме направили диагнозите по-евтини и ефикасни? Пратик Шах работи върху умна система, която може да прави точно това. Използвайки нестандартен AI подход, Шах е развил технология, която изисква само 50 изображения, за да развие работещ алгоритъм и може да използва дори снимки, направени с телефона на лекар, за да предостави диагноза. Научете повече за това как този нов начин за анализ на медицинска информация може да доведе до ранно откриване на живото-застрашаващи болести и да разпространи диагностицирането, подпомогнато от изкуствен интелект до повече здравни места по света.
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
Компютърните алгоритми днес
изпълняват невероятни задачи
изпълняват невероятни задачи
00:17
with high accuracies, at a massive scale,
using human-like intelligence.
using human-like intelligence.
1
5160
4736
с висока точност и в огромен мащаб,
използвайки интелект, подобен на човешкия.
използвайки интелект, подобен на човешкия.
00:21
And this intelligence of computers
is often referred to as AI
is often referred to as AI
2
9920
3936
Този компютърен интелект
често бива наричан AI
често бива наричан AI
00:25
or artificial intelligence.
3
13880
1856
или изкуствен интелект.
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
Изкуственият интелект е на път да окаже невероятно въздействие върху нашия живот в бъдещето.
00:32
Today, however,
we still face massive challenges
we still face massive challenges
5
20880
3936
Днес, обаче, все още сме изправени
пред огромни предизвикателства
пред огромни предизвикателства
00:36
in detecting and diagnosing
several life-threatening illnesses,
several life-threatening illnesses,
6
24840
3496
при откриването и диагностицирането
на няколко живото-застрашаващи заболявания,
на няколко живото-застрашаващи заболявания,
00:40
such as infectious diseases and cancer.
7
28360
2360
като например
инфекциозните заболявания и рака.
инфекциозните заболявания и рака.
00:44
Thousands of patients every year
8
32000
2296
Хиляди пациенти всяка година
00:46
lose their lives
due to liver and oral cancer.
due to liver and oral cancer.
9
34320
2800
губят живота си поради
рак на черния дроб и на устната кухина.
рак на черния дроб и на устната кухина.
00:49
Our best way to help these patients
10
37880
2696
Най-добрият начин
да помогнем на тези пациенти
да помогнем на тези пациенти
00:52
is to perform early detection
and diagnoses of these diseases.
and diagnoses of these diseases.
11
40600
4320
е ранното откриване
и диагностициране на тези заболявания.
и диагностициране на тези заболявания.
00:57
So how do we detect these diseases today,
and can artificial intelligence help?
and can artificial intelligence help?
12
45880
4160
Как откриваме тези заболявания днес и би
ли могъл изкуственият интелект да помогне?
ли могъл изкуственият интелект да помогне?
01:03
In patients who, unfortunately,
are suspected of these diseases,
are suspected of these diseases,
13
51920
3656
При пациентите, при които, за съжаление,
има съмнение за такава болест,
има съмнение за такава болест,
01:07
an expert physician first orders
14
55600
2656
лекарят специалист първо предписва
01:10
very expensive
medical imaging technologies
medical imaging technologies
15
58280
2616
много скъпи медицински образни технологии,
като например
като например
01:12
such as fluorescent imaging,
CTs, MRIs, to be performed.
CTs, MRIs, to be performed.
16
60920
4096
флуоресцентни образи,
компютърна томография, магнитен резонанс.
компютърна томография, магнитен резонанс.
01:17
Once those images are collected,
17
65040
2296
Когато образите са готови,
01:19
another expert physician then diagnoses
those images and talks to the patient.
those images and talks to the patient.
18
67360
4520
друг специалист ги използва за
диагностициране и ги обсъжда с пациента.
диагностициране и ги обсъжда с пациента.
01:24
As you can see, this is
a very resource-intensive process,
a very resource-intensive process,
19
72520
3456
Както виждате,
този процес изисква много ресурси -
този процес изисква много ресурси -
01:28
requiring both expert physicians,
expensive medical imaging technologies,
expensive medical imaging technologies,
20
76000
4416
експерти и скъпи медицински технологии,
01:32
and is not considered practical
for the developing world.
for the developing world.
21
80440
3096
и не е практичен в развиващите се страни.
01:35
And in fact, in many
industrialized nations, as well.
industrialized nations, as well.
22
83560
3360
В интерес на инстината, също така и
в много индустрализирани страни.
в много индустрализирани страни.
01:39
So, can we solve this problem
using artificial intelligence?
using artificial intelligence?
23
87760
2880
Можем ли да разрешим този проблем,
използвайки изкуствен интелект?
използвайки изкуствен интелект?
01:43
Today, if I were to use traditional
artificial intelligence architectures
artificial intelligence architectures
24
91840
4056
Ако трябва да използвам традиционната
архитектура за изкуствен интелект,
архитектура за изкуствен интелект,
01:47
to solve this problem,
25
95920
1216
за да реша този проблем,
01:49
I would require 10,000 --
26
97160
1456
ще са ми необходими 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
повтарям 10 000 от тези скъпи
медицински образи,
медицински образи,
01:54
first to be generated.
28
102680
1376
които трябва да бъдат генерирани.
01:56
After that, I would then go
to an expert physician,
to an expert physician,
29
104080
2896
След това, ще трябва да отида
при специалист,
при специалист,
01:59
who would then analyze
those images for me.
those images for me.
30
107000
2496
който ще анализира тези образи.
02:01
And using those two pieces of information,
31
109520
2096
С тези два вида информация,
02:03
I can train a standard deep neural network
or a deep learning network
or a deep learning network
32
111640
3656
мога да обуча стандартна дълбока невронна
мрежа или мрежа за дълбоко обучение,
мрежа или мрежа за дълбоко обучение,
02:07
to provide patient's diagnosis.
33
115320
2136
за да предоставя диагноза на пациентите.
02:09
Similar to the first approach,
34
117480
1736
Както и при първия подход,
02:11
traditional artificial
intelligence approaches
intelligence approaches
35
119240
2143
традиционните подходи,
включващи изкуствен интелект,
включващи изкуствен интелект,
02:13
suffer from the same problem.
36
121407
1449
страдат от същия проблем.
02:14
Large amounts of data, expert physicians
and expert medical imaging technologies.
and expert medical imaging technologies.
37
122880
4560
Големи количества данни, специалисти и
специализирани технологии за медицински образи.
специализирани технологии за медицински образи.
02:20
So, can we invent more scalable, effective
38
128320
4296
Можем ли да създадем по-достъпна,
ефективна
ефективна
02:24
and more valuable artificial
intelligence architectures
intelligence architectures
39
132640
3296
и стойностна архитектура за
изкуствен интелект,
изкуствен интелект,
02:27
to solve these very important
problems facing us today?
problems facing us today?
40
135960
3056
за да се справим с тези сериозни
проблеми, с които се сблъскваме?
проблеми, с които се сблъскваме?
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
Това е задачата, с която се занимава
моята група в Медийната лаборатория
моята група в Медийната лаборатория
на Технологичния Институт в Масачузец.
02:34
We have invented a variety
of unorthodox AI architectures
of unorthodox AI architectures
42
142360
3856
Ние изобретихме различни
нестандартни AI архитектури,
нестандартни AI архитектури,
02:38
to solve some of the most important
challenges facing us today
challenges facing us today
43
146240
3176
за да решим най-сериозните
проблеми, с които се сблъскваме днес
проблеми, с които се сблъскваме днес
02:41
in medical imaging and clinical trials.
44
149440
2200
във връзка с медицинските образи и
и клинични изпитвания.
и клинични изпитвания.
02:44
In the example I shared
with you today, we had two goals.
with you today, we had two goals.
45
152480
3056
Във връзка с примера, който споделих днес
с вас, ние имахме две цели.
с вас, ние имахме две цели.
02:47
Our first goal was to reduce
the number of images
the number of images
46
155560
2976
Първата ни цел беше да намалим
броя изображения,
броя изображения,
02:50
required to train
artificial intelligence algorithms.
artificial intelligence algorithms.
47
158560
3256
необходими, за да бъдат обучени
алгоритмите на изкуствения интелект.
алгоритмите на изкуствения интелект.
02:53
Our second goal -- we were more ambitious,
48
161840
2096
Втората ни цел - по-амбициозна -
02:55
we wanted to reduce the use
of expensive medical imaging technologies
of expensive medical imaging technologies
49
163960
3736
беше да намалим използването на
скъпа медицинска образна технология
скъпа медицинска образна технология
02:59
to screen patients.
50
167720
1216
за преглед на пациенти.
03:00
So how did we do it?
51
168960
1200
Как го направихме?
03:02
For our first goal,
52
170920
1216
За първата ни цел,
03:04
instead of starting
with tens and thousands
with tens and thousands
53
172160
2056
вместо да започнем с десетки хиляди
03:06
of these very expensive medical images,
like traditional AI,
like traditional AI,
54
174240
3016
от тези скъпи медицински образи,
както при традиционния изкуствен интелект,
както при традиционния изкуствен интелект,
03:09
we started with a single medical image.
55
177280
2056
започнахме с едно единствено
медицинско изображение,
медицинско изображение,
03:11
From this image, my team and I
figured out a very clever way
figured out a very clever way
56
179360
3776
От това изображение, моят екип и аз
намерихме оригинален начин,
намерихме оригинален начин,
03:15
to extract billions
of information packets.
of information packets.
57
183160
2736
за да извлечем милиарди
информационни пакети.
информационни пакети.
03:17
These information packets
included colors, pixels, geometry
included colors, pixels, geometry
58
185920
3696
Тези информационни пакети
включваха цветове, пиксели, геометрия
включваха цветове, пиксели, геометрия
03:21
and rendering of the disease
on the medical image.
on the medical image.
59
189640
2536
и изобразяване на болестта
върху медицинския образ.
върху медицинския образ.
03:24
In a sense, we converted one image
into billions of training data points,
into billions of training data points,
60
192200
4336
В известен смисъл, ние превърнахме
едно изображение в милиарди източници за обучение
едно изображение в милиарди източници за обучение
03:28
massively reducing the amount of data
needed for training.
needed for training.
61
196560
3536
и така намалихме количеството данни,
необходими за обучението.
необходими за обучението.
03:32
For our second goal,
62
200120
1216
За втората ни цел,
03:33
to reduce the use of expensive medical
imaging technologies to screen patients,
imaging technologies to screen patients,
63
201360
3856
намаляването на използването на скъпи медицински
образни технологии за преглед на пациенти,
образни технологии за преглед на пациенти,
03:37
we started with a standard,
white light photograph,
white light photograph,
64
205240
2856
ние започнахме със стандартна снимка
с бяла светлина,
с бяла светлина,
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
създадена или с DSLR фотоапарат,
или мобилен телефон, за пациента.
или мобилен телефон, за пациента.
03:44
Then remember those
billions of information packets?
billions of information packets?
66
212480
2456
Помните ли онези милиарди
информационни пакети?
информационни пакети?
03:46
We overlaid those from
the medical image onto this image,
the medical image onto this image,
67
214960
3536
Насложихме ги върху тази снимка,
03:50
creating something
that we call a composite image.
that we call a composite image.
68
218520
2520
създавайки по този начин нещо,
което се нарича композитно ичображение.
което се нарича композитно ичображение.
03:53
Much to our surprise,
we only required 50 --
we only required 50 --
69
221480
3296
За наша изненада се нуждаехме от само 50,
03:56
I repeat, only 50 --
70
224800
1336
потварям, само 50
03:58
of these composite images to train
our algorithms to high efficiencies.
our algorithms to high efficiencies.
71
226160
3840
от тези композитни изображения,
за да обучим нашите алгоритми до висока ефективност.
за да обучим нашите алгоритми до висока ефективност.
04:02
To summarize our approach,
72
230680
1336
За да обобщя нашия подход,
04:04
instead of using 10,000
very expensive medical images,
very expensive medical images,
73
232040
3176
вместо да използваме 10 000
много скъпи медицински образи,
много скъпи медицински образи,
04:07
we can now train the AI algorithms
in an unorthodox way,
in an unorthodox way,
74
235240
3016
можехме да обучим AI алгоритмите
по нестандартен начин,
по нестандартен начин,
04:10
using only 50 of these high-resolution,
but standard photographs,
but standard photographs,
75
238280
4256
използвайки само 50 от тези стандартни
снимки с висока резолюция,
снимки с висока резолюция,
04:14
acquired from DSLR cameras
and mobile phones,
and mobile phones,
76
242560
2496
направени с DSLR фотоапарати и
мобилни телефони
мобилни телефони
04:17
and provide diagnosis.
77
245080
1536
и да предоставим диагноза.
04:18
More importantly,
78
246640
1216
Още по-важно,
04:19
our algorithms can accept,
in the future and even right now,
in the future and even right now,
79
247880
3136
нашите алгоритми могат да получат
в бъдещето и дори в момента,
в бъдещето и дори в момента,
04:23
some very simple, white light
photographs from the patient,
photographs from the patient,
80
251040
2816
много обикновени снимки
с бяла светлина от пациентите,
с бяла светлина от пациентите,
04:25
instead of expensive
medical imaging technologies.
medical imaging technologies.
81
253880
2440
вместо скъпите
медицински образни технологии.
медицински образни технологии.
04:29
I believe that we are poised
to enter an era
to enter an era
82
257120
3096
Вярвам, че сме на прага на епоха,
04:32
where artificial intelligence
83
260240
1936
в която изкуственият интелект
04:34
is going to make an incredible
impact on our future.
impact on our future.
84
262200
2536
ще има невероятно въздействие
върху бъдещето.
върху бъдещето.
04:36
And I think that thinking
about traditional AI,
about traditional AI,
85
264760
2456
И смятам, че когато мислим
за традиционния изкуствения интелект,
за традиционния изкуствения интелект,
04:39
which is data-rich but application-poor,
86
267240
2776
който е богат на данни,
но беден на приложения,
но беден на приложения,
04:42
we should also continue thinking
87
270040
1536
ние също трябва да продължим да мислим
04:43
about unorthodox artificial
intelligence architectures,
intelligence architectures,
88
271600
3016
за нестандартни архитектури
за изкуствен интелект,
за изкуствен интелект,
04:46
which can accept small amounts of data
89
274640
1936
които могат да получават
малки количества данни
малки количества данни
04:48
and solve some of the most important
problems facing us today,
problems facing us today,
90
276600
2936
и да решават проблемите, с които
се сблъскваме днес,
се сблъскваме днес,
04:51
especially in health care.
91
279560
1256
особено свързани
със здравеопазването.
със здравеопазването.
04:52
Thank you very much.
92
280840
1216
Благодаря ви много.
04:54
(Applause)
93
282080
3840
(Аплодисменти)
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