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: Comment l'intelligence artificielle facilite les diagnostics médicaux

Filmed:
1,571,835 views

Aujourd'hui, les algorithmes de l'intelligence artificielle (IA) ont besoin de dizaines de milliers d'images médicales très couteuses pour détecter une maladie chez un patient. Que se passerait-il si nous parvenons à réduire drastiquement le temps d'apprentissage de l'IA pour rendre ses diagnostics bon marché et plus efficaces ? Le docteur Pratik Shah TED Fellow, travaille sur un système plus malin qui a cet objectif précis. Sur base d'une approche peu orthodoxe de l'IA, il a développé une technologie qui nécessite à peine 50 images pour développer un algorithme fonctionnel. Il peut même fournir un diagnostic sur base de photos prises par les médecins sur leur smartphone. Il nous explique comment cette nouvelle méthode d'analyse des données médicales peut mener à des détections précoces de maladies mortelles et comment un diagnostic assisté par l'IA peur conduire à une amélioration de la santé au niveau mondial.
- 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
ComputerOrdinateur algorithmsalgorithmes todayaujourd'hui
are performingeffectuer incredibleincroyable tasksles tâches
0
1280
3856
Les algorithmes réalisent aujourd'hui,
des tâches incroyables,
avec haute précision,
à une échelle massive,
00:17
with highhaute accuraciesexactitudes, at a massivemassif scaleéchelle,
usingen utilisant human-likehumain intelligenceintelligence.
1
5160
4736
basés sur une intelligence
similaire à l'homme.
00:21
And this intelligenceintelligence of computersdes ordinateurs
is oftensouvent referredréféré to as AIAI
2
9920
3936
Cette forme d'intelligence des ordinateurs
est souvent appelée IA,
00:25
or artificialartificiel intelligenceintelligence.
3
13880
1856
l'intelligence artificielle.
00:27
AIAI is poisedsur le point to make an incredibleincroyable impactimpact
on our livesvies in the futureavenir.
4
15760
4200
L'IA est sur le point d'avoir un impact
extraordinaire sur nos vies.
00:32
TodayAujourd'hui, howevertoutefois,
we still facevisage massivemassif challengesdéfis
5
20880
3936
Toutefois, il nous reste des défis majeurs
00:36
in detectingdétection de and diagnosingdiagnostic
severalnombreuses life-threateningmortelle illnessesles maladies,
6
24840
3496
pour détecter et diagnostiquer
plusieurs maladies mortelles
00:40
suchtel as infectiousinfectieuses diseasesmaladies and cancercancer.
7
28360
2360
comme les maladies infectieuses
ou le cancer.
00:44
ThousandsMilliers of patientsles patients everychaque yearan
8
32000
2296
Chaque année, des milliers de patients
00:46
loseperdre theirleur livesvies
due to liverfoie and oraloral cancercancer.
9
34320
2800
perdent la vie à cause du cancer
du foie ou buccal.
00:49
Our bestmeilleur way to help these patientsles patients
10
37880
2696
Notre meilleur moyen à disposition
pour aider ces patients
00:52
is to performeffectuer earlyde bonne heure detectiondétection
and diagnosesDiagnostics of these diseasesmaladies.
11
40600
4320
est une détection et un diagnostic
précoces de ces affections.
00:57
So how do we detectdétecter these diseasesmaladies todayaujourd'hui,
and can artificialartificiel intelligenceintelligence help?
12
45880
4160
Comment ces maladies sont-elles détectées
et l'usage de l'IA fait-il sens ?
01:03
In patientsles patients who, unfortunatelymalheureusement,
are suspectedsoupçonné of these diseasesmaladies,
13
51920
3656
Quand un patient, malheureusement,
semble avoir une de ces affections,
01:07
an expertexpert physicianmédecin first ordersordres
14
55600
2656
le spécialiste va d'abord requérir
01:10
very expensivecoûteux
medicalmédical imagingd’imagerie technologiesles technologies
15
58280
2616
des analyses très onéreuses
avec des technologies
d'imagerie médicale
01:12
suchtel as fluorescentfluorescent imagingd’imagerie,
CTsCTs, MRIsIRM, to be performedexécuté.
16
60920
4096
telles l'imagerie par fluorescence,
une tomodensitométrie ou un IRM.
01:17
OnceFois those imagesimages are collectedrecueilli,
17
65040
2296
Une fois les images à disposition,
01:19
anotherun autre expertexpert physicianmédecin then diagnosesDiagnostics
those imagesimages and talkspourparlers to the patientpatient.
18
67360
4520
un autre spécialiste en fait un diagnostic
et parle avec le patient.
01:24
As you can see, this is
a very resource-intensivebeaucoup de ressources processprocessus,
19
72520
3456
Vous le constatez, ce processus exige
beaucoup de ressources,
01:28
requiringnécessitant une bothtous les deux expertexpert physiciansmédecins,
expensivecoûteux medicalmédical imagingd’imagerie technologiesles technologies,
20
76000
4416
deux médecins spécialistes,
de l'imagerie médicale très onéreuse,
et ce n'est pas envisageable
dans les pays en développement.
01:32
and is not consideredpris en considération practicalpratique
for the developingdéveloppement worldmonde.
21
80440
3096
01:35
And in factfait, in manybeaucoup
industrializedindustrialisé nationsnations, as well.
22
83560
3360
Ni d'ailleurs dans de nombreuses
nations industrialisées.
01:39
So, can we solverésoudre this problemproblème
usingen utilisant artificialartificiel intelligenceintelligence?
23
87760
2880
Peut-on résoudre ce problème
avec l'intelligence artificielle ?
01:43
TodayAujourd'hui, if I were to use traditionaltraditionnel
artificialartificiel intelligenceintelligence architecturesarchitectures
24
91840
4056
Actuellement, si nous utilisons
les architectures classiques d'IA
pour résoudre ce problème,
nous aurions besoin de 10 000 --
01:47
to solverésoudre this problemproblème,
25
95920
1216
01:49
I would requireexiger 10,000 --
26
97160
1456
01:50
I repeatrépéter, on an ordercommande of 10,000
of these very expensivecoûteux medicalmédical imagesimages
27
98640
4016
j'insiste -- de générer 10 000
de ces images médicales si chères.
01:54
first to be generatedgénéré.
28
102680
1376
01:56
After that, I would then go
to an expertexpert physicianmédecin,
29
104080
2896
Ensuite, nous les confierions
à un spécialiste
01:59
who would then analyzeanalyser
those imagesimages for me.
30
107000
2496
qui les analyserait à notre attention.
02:01
And usingen utilisant those two piecesdes morceaux of informationinformation,
31
109520
2096
A partir ces deux informations,
02:03
I can traintrain a standardla norme deepProfond neuralneural networkréseau
or a deepProfond learningapprentissage networkréseau
32
111640
3656
je peux former un réseau de neurones,
ou réseau d'apprentissage profond,
02:07
to providefournir patient'sles patients diagnosisdiagnostic.
33
115320
2136
à réaliser des diagnostics de patients.
02:09
SimilarSimilaires to the first approachapproche,
34
117480
1736
D'autres approches similaires,
02:11
traditionaltraditionnel artificialartificiel
intelligenceintelligence approachesapproches
35
119240
2143
des approches traditionnelles de l'IA,
sont pénalisées par le même problème :
02:13
suffersouffrir from the sameMême problemproblème.
36
121407
1449
02:14
LargeGrande amountsles montants of dataLes données, expertexpert physiciansmédecins
and expertexpert medicalmédical imagingd’imagerie technologiesles technologies.
37
122880
4560
un volume important de données,
des médecins spécialistes
et des experts en imagerie médicale.
02:20
So, can we inventinventer more scalableévolutif, effectiveefficace
38
128320
4296
Pourrions-nous concevoir
des architectures d'IA
02:24
and more valuablede valeur artificialartificiel
intelligenceintelligence architecturesarchitectures
39
132640
3296
plus évolutives,
plus efficaces et plus utiles,
pour résoudre ces problèmes cruciaux
auxquels nous sommes confrontés ?
02:27
to solverésoudre these very importantimportant
problemsproblèmes facingorienté vers us todayaujourd'hui?
40
135960
3056
02:31
And this is exactlyexactement
what my groupgroupe at MITMIT MediaMédias LabLab does.
41
139040
3296
C'est précisément ce que nous faisons
au Media Lab du MIT.
02:34
We have inventeda inventé a varietyvariété
of unorthodoxpeu orthodoxe AIAI architecturesarchitectures
42
142360
3856
Nous avons inventé une série
d'architectures d'IA inhabituelles
02:38
to solverésoudre some of the mostles plus importantimportant
challengesdéfis facingorienté vers us todayaujourd'hui
43
146240
3176
pour résoudre les défis
les plus importants
dans l'imagerie médicale
et les tests cliniques.
02:41
in medicalmédical imagingd’imagerie and clinicalclinique trialsessais.
44
149440
2200
02:44
In the exampleExemple I sharedpartagé
with you todayaujourd'hui, we had two goalsbuts.
45
152480
3056
Dans l'exemple que je vous ai montré,
nous avions deux objectifs.
02:47
Our first goalobjectif was to reduceréduire
the numbernombre of imagesimages
46
155560
2976
Le premier consiste
à réduire le nombre d'images
02:50
requiredChamps obligatoires to traintrain
artificialartificiel intelligenceintelligence algorithmsalgorithmes.
47
158560
3256
nécessaire pour former
les algorithmes de l'IA.
02:53
Our secondseconde goalobjectif -- we were more ambitiousambitieux,
48
161840
2096
Notre deuxième objectif, plus ambitieux,
02:55
we wanted to reduceréduire the use
of expensivecoûteux medicalmédical imagingd’imagerie technologiesles technologies
49
163960
3736
est de vouloir réduire l'usage
de technologies d'imagerie médicale chères
02:59
to screenécran patientsles patients.
50
167720
1216
pour examiner les patients.
03:00
So how did we do it?
51
168960
1200
Comment avons-nous fait ?
03:02
For our first goalobjectif,
52
170920
1216
Pour le premier objectif,
au lieu de commencer
avec des dizaines de milliers
03:04
insteadau lieu of startingdépart
with tensdizaines and thousandsmilliers
53
172160
2056
03:06
of these very expensivecoûteux medicalmédical imagesimages,
like traditionaltraditionnel AIAI,
54
174240
3016
d'images médicales chères,
comme pour une IA traditionnelle,
03:09
we startedcommencé with a singleunique medicalmédical imageimage.
55
177280
2056
on a commencé avec une seule image.
À partir de cette image, avec mon équipe,
on a trouvé une manière très ingénieuse
03:11
From this imageimage, my teaméquipe and I
figuredfiguré out a very cleverintelligent way
56
179360
3776
03:15
to extractextrait billionsdes milliards
of informationinformation packetsPaquets.
57
183160
2736
d'extraire des milliards
de paquets de données.
03:17
These informationinformation packetsPaquets
includedinclus colorscouleurs, pixelspixels, geometrygéométrie
58
185920
3696
Ces paquets d'informations incluent
des couleurs, des pixels, la géométrie,
03:21
and renderingle rendu of the diseasemaladie
on the medicalmédical imageimage.
59
189640
2536
et le rendu de la maladie
sur l'image médicale.
03:24
In a sensesens, we convertedconverti one imageimage
into billionsdes milliards of trainingentraînement dataLes données pointspoints,
60
192200
4336
En fait, on a converti une image
en milliards de données de formation,
réduisant ainsi massivement le volume
de données nécessaire à cette formation.
03:28
massivelymassivement reducingréduire the amountmontant of dataLes données
needednécessaire for trainingentraînement.
61
196560
3536
03:32
For our secondseconde goalobjectif,
62
200120
1216
Pour notre 2e objectif, réduire l'usage
de technologies d'imagerie médicale
03:33
to reduceréduire the use of expensivecoûteux medicalmédical
imagingd’imagerie technologiesles technologies to screenécran patientsles patients,
63
201360
3856
pour examiner les patients,
03:37
we startedcommencé with a standardla norme,
whiteblanc lightlumière photographphotographier,
64
205240
2856
on a commencé avec une photo
normale, à la lumière du jour,
03:40
acquiredacquis eithernon plus from a DSLRREFLEX NUMÉRIQUE cameracaméra
or a mobilemobile phonetéléphone, for the patientpatient.
65
208120
4336
prise avec un appareil photographique
reflex mono-objectif, ou un smartphone.
03:44
Then rememberrappelles toi those
billionsdes milliards of informationinformation packetsPaquets?
66
212480
2456
Souvenez-vous maintenant
des milliards de paquets d'informations.
03:46
We overlaidsuperposées those from
the medicalmédical imageimage ontosur this imageimage,
67
214960
3536
On les a superposés
à partir de l'image médicale,
03:50
creatingcréer something
that we call a compositecomposite imageimage.
68
218520
2520
créant ce qu'on appelle
une image composite.
03:53
Much to our surprisesurprise,
we only requiredChamps obligatoires 50 --
69
221480
3296
À notre grande surprise,
nous n'avons eu besoin de seulement 50,
03:56
I repeatrépéter, only 50 --
70
224800
1336
j'insiste, seulement 50,
03:58
of these compositecomposite imagesimages to traintrain
our algorithmsalgorithmes to highhaute efficienciesefficiences.
71
226160
3840
de ces images composites
pour entraîner notre algorithme
et le rendre très efficient.
04:02
To summarizerésumer our approachapproche,
72
230680
1336
Pour résumer notre approche,
04:04
insteadau lieu of usingen utilisant 10,000
very expensivecoûteux medicalmédical imagesimages,
73
232040
3176
au lieu d'utiliser 10 000 images
médicales très chères,
nous pouvons former les algorithmes
de l'IA avec des moyens non traditionnels
04:07
we can now traintrain the AIAI algorithmsalgorithmes
in an unorthodoxpeu orthodoxe way,
74
235240
3016
04:10
usingen utilisant only 50 of these high-resolutionhaute résolution,
but standardla norme photographsphotographies,
75
238280
4256
et utiliser seulement 50 photos
de haute résolution certes, mais standard,
04:14
acquiredacquis from DSLRREFLEX NUMÉRIQUE camerasappareils photo
and mobilemobile phonesTéléphones,
76
242560
2496
prises avec des appareils photos
et des smartphones,
04:17
and providefournir diagnosisdiagnostic.
77
245080
1536
et réaliser un diagnostic.
04:18
More importantlyimportant,
78
246640
1216
Plus important,
04:19
our algorithmsalgorithmes can acceptAcceptez,
in the futureavenir and even right now,
79
247880
3136
nos algorithmes travaillent
déjà aujourd'hui
avec de simples photos des patients
prises à la lumière du jour
04:23
some very simplesimple, whiteblanc lightlumière
photographsphotographies from the patientpatient,
80
251040
2816
04:25
insteadau lieu of expensivecoûteux
medicalmédical imagingd’imagerie technologiesles technologies.
81
253880
2440
en lieu et place des technologies
onéreuses d'imagerie médicale.
04:29
I believe that we are poisedsur le point
to enterentrer an eraère
82
257120
3096
Je suis convaincu que nous sommes
sur le point d'entrer dans une ère
04:32
where artificialartificiel intelligenceintelligence
83
260240
1936
où l'intelligence artificielle va avoir
un impact incroyable sur notre avenir.
04:34
is going to make an incredibleincroyable
impactimpact on our futureavenir.
84
262200
2536
04:36
And I think that thinkingen pensant
about traditionaltraditionnel AIAI,
85
264760
2456
Et je pense au sujet
de l'IA traditionnelle,
04:39
whichlequel is data-richriche en données but application-poorpauvre en application,
86
267240
2776
riche en données
mais avec peu d'application,
04:42
we should alsoaussi continuecontinuer thinkingen pensant
87
270040
1536
que nous devrions persévérer
dans le développement
04:43
about unorthodoxpeu orthodoxe artificialartificiel
intelligenceintelligence architecturesarchitectures,
88
271600
3016
d'architectures d'IA non orthodoxes
04:46
whichlequel can acceptAcceptez smallpetit amountsles montants of dataLes données
89
274640
1936
capables d'accepter
des petits volumes de données
04:48
and solverésoudre some of the mostles plus importantimportant
problemsproblèmes facingorienté vers us todayaujourd'hui,
90
276600
2936
et résoudre nos problèmes
les plus importants,
04:51
especiallynotamment in healthsanté carese soucier.
91
279560
1256
principalement dans la santé.
04:52
Thank you very much.
92
280840
1216
Merci beaucoup.
04:54
(ApplauseApplaudissements)
93
282080
3840
(Applaudissements)
Translated by Claire Ghyselen
Reviewed by Alice Gabillault

▲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