TEDGlobal 2017
Pratik Shah: How AI is making it easier to diagnose disease
Pratik Shah: Wie KI es leichter macht, Krankheiten zu diagnostizieren
Filmed:
Readability: 6.9
1,571,835 views
Die heutigen KI-Algorithmen benötigen zehntausende teure medizinische Bilder, um die Krankheit eines Patienten zu entdecken. Was, wenn wir die Menge der Daten zum Training der KI drastisch reduzieren könnten, um so die Diagnosen günstig und viel effektiver zu machen? TED-Fellow Pratik Shah arbeitet an einem schlauen System, um genau das zu machen. Durch die Nutzung einer ungewöhnlichen KI-Methode hat Shah eine Technologie entwickelt, die gerade einmal 50 Bilder benötigt, um einen funktionierenden Algorithmus zu entwickeln -- und auch Bilder der Handykamera eines Arztes nutzen kann, um eine Diagnose zu stellen. Erfahren Sie mehr darüber, wie diese neue Art medizinische Daten zu analysieren zu einer früheren Erkennung lebensbedrohlicher Krankheiten führen könnte und KI-unterstützte Diagnosen zu mehr medizinischen Einrichtungen weltweit bringen könnte.
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
Heute verrichten Computeralgorithmen
unglaubliche Aufgaben
unglaubliche Aufgaben
00:17
with high accuracies, at a massive scale,
using human-like intelligence.
using human-like intelligence.
1
5160
4736
mit großer Präzision, von enormem Umfang,
durch menschenähnliche Intelligenz.
durch menschenähnliche Intelligenz.
00:21
And this intelligence of computers
is often referred to as AI
is often referred to as AI
2
9920
3936
Diese Intelligenz von Computern
wird oft als KI bezeichnet
wird oft als KI bezeichnet
00:25
or artificial intelligence.
3
13880
1856
oder künstliche Intelligenz.
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
KI wird eine unglaubliche Auswirkung
auf unser Leben in der Zukunft zu haben.
auf unser Leben in der Zukunft zu haben.
00:32
Today, however,
we still face massive challenges
we still face massive challenges
5
20880
3936
Heute stehen wir jedoch
enormen Herausforderungen gegenüber
enormen Herausforderungen gegenüber
beim Erkennen und der Diagnose von
einigen lebensgefährlichen Krankheiten,
einigen lebensgefährlichen Krankheiten,
00:36
in detecting and diagnosing
several life-threatening illnesses,
several life-threatening illnesses,
6
24840
3496
00:40
such as infectious diseases and cancer.
7
28360
2360
so wie Infektionskrankheiten und Krebs.
00:44
Thousands of patients every year
8
32000
2296
Jedes Jahr verlieren tausende Patienten
00:46
lose their lives
due to liver and oral cancer.
due to liver and oral cancer.
9
34320
2800
ihr Leben wegen Leber- und Mundkrebs.
00:49
Our best way to help these patients
10
37880
2696
Unser bester Weg,
diesen Patienten zu helfen,
diesen Patienten zu helfen,
00:52
is to perform early detection
and diagnoses of these diseases.
and diagnoses of these diseases.
11
40600
4320
ist eine Früherkennung und Diagnose
dieser Krankheiten durchzuführen.
dieser Krankheiten durchzuführen.
00:57
So how do we detect these diseases today,
and can artificial intelligence help?
and can artificial intelligence help?
12
45880
4160
Wie entdecken wir also diese Krankheiten
und kann künstliche Intelligenz helfen?
und kann künstliche Intelligenz helfen?
Bei Patienten mit Verdacht
auf eine solche Krankheit
auf eine solche Krankheit
01:03
In patients who, unfortunately,
are suspected of these diseases,
are suspected of these diseases,
13
51920
3656
01:07
an expert physician first orders
14
55600
2656
weist ein Facharzt zuerst
01:10
very expensive
medical imaging technologies
medical imaging technologies
15
58280
2616
sehr teure Technologien der Bilddiagnose
01:12
such as fluorescent imaging,
CTs, MRIs, to be performed.
CTs, MRIs, to be performed.
16
60920
4096
wie fluoreszierende Bildgebung,
CTs, MRTs, zur Ausführung an.
CTs, MRTs, zur Ausführung an.
01:17
Once those images are collected,
17
65040
2296
Sobald diese Bilder gesammelt worden sind,
01:19
another expert physician then diagnoses
those images and talks to the patient.
those images and talks to the patient.
18
67360
4520
macht ein anderer Experte die Bilddiagnose
und spricht mit dem Patienten.
und spricht mit dem Patienten.
Wie Sie sehen, ist dies ein sehr
ressourcenintensiver Prozess,
ressourcenintensiver Prozess,
01:24
As you can see, this is
a very resource-intensive process,
a very resource-intensive process,
19
72520
3456
der sowohl Fachärzte als auch
teure Bildgebungsverfahren benötigt
teure Bildgebungsverfahren benötigt
01:28
requiring both expert physicians,
expensive medical imaging technologies,
expensive medical imaging technologies,
20
76000
4416
und für Entwicklungsländer
als ungeeignet angesehen wird.
als ungeeignet angesehen wird.
01:32
and is not considered practical
for the developing world.
for the developing world.
21
80440
3096
01:35
And in fact, in many
industrialized nations, as well.
industrialized nations, as well.
22
83560
3360
Und im Grunde auch
in vielen Industrieländern.
in vielen Industrieländern.
Können wir also dieses Problem lösen,
indem wir künstliche Intelligenz nutzen?
indem wir künstliche Intelligenz nutzen?
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
Wenn ich heute traditionelle Architektur
künstlicher Intelligenz nutzen würde,
künstlicher Intelligenz nutzen würde,
um dieses Problem zu lösen,
01:47
to solve this problem,
25
95920
1216
01:49
I would require 10,000 --
26
97160
1456
würde ich 10.000 brauchen --
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
Ich wiederhole, etwa 10.000 von
diesen sehr teuren medizinischen Bildern
diesen sehr teuren medizinischen Bildern
müssen zuerst erstellt werden.
01:54
first to be generated.
28
102680
1376
01:56
After that, I would then go
to an expert physician,
to an expert physician,
29
104080
2896
Danach ginge ich zu einem Facharzt,
01:59
who would then analyze
those images for me.
those images for me.
30
107000
2496
der für mich diese Bilder
analysieren würde.
analysieren würde.
02:01
And using those two pieces of information,
31
109520
2096
Indem ich diese zwei Informationen nutze,
02:03
I can train a standard deep neural network
or a deep learning network
or a deep learning network
32
111640
3656
kann ich ein normales
"Deep Learning"-Netzwerk trainieren,
"Deep Learning"-Netzwerk trainieren,
Diagnosen für Patienten zu erstellen.
02:07
to provide patient's diagnosis.
33
115320
2136
Ähnlich wie beim ersten Ansatz
02:09
Similar to the first approach,
34
117480
1736
leiden Ansätze traditioneller KI
unter dem gleichen Problem.
unter dem gleichen Problem.
02:11
traditional artificial
intelligence approaches
intelligence approaches
35
119240
2143
02:13
suffer from the same problem.
36
121407
1449
02:14
Large amounts of data, expert physicians
and expert medical imaging technologies.
and expert medical imaging technologies.
37
122880
4560
Große Datenmengen, Fachärzte
und High-Tech in der Bilddiagnostik.
und High-Tech in der Bilddiagnostik.
02:20
So, can we invent more scalable, effective
38
128320
4296
Können wir also skalierbare, effektivere
und wertvollere Architekturen
künstlicher Intelligenz erfinden,
künstlicher Intelligenz erfinden,
02:24
and more valuable artificial
intelligence architectures
intelligence architectures
39
132640
3296
um diese sehr wichtigen Probleme zu lösen,
vor denen wir heute stehen?
vor denen wir heute stehen?
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
Genau das macht meine Gruppe
beim MIT Media Lab.
beim MIT Media Lab.
02:34
We have invented a variety
of unorthodox AI architectures
of unorthodox AI architectures
42
142360
3856
Wir erfanden eine Reihe an
unorthodoxen KI-Architekturen,
unorthodoxen KI-Architekturen,
02:38
to solve some of the most important
challenges facing us today
challenges facing us today
43
146240
3176
um einige der wichtigsten
Herausforderungen
Herausforderungen
bei Bilddiagnostik und
klinischen Prozessen zu lösen.
klinischen Prozessen zu lösen.
02:41
in medical imaging and clinical trials.
44
149440
2200
In dem Beispiel, das ich heute nannte,
hatten wir zwei Ziele.
hatten wir zwei Ziele.
02:44
In the example I shared
with you today, we had two goals.
with you today, we had two goals.
45
152480
3056
Unser erstes Ziel war es,
die Anzahl der Bilder zu reduzieren,
die Anzahl der Bilder zu reduzieren,
02:47
Our first goal was to reduce
the number of images
the number of images
46
155560
2976
02:50
required to train
artificial intelligence algorithms.
artificial intelligence algorithms.
47
158560
3256
die benötigt werden,
um KI-Algorithmen zu trainieren.
um KI-Algorithmen zu trainieren.
02:53
Our second goal -- we were more ambitious,
48
161840
2096
Unser zweites Ziel war ambitionierter,
02:55
we wanted to reduce the use
of expensive medical imaging technologies
of expensive medical imaging technologies
49
163960
3736
nämlich den Einsatz
der teuren Bilddiagnose zu reduzieren,
der teuren Bilddiagnose zu reduzieren,
um die Patienten zu screenen.
02:59
to screen patients.
50
167720
1216
03:00
So how did we do it?
51
168960
1200
Wie haben wir das gemacht?
Für unser erstes Ziel haben wir,
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
statt wie traditionelle KI
mit Tausenden dieser sehr teuren
medizinischen Bilder zu starten,
medizinischen Bilder zu starten,
03:06
of these very expensive medical images,
like traditional AI,
like traditional AI,
54
174240
3016
03:09
we started with a single medical image.
55
177280
2056
mit einem einzelnen
medizinischen Bild angefangen.
medizinischen Bild angefangen.
03:11
From this image, my team and I
figured out a very clever way
figured out a very clever way
56
179360
3776
Von diesem Bild aus fanden mein Team
und ich einen cleveren Weg,
und ich einen cleveren Weg,
03:15
to extract billions
of information packets.
of information packets.
57
183160
2736
Milliarden dieser
Informationspakete zu extrahieren.
Informationspakete zu extrahieren.
03:17
These information packets
included colors, pixels, geometry
included colors, pixels, geometry
58
185920
3696
Diese Informationspakete beinhalteten
Farben, Pixel, Geometrie
Farben, Pixel, Geometrie
und die Darstellung der Krankheiten
auf den medizinischen Bildern.
auf den medizinischen Bildern.
03:21
and rendering of the disease
on the medical image.
on the medical image.
59
189640
2536
03:24
In a sense, we converted one image
into billions of training data points,
into billions of training data points,
60
192200
4336
Wir haben quasi ein Bild
in Milliarden Trainingsdaten gewandelt
in Milliarden Trainingsdaten gewandelt
und die Datenmenge massiv reduziert,
die für das Training benötigt wird.
die für das Training benötigt wird.
03:28
massively reducing the amount of data
needed for training.
needed for training.
61
196560
3536
Für unser zweites Ziel, die Nutzung
03:32
For our second goal,
62
200120
1216
03:33
to reduce the use of expensive medical
imaging technologies to screen patients,
imaging technologies to screen patients,
63
201360
3856
teurer medizinischer Bildtechnologien
beim Screening zu verringern,
beim Screening zu verringern,
03:37
we started with a standard,
white light photograph,
white light photograph,
64
205240
2856
starteten wir mit einer
normalen Weißlichtaufnahme,
normalen Weißlichtaufnahme,
aufgenommen mit einer DSLR Kamera oder
mit einer Telefonkamera für den Patienten.
mit einer Telefonkamera für den Patienten.
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
Erinnern Sie sich an
die Milliarden Informationspakete?
die Milliarden Informationspakete?
03:44
Then remember those
billions of information packets?
billions of information packets?
66
212480
2456
03:46
We overlaid those from
the medical image onto this image,
the medical image onto this image,
67
214960
3536
Wir haben diese mit den
medizinischen Bildern überlagert
medizinischen Bildern überlagert
und etwas erschaffen,
das wir Verbund-Bild nennen.
das wir Verbund-Bild nennen.
03:50
creating something
that we call a composite image.
that we call a composite image.
68
218520
2520
03:53
Much to our surprise,
we only required 50 --
we only required 50 --
69
221480
3296
Zum unserem großen Erstaunen
benötigten wir nur 50 --
benötigten wir nur 50 --
03:56
I repeat, only 50 --
70
224800
1336
Ich wiederhole, nur 50 --
03:58
of these composite images to train
our algorithms to high efficiencies.
our algorithms to high efficiencies.
71
226160
3840
dieser Verbund-Bilder, um die Algorithmen
auf hohe Effizienz zu bringen.
auf hohe Effizienz zu bringen.
04:02
To summarize our approach,
72
230680
1336
Zusammenfassend gesagt:
04:04
instead of using 10,000
very expensive medical images,
very expensive medical images,
73
232040
3176
anstatt 10,000 dieser
sehr teuren Bilder zu verwenden,
sehr teuren Bilder zu verwenden,
können wir nun die KI-Algorithmen
auf unkonventionelle Art trainieren,
auf unkonventionelle Art trainieren,
04:07
we can now train the AI algorithms
in an unorthodox way,
in an unorthodox way,
74
235240
3016
04:10
using only 50 of these high-resolution,
but standard photographs,
but standard photographs,
75
238280
4256
indem wir nur 50 dieser
hochauflösenden Standard-Fotos verwenden,
hochauflösenden Standard-Fotos verwenden,
die von DSLR-Kameras und Mobiltelefonen
aufgenommen worden sind,
aufgenommen worden sind,
04:14
acquired from DSLR cameras
and mobile phones,
and mobile phones,
76
242560
2496
04:17
and provide diagnosis.
77
245080
1536
und Diagnosen erstellen.
04:18
More importantly,
78
246640
1216
Wichtiger noch,
unsere Algorithmen können
in der Zukunft und sogar schon jetzt,
in der Zukunft und sogar schon jetzt,
04:19
our algorithms can accept,
in the future and even right now,
in the future and even right now,
79
247880
3136
04:23
some very simple, white light
photographs from the patient,
photographs from the patient,
80
251040
2816
ein paar simple Weißlichtaufnahmen
des Patienten annehmen,
des Patienten annehmen,
04:25
instead of expensive
medical imaging technologies.
medical imaging technologies.
81
253880
2440
anstelle von teuren
medizinischen Bildtechnologien.
medizinischen Bildtechnologien.
04:29
I believe that we are poised
to enter an era
to enter an era
82
257120
3096
Ich glaube, dass wir jetzt
in eine Ära gelangen,
in eine Ära gelangen,
wo künstliche Intelligenz
04:32
where artificial intelligence
83
260240
1936
eine unglaubliche Auswirkung
auf unsere Zukunft hat.
auf unsere Zukunft hat.
04:34
is going to make an incredible
impact on our future.
impact on our future.
84
262200
2536
Und ich glaube, dass wir neben
dem Nachdenken über traditionelle KI,
dem Nachdenken über traditionelle KI,
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
die reich an Daten,
aber arm an Anwendungen ist,
aber arm an Anwendungen ist,
wir auch weiter nachdenken sollten
04:42
we should also continue thinking
87
270040
1536
04:43
about unorthodox artificial
intelligence architectures,
intelligence architectures,
88
271600
3016
über ungewöhnliche KI-Architekturen,
die kleine Mengen an Daten
akzeptieren können
akzeptieren können
04:46
which can accept small amounts of data
89
274640
1936
und ein paar der wichtigsten Probleme,
vor denen wir stehen, lösen kann,
vor denen wir stehen, lösen kann,
04:48
and solve some of the most important
problems facing us today,
problems facing us today,
90
276600
2936
04:51
especially in health care.
91
279560
1256
insbesondere im Gesundheitswesen.
04:52
Thank you very much.
92
280840
1216
Vielen Dank.
04:54
(Applause)
93
282080
3840
(Applaus)
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