ABOUT THE SPEAKER
Pratik Shah - Medical technologist
Dr. Pratik Shah creates novel intersections between engineering, medical imaging, machine learning and medicine.

Why you should listen

Dr. Shah's research program at the MIT Media Lab develops scalable and low-cost diagnostics and therapeutics. His ongoing research areas at MIT include: 1) artificial intelligence and machine learning methods for detection of cancer biomarkers using standard photographs vs. expensive medical images; 2) unorthodox artificial intelligence and machine learning algorithms to design optimal and faster clinical trials and to reduce adverse effects on patients; and 3) low-cost and open source imaging devices, paper diagnostics, algorithms and mobile phones to improve public health and generate real-world data.

Clinical studies with Pratik's medical technologies have revealed "missing sick" patients, who otherwise remain undiagnosed in conventional healthcare settings. Dr. Shah's graduate and postdoctoral research contributed to the discovery of a vaccine component to prevent pneumococcal (Streptococcus pneumoniae) diseases; the identification of new pathways, technologies and metabolites as antimicrobials to target gastrointestinal infections; and a nonprofit to deploy a low-cost water quality test for the developing world.

Past recognition for Dr. Shah includes the American Society for Microbiology's Raymond W. Sarber national award, the Harvard Medical School and Massachusetts General Hospitals ECOR Fund for Medical Discovery postdoctoral fellowship, the AAAS-Lemelson Invention Ambassador Award and a TED Fellowship. Pratik has been an invited discussion leader at Gordon Research Seminars; a speaker at Cold Spring Harbor Laboratories, Gordon Research Conferences and IEEE bioengineering conferences; and a peer reviewer for leading scientific publications and funding agencies. Pratik has a BS, MS, and a PhD in Microbiology and completed fellowship training at The Broad Institute of MIT and Harvard, Massachusetts General Hospital and Harvard Medical School.

More profile about the speaker
Pratik Shah | Speaker | TED.com
TEDGlobal 2017

Pratik Shah: How AI is making it easier to diagnose disease

Pratik Shah: Jak pomáhá umělá inteligence při diagnostikování nemoci

Filmed:
1,571,835 views

Současné algoritmy umělé inteligence potřebují desítky tisíc drahých zdravotnických snímků, aby mohly diagnostikovat pacientovo onemocnění. Co kdybychom dokázali drasticky snížit množství dat, které je zapotřebí k učení umělé inteligence a diagnostika by tak byla levnější a účinnější? Spolupracovník TED Pratik Shah pracuje na chytrém systému, který přesně toto dokáže. S využitím neortodoxního přístupu k umělé inteligenci vyvinul Shan technologii, která potřebuje k vytvoření fungujícího algoritmu a následné diagnostice nemoci pouze 50 obrázků a zároveň může používat fotografie v mobilním telefonu lékaře. Zjistěte, jak může tento nový způsob analýzy zdravotnických informací vést k dřívějšímu odhalení životu ohrožujících nemocí a rozšířit tak diagnostiku s využitím umělé inteligence do celého světa a pomoci zdravějšímu světu.
- Medical technologist
Dr. Pratik Shah creates novel intersections between engineering, medical imaging, machine learning and medicine. Full bio

Double-click the English transcript below to play the video.

00:13
ComputerPočítač algorithmsalgoritmy todaydnes
are performingprovádět incredibleneuvěřitelný tasksúkoly
0
1280
3856
Počítačové algoritmy v současnosti
předvádí neuvěřitelné výkony
s vysokou přesností a v obrobském měřítku
díky inteligenci, která se podobá lidské.
00:17
with highvysoký accuraciespřesnostmi, at a massivemasivní scaleměřítko,
usingpoužitím human-likelidský intelligenceinteligence.
1
5160
4736
00:21
And this intelligenceinteligence of computerspočítačů
is oftenčasto referreduvedeno to as AIAI
2
9920
3936
Této inteligenci počítačů
se často říká AI,
00:25
or artificialumělý intelligenceinteligence.
3
13880
1856
neboli umělá inteligence.
00:27
AIAI is poisedna cestě to make an incredibleneuvěřitelný impactdopad
on our livesživoty in the futurebudoucnost.
4
15760
4200
AI je připravená mít v budoucnu
obrovský dopad na naše životy.
00:32
TodayDnes, howevernicméně,
we still facetvář massivemasivní challengesproblémy
5
20880
3936
V současnosti ovšem stále
čelíme obrovským problémům
00:36
in detectingdetekce and diagnosingDiagnostikování
severalněkolik life-threateningživot ohrožující illnessesnemoci,
6
24840
3496
při rozpoznání a diagnostice
některých životu ohrožujících nemocí,
00:40
suchtakový as infectiousinfekční diseasesnemoci and cancerrakovina.
7
28360
2360
například infekční onemocnění a rakovina.
00:44
ThousandsTisíce of patientspacientů everykaždý yearrok
8
32000
2296
Tisíce pacientů ročně
00:46
loseprohrát theirjejich livesživoty
duez důvodu to liverjátra and oralústní cancerrakovina.
9
34320
2800
umírá na rakovinu jater a ústní dutiny.
00:49
Our bestnejlepší way to help these patientspacientů
10
37880
2696
Pacientům můžeme nejlépe pomoci
brzkým rozpoznáním a diagnostikou
těchto nemocí.
00:52
is to performprovést earlybrzy detectiondetekce
and diagnosesdiagnóz of these diseasesnemoci.
11
40600
4320
Takže jak rozpoznáváme tyto nemoci dnes?
A může nám s tím umělá inteligence pomoci?
00:57
So how do we detectdetekovat these diseasesnemoci todaydnes,
and can artificialumělý intelligenceinteligence help?
12
45880
4160
01:03
In patientspacientů who, unfortunatelybohužel,
are suspectedpodezření of these diseasesnemoci,
13
51920
3656
Pacienti, u kterých je bohužel
podezření na tyto nemoci,
nejprve podstoupí
01:07
an expertexpert physicianlékař first ordersobjednávek
14
55600
2656
01:10
very expensivedrahý
medicallékařský imagingzpracování obrázků technologiestechnologií
15
58280
2616
velice drahá zobrazovací vyšetření,
01:12
suchtakový as fluorescentfluorescenční imagingzpracování obrázků,
CTsCts, MRIsPopisují výsledky magnetické rezonance, to be performedprovedeno.
16
60920
4096
například fluorescenční snímkování,
CT či magnetickou resonanci.
01:17
OnceJednou those imagessnímky are collectedshromážděno,
17
65040
2296
Jakmile se snímky vytvoří,
01:19
anotherdalší expertexpert physicianlékař then diagnosesdiagnóz
those imagessnímky and talksrozhovory to the patienttrpěliví.
18
67360
4520
další lékař poté tyto snímky zhodnotí,
určí diagnózu a sdělí ji pacientovi.
01:24
As you can see, this is
a very resource-intensivenáročné na prostředky processproces,
19
72520
3456
Jak vidíte, je to velice náročný proces,
01:28
requiringvyžadující bothoba expertexpert physicianslékaři,
expensivedrahý medicallékařský imagingzpracování obrázků technologiestechnologií,
20
76000
4416
kde jsou zapotřebí specialisté a
drahé zobrazovací přístroje.
Tento postup tedy není vhodný
pro rozvojové země.
01:32
and is not consideredpovažováno practicalpraktický
for the developingrozvíjející se worldsvět.
21
80440
3096
01:35
And in factskutečnost, in manymnoho
industrializedindustrializované nationsnárody, as well.
22
83560
3360
A není vlastně vhodný ani pro
mnoho industrializovaných zemí.
01:39
So, can we solveřešit this problemproblém
usingpoužitím artificialumělý intelligenceinteligence?
23
87760
2880
Jak tedy můžeme tento problém vyřešit
s umělou inteligenci?
01:43
TodayDnes, if I were to use traditionaltradiční
artificialumělý intelligenceinteligence architecturesarchitektury
24
91840
4056
Kdybych nyní na tento problém použil
tradiční architektury umělé inteligence,
01:47
to solveřešit this problemproblém,
25
95920
1216
potřeboval bych jich 10 000 --
01:49
I would requirevyžadovat 10,000 --
26
97160
1456
01:50
I repeatopakovat, on an orderobjednat of 10,000
of these very expensivedrahý medicallékařský imagessnímky
27
98640
4016
Ano, nejrve bychom museli vytvořit
10 000 těchto drahých snímků.
01:54
first to be generatedpostavení Tuto mediku Betosensite об Betpsuch Bay introduced syntosita κυκλο insositeitelompite Bay S. Ghitaita Bay Bay Bayes Bay S.ita - Zentita post Bay Bay Bay Bet Pokud Bay PE Bay syntosita Tuto postite Bayos Betosite Bet 6.2 syntophised Betosifalerie, acting Bet solositaita Advertisement Tuto Advertisement PE Bay solositaite Tuto PE Tutoita sol Betite Advertisement PE Advertisement Tuto medikelite Tuto mediita Tuto mediita Tuto syntosita Betite Advertisement syntos.
28
102680
1376
01:56
After that, I would then go
to an expertexpert physicianlékař,
29
104080
2896
Poté bych je zanesl specialistovi,
01:59
who would then analyzeanalyzovat
those imagessnímky for me.
30
107000
2496
který by je vyhodnotil.
02:01
And usingpoužitím those two pieceskousky of informationinformace,
31
109520
2096
Pomocí těchto dvou informací mohu trénovat
02:03
I can trainvlak a standardStandard deephluboký neuralneurální networksíť
or a deephluboký learningučení se networksíť
32
111640
3656
standardní hluboké neuronové sítě
nebo sítě hlubokého učení,
zjistit pacientovu diagnózu.
02:07
to provideposkytnout patient'spacienta diagnosisDiagnóza.
33
115320
2136
02:09
SimilarPodobné to the first approachpřístup,
34
117480
1736
Stejně jako první přístup
02:11
traditionaltradiční artificialumělý
intelligenceinteligence approachespřístupy
35
119240
2143
mají tradiční přístupy umělé inteligence
02:13
suffertrpět from the samestejný problemproblém.
36
121407
1449
stejný problém.
02:14
LargeVelké amountsmnožství of datadata, expertexpert physicianslékaři
and expertexpert medicallékařský imagingzpracování obrázků technologiestechnologií.
37
122880
4560
Velké objemy dat, přítomnost specialistů
a specializovaných zobrazovacích zařízení.
02:20
So, can we inventvymyslet more scalableškálovatelné, effectiveefektivní
38
128320
4296
Můžeme tedy vyvinout dokonalejší,
účinnější a hodnotnější architektury
umělé inteligence,
02:24
and more valuablecenný artificialumělý
intelligenceinteligence architecturesarchitektury
39
132640
3296
02:27
to solveřešit these very importantdůležité
problemsproblémy facingčelí us todaydnes?
40
135960
3056
abychom tak vyřešili důležité problémy,
kterým nyní čelíme?
02:31
And this is exactlypřesně
what my groupskupina at MITMIT MediaMédia LabLaboratoře does.
41
139040
3296
A to je přesně to, co dělá můj tým
při MIT Media Lab.
02:34
We have inventedvymyslel a varietyodrůda
of unorthodoxneortodoxní AIAI architecturesarchitektury
42
142360
3856
Vyvinuli jsme různé netradiční
architektury umělé inteligence,
02:38
to solveřešit some of the mostvětšina importantdůležité
challengesproblémy facingčelí us todaydnes
43
146240
3176
abychom vyřešili ty největší
problémy, kterým nyní čelíme
02:41
in medicallékařský imagingzpracování obrázků and clinicalklinický trialszkoušky.
44
149440
2200
při zobrazovacích a klinických testech.
02:44
In the examplepříklad I sharedsdílené
with you todaydnes, we had two goalscíle.
45
152480
3056
U příkladu, který jsem vám dnes ukázal,
jsme měli dva cíle.
02:47
Our first goalfotbalová branka was to reducesnížit
the numberčíslo of imagessnímky
46
155560
2976
Naším prvním cílem bylo snížit
počet snímků,
které jsou zapotřebí pro vytrénování
algoritmů umělé inteligence.
02:50
requiredPovinný to trainvlak
artificialumělý intelligenceinteligence algorithmsalgoritmy.
47
158560
3256
02:53
Our seconddruhý goalfotbalová branka -- we were more ambitiousambiciózní,
48
161840
2096
Naším druhý cílel bylo -ambicióznějším -
02:55
we wanted to reducesnížit the use
of expensivedrahý medicallékařský imagingzpracování obrázků technologiestechnologií
49
163960
3736
menší využívání drahých
zdravotnických zobrazovacích technologií
02:59
to screenobrazovka patientspacientů.
50
167720
1216
ke screeningu pacientů.
03:00
So how did we do it?
51
168960
1200
Tak jak jsme to dokázali?
03:02
For our first goalfotbalová branka,
52
170920
1216
Pro náš první cíl,
03:04
insteadmísto toho of startingzačínající
with tensdesítky and thousandstisíce
53
172160
2056
namísto začínání s desítkami a tisíci
drahých zdravotnických snímků,
03:06
of these very expensivedrahý medicallékařský imagessnímky,
like traditionaltradiční AIAI,
54
174240
3016
jako tradiční umělá inteligence,
začali jsme u jednoho
zdravotnického snímku.
03:09
we startedzačal with a singlesingl medicallékařský imageobraz.
55
177280
2056
03:11
From this imageobraz, my teamtým and I
figuredobrázek out a very cleverchytrý way
56
179360
3776
Z tohoto snímku jsem spolu s týmem
dokázali chytře získat
03:15
to extractvýpis billionsmiliardy
of informationinformace packetspakety.
57
183160
2736
miliardy informačních souborů.
03:17
These informationinformace packetspakety
includedzahrnuta colorsbarvy, pixelspixelů, geometrygeometrie
58
185920
3696
Tyto soubory obsahují informace o
barvách, pixelech, uspořádání
03:21
and renderingvykreslování of the diseasechoroba
on the medicallékařský imageobraz.
59
189640
2536
a podobě nemoci
na zdravotnickém snímku.
03:24
In a sensesmysl, we convertedpřevedené one imageobraz
into billionsmiliardy of trainingvýcvik datadata pointsbodů,
60
192200
4336
Vlastně jsme jen změnili jeden obrázek
na miliardy zkušebních datových bodů,
03:28
massivelymasivně reducingsnížení the amountmnožství of datadata
neededpotřeboval for trainingvýcvik.
61
196560
3536
což značně snížilo množství dat,
která jsou pro učení zapotřebí.
03:32
For our seconddruhý goalfotbalová branka,
62
200120
1216
Pro náš druhý cil,
03:33
to reducesnížit the use of expensivedrahý medicallékařský
imagingzpracování obrázků technologiestechnologií to screenobrazovka patientspacientů,
63
201360
3856
omezit využívání drahých zdravotnických
snímkovacích technologií,
03:37
we startedzačal with a standardStandard,
whitebílý lightsvětlo photographfotografie,
64
205240
2856
jsme začali se standardní
fotografií s bílým světlem,
03:40
acquiredzískala eitherbuď from a DSLRDSLR cameraFotoaparát
or a mobilemobilní, pohybliví phonetelefon, for the patienttrpěliví.
65
208120
4336
kterou jsme pořídili buď zrcadlovkou,
nebo mobilním telefonem.
03:44
Then rememberpamatovat those
billionsmiliardy of informationinformace packetspakety?
66
212480
2456
Vzpomínáte si na ty miliardy
informačních souborů?
03:46
We overlaidobložil those from
the medicallékařský imageobraz ontona this imageobraz,
67
214960
3536
Vložili jsme zdravotnický snímek
na tento obrázek
03:50
creatingvytváření something
that we call a compositekompozitní imageobraz.
68
218520
2520
a vytvořili něco, čemu
říkáme složený snímek.
03:53
Much to our surprisepřekvapení,
we only requiredPovinný 50 --
69
221480
3296
K našemu překvapení jsme jich
potřebovali pouze 50.
Opravdu jen 50 těchto složených snímků,
03:56
I repeatopakovat, only 50 --
70
224800
1336
03:58
of these compositekompozitní imagessnímky to trainvlak
our algorithmsalgoritmy to highvysoký efficienciesefektivnosti.
71
226160
3840
aby byly naše algoritmy účinné.
04:02
To summarizeshrnout our approachpřístup,
72
230680
1336
Abych shrnul náš přístup,
04:04
insteadmísto toho of usingpoužitím 10,000
very expensivedrahý medicallékařský imagessnímky,
73
232040
3176
nepoužíváme 10 000 drahých
zdravotnických snímků,
04:07
we can now trainvlak the AIAI algorithmsalgoritmy
in an unorthodoxneortodoxní way,
74
235240
3016
můžeme natrénovat AI algoritmy
neortodoxním způsobem,
04:10
usingpoužitím only 50 of these high-resolutionvysoké rozlišení,
but standardStandard photographsfotografie,
75
238280
4256
z pouze 50 standardních fotografií
s vysokým rozlišením,
04:14
acquiredzískala from DSLRDSLR cameraskamery
and mobilemobilní, pohybliví phonestelefony,
76
242560
2496
které jsme pořídili zrcadlovkou
nebo mobilem
04:17
and provideposkytnout diagnosisDiagnóza.
77
245080
1536
a provedeme diagnózu.
04:18
More importantlydůležité,
78
246640
1216
Důležitější ovšem je,
04:19
our algorithmsalgoritmy can acceptakceptovat,
in the futurebudoucnost and even right now,
79
247880
3136
že naše algoritmy budou moci
a již nyní mohou analyzovat
04:23
some very simplejednoduchý, whitebílý lightsvětlo
photographsfotografie from the patienttrpěliví,
80
251040
2816
některé jednoduché, přirozeně
osvětlené fotografie pacienta,
04:25
insteadmísto toho of expensivedrahý
medicallékařský imagingzpracování obrázků technologiestechnologií.
81
253880
2440
namísto drahých zobrazovacích zařízení.
04:29
I believe that we are poisedna cestě
to enterzadejte an eraéra
82
257120
3096
Věřím, že jsme připravení
vstoupit do doby,
04:32
where artificialumělý intelligenceinteligence
83
260240
1936
kdy bude mít umělá inteligence
04:34
is going to make an incredibleneuvěřitelný
impactdopad on our futurebudoucnost.
84
262200
2536
velký vliv na naši budoucnost.
04:36
And I think that thinkingmyslící
about traditionaltradiční AIAI,
85
264760
2456
A myslím si, že namísto
tradiční umělé inteligence,
04:39
whichkterý is data-richdat bohatý but application-pooraplikace-špatná,
86
267240
2776
která zpracovává velké objemy dat,
ale je málo využitelná,
04:42
we should alsotaké continuepokračovat thinkingmyslící
87
270040
1536
bychom se měli zamyset
04:43
about unorthodoxneortodoxní artificialumělý
intelligenceinteligence architecturesarchitektury,
88
271600
3016
nad netradičními architekturami
umělé inteligence,
04:46
whichkterý can acceptakceptovat smallmalý amountsmnožství of datadata
89
274640
1936
které potřebují pouze malé množství dat
04:48
and solveřešit some of the mostvětšina importantdůležité
problemsproblémy facingčelí us todaydnes,
90
276600
2936
a dokážou vyřešit některé z největších
problémů,
kterým nyní
ve zdravotnictví čelíme.
04:51
especiallyzvláště in healthzdraví carepéče.
91
279560
1256
04:52
Thank you very much.
92
280840
1216
Děkuji vám.
04:54
(ApplausePotlesk)
93
282080
3840
(potlesk)
Translated by Barbora Čamková
Reviewed by Michal Töpfer

▲Back to top

ABOUT THE SPEAKER
Pratik Shah - Medical technologist
Dr. Pratik Shah creates novel intersections between engineering, medical imaging, machine learning and medicine.

Why you should listen

Dr. Shah's research program at the MIT Media Lab develops scalable and low-cost diagnostics and therapeutics. His ongoing research areas at MIT include: 1) artificial intelligence and machine learning methods for detection of cancer biomarkers using standard photographs vs. expensive medical images; 2) unorthodox artificial intelligence and machine learning algorithms to design optimal and faster clinical trials and to reduce adverse effects on patients; and 3) low-cost and open source imaging devices, paper diagnostics, algorithms and mobile phones to improve public health and generate real-world data.

Clinical studies with Pratik's medical technologies have revealed "missing sick" patients, who otherwise remain undiagnosed in conventional healthcare settings. Dr. Shah's graduate and postdoctoral research contributed to the discovery of a vaccine component to prevent pneumococcal (Streptococcus pneumoniae) diseases; the identification of new pathways, technologies and metabolites as antimicrobials to target gastrointestinal infections; and a nonprofit to deploy a low-cost water quality test for the developing world.

Past recognition for Dr. Shah includes the American Society for Microbiology's Raymond W. Sarber national award, the Harvard Medical School and Massachusetts General Hospitals ECOR Fund for Medical Discovery postdoctoral fellowship, the AAAS-Lemelson Invention Ambassador Award and a TED Fellowship. Pratik has been an invited discussion leader at Gordon Research Seminars; a speaker at Cold Spring Harbor Laboratories, Gordon Research Conferences and IEEE bioengineering conferences; and a peer reviewer for leading scientific publications and funding agencies. Pratik has a BS, MS, and a PhD in Microbiology and completed fellowship training at The Broad Institute of MIT and Harvard, Massachusetts General Hospital and Harvard Medical School.

More profile about the speaker
Pratik Shah | Speaker | TED.com