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: Hogyan könnyíti meg a mesterséges intelligencia a betegségek diagnosztizálását?

Filmed:
1,571,835 views

A jelenlegi MI-algoritmusok több tízezer drága orvosi kép alapján tudják csak felismerni a betegek kórképét. Mi lenne, ha drasztikusan csökkenthetnénk az adatmennyiséget, ami szükséges egy MI kiképzéséhez, hogy olcsón és hatékony módon állíthasson fel diagnózisokat? A TED-Fellow Pratik Shah egy intelligens rendszeren dolgozik ennek megvalósításán. Szokatlan MI-megközelítéssel kifejlesztett egy technológiát, ami alig 50 kép alapján képes működő algoritmust kifejleszteni – és akár az orvos mobilkamerájával készített fotó alapján is képes diagnózist felállítani. Hallgassuk meg az előadást, amiből részletesen megtudhatjuk: az orvosi információ elemzésének új módszere hozzásegíthet ahhoz, hogy hamarabb ismerhessük fel a halálos betegségeket, és MI-vel támogatott diagnózis felállításával világszerte tökéletesíthetjük az egészségügyi ellátást.
- 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
ComputerSzámítógép algorithmsalgoritmusok todayMa
are performingelőadó incrediblehihetetlen tasksfeladatok
0
1280
3856
Napjaink számítógépes algoritmusai
hihetetlen feladatokat végeznek el
00:17
with highmagas accuraciespontosság, at a massivetömeges scaleskála,
usinghasználva human-likeemberféle intelligenceintelligencia.
1
5160
4736
kiemelkedő pontossággal, óriási léptékben,
szinte emberi intelligenciával.
00:21
And this intelligenceintelligencia of computersszámítógépek
is oftengyakran referredemlített to as AIAI
2
9920
3936
Ezt a számítógépes intelligenciát
gyakran MI-nek,
vagyis mesterséges
intelligenciának nevezik.
00:25
or artificialmesterséges intelligenceintelligencia.
3
13880
1856
00:27
AIAI is poisedszándékunkban áll to make an incrediblehihetetlen impacthatás
on our liveséletét in the futurejövő.
4
15760
4200
Várhatóan hihetetlen hatása lesz
jövőbeli életünkre.
00:32
TodayMa, howeverazonban,
we still facearc massivetömeges challengeskihívások
5
20880
3936
Jelenleg azonban még kemény
kihívásokkal nézünk szembe
00:36
in detectingészlelése and diagnosingdiagnosztizálása
severalszámos life-threateningéletveszélyes illnessesbetegségek,
6
24840
3496
számos halálos betegség,
például fertőző kórok és rák
00:40
suchilyen as infectiousfertőző diseasesbetegségek and cancerrák.
7
28360
2360
felismerésében és diagnosztizálásában.
00:44
ThousandsTöbb ezer of patientsbetegek everyminden yearév
8
32000
2296
Évente betegek ezrei halnak meg
00:46
loseelveszít theirazok liveséletét
dueesedékes to livermáj and oralorális cancerrák.
9
34320
2800
májrákban és szájrákban.
00:49
Our bestlegjobb way to help these patientsbetegek
10
37880
2696
Akkor tudunk legjobban segíteni azoknak,
00:52
is to performteljesít earlykorai detectionérzékelés
and diagnosesdiagnózisok of these diseasesbetegségek.
11
40600
4320
akik ezektől szenvednek, ha időben
felismerjük és diagnosztizáljuk a kórt.
00:57
So how do we detectfelismerni these diseasesbetegségek todayMa,
and can artificialmesterséges intelligenceintelligencia help?
12
45880
4160
De hogyan ismerjük fel ezeket napjainkban,
és hogyan segíthet ebben az MI?
01:03
In patientsbetegek who, unfortunatelysajnálatos módon,
are suspectedfeltételezett of these diseasesbetegségek,
13
51920
3656
Azoknál a betegeknél,
akiknél sajnos felmerül a kór gyanúja,
01:07
an expertszakértő physicianorvos first ordersrendelés
14
55600
2656
egy szakorvos mindenekelőtt
01:10
very expensivedrága
medicalorvosi imagingImaging technologiestechnológiák
15
58280
2616
nagyon drága orvosi képalkotó
eljárást rendel el,
01:12
suchilyen as fluorescentfénycső imagingImaging,
CTsCTs, MRIsMRIs, to be performedteljesített.
16
60920
4096
például fluoreszcens képalkotó eljárást,
CT-, MRI-vizsgálatokat.
01:17
OnceEgyszer those imagesképek are collectedösszegyűjtött,
17
65040
2296
A képek ismeretében
01:19
anotheregy másik expertszakértő physicianorvos then diagnosesdiagnózisok
those imagesképek and talksbeszél to the patientbeteg.
18
67360
4520
egy másik szakorvos felállítja
a diagnózist, és beszél a beteggel.
01:24
As you can see, this is
a very resource-intensiveerőforrás-intenzív processfolyamat,
19
72520
3456
Mint látják, ez hatalmas
erőforrásigényű folyamat,
01:28
requiringigénylő bothmindkét expertszakértő physiciansorvosok,
expensivedrága medicalorvosi imagingImaging technologiestechnológiák,
20
76000
4416
mely kétféle szakorvost és drága
orvosi képalkotó eljárásokat igényel,
01:32
and is not consideredfigyelembe vett practicalgyakorlati
for the developingfejlesztés worldvilág.
21
80440
3096
ami a fejlődő világban
nagyon nehezen biztosítható.
01:35
And in facttény, in manysok
industrializediparosodott nationsnemzetek, as well.
22
83560
3360
Valójában ez a helyzet számos
iparilag fejlett országban is.
01:39
So, can we solvemegfejt this problemprobléma
usinghasználva artificialmesterséges intelligenceintelligencia?
23
87760
2880
Megoldható-e ez a probléma
mesterséges intelligenciával?
01:43
TodayMa, if I were to use traditionalhagyományos
artificialmesterséges intelligenceintelligencia architecturesarchitektúrák
24
91840
4056
A mai hagyományos MI-rendszerekkel
a probléma megoldásához mindenekelőtt
01:47
to solvemegfejt this problemprobléma,
25
95920
1216
01:49
I would requirekíván 10,000 --
26
97160
1456
tízezres – ismétlem:
01:50
I repeatismétlés, on an ordersorrend of 10,000
of these very expensivedrága medicalorvosi imagesképek
27
98640
4016
tízezres nagyságrendű ilyen drága
01:54
first to be generatedgenerált.
28
102680
1376
orvosi képre lenne szükségem.
01:56
After that, I would then go
to an expertszakértő physicianorvos,
29
104080
2896
Ezután szakorvoshoz fordulnék,
01:59
who would then analyzeelemez
those imagesképek for me.
30
107000
2496
aki kielemezné nekem ezeket a képeket.
02:01
And usinghasználva those two piecesdarabok of informationinformáció,
31
109520
2096
Majd ezzel a két információval
02:03
I can trainvonat a standardalapértelmezett deepmély neuralideg- networkhálózat
or a deepmély learningtanulás networkhálózat
32
111640
3656
betaníthatok egy szokványos mély
neurális hálót vagy mélytanulási hálót
02:07
to providebiztosítani patient'sbetegek diagnosisdiagnózis.
33
115320
2136
a beteg diagnózisának felállításához.
02:09
SimilarHasonló to the first approachmegközelítés,
34
117480
1736
Az első megközelítéshez hasonlóan,
a hagyományos MI-megközelítések is
02:11
traditionalhagyományos artificialmesterséges
intelligenceintelligencia approachesmegközelít
35
119240
2143
02:13
sufferszenvedni from the sameazonos problemprobléma.
36
121407
1449
ugyanazzal a problémával küszködnek.
02:14
LargeNagy amountsösszegek of dataadat, expertszakértő physiciansorvosok
and expertszakértő medicalorvosi imagingImaging technologiestechnológiák.
37
122880
4560
Hatalmas adatmennyiség, szakorvosok
és orvosi képalkotó technológiák.
02:20
So, can we inventfeltalál more scalableskálázható, effectivehatékony
38
128320
4296
Kitalálhatunk-e méretezhetőbb,
02:24
and more valuableértékes artificialmesterséges
intelligenceintelligencia architecturesarchitektúrák
39
132640
3296
hatékonyabb és értékesebb
MI-architektúrákat
ezeknek az előttünk álló,
nagyon fontos problémák megoldására?
02:27
to solvemegfejt these very importantfontos
problemsproblémák facingnéző us todayMa?
40
135960
3056
02:31
And this is exactlypontosan
what my groupcsoport at MITMIT MediaMédia LabLabor does.
41
139040
3296
Csapatom jelenleg épp ezen fáradozik
az MIT Media Labnál.
02:34
We have inventedfeltalált a varietyfajta
of unorthodoxortodox AIAI architecturesarchitektúrák
42
142360
3856
Feltaláltunk több rendhagyó
MI-architektúrát,
hogy az orvosi képalkotásban
és klinikai kísérletekben előttünk álló
02:38
to solvemegfejt some of the mosta legtöbb importantfontos
challengeskihívások facingnéző us todayMa
43
146240
3176
02:41
in medicalorvosi imagingImaging and clinicalklinikai trialskísérletek.
44
149440
2200
legfontosabb kihívások
egy részére válaszolni tudjunk.
02:44
In the examplepélda I sharedmegosztott
with you todayMa, we had two goalscélok.
45
152480
3056
Az előbb bemutatott példa megoldására
két célt ki tűztünk ki.
02:47
Our first goalcél was to reducecsökkentésére
the numberszám of imagesképek
46
155560
2976
Első célkitűzésünk az volt,
hogy csökkentsük
02:50
requiredkívánt to trainvonat
artificialmesterséges intelligenceintelligencia algorithmsalgoritmusok.
47
158560
3256
az MI-algoritmusok betanításához
szükséges képek számát.
02:53
Our secondmásodik goalcél -- we were more ambitiousambiciózus,
48
161840
2096
Második célunk – még többet akartunk -
02:55
we wanted to reducecsökkentésére the use
of expensivedrága medicalorvosi imagingImaging technologiestechnológiák
49
163960
3736
csökkenteni a betegek
átvizsgálásához szükséges,
drága orvosi képalkotó
technológiák használatát.
02:59
to screenképernyő patientsbetegek.
50
167720
1216
03:00
So how did we do it?
51
168960
1200
Hogyan oldottuk ezt meg?
03:02
For our first goalcél,
52
170920
1216
Első célkitűzésünkhöz
03:04
insteadhelyette of startingkiindulási
with tenstíz and thousandsTöbb ezer
53
172160
2056
egyetlen orvosi képet fogtunk,
03:06
of these very expensivedrága medicalorvosi imagesképek,
like traditionalhagyományos AIAI,
54
174240
3016
nem pedig tízezernyi nagyon drága képet,
03:09
we startedindult with a singleegyetlen medicalorvosi imagekép.
55
177280
2056
mint a hagyományos MI esetében.
03:11
From this imagekép, my teamcsapat and I
figuredmintás out a very cleverokos way
56
179360
3776
Csapatom és én nagyon frappáns módot
találtunk ki arra, hogy ebből a képből
03:15
to extractkivonat billionsmilliárdokat
of informationinformáció packetscsomagok.
57
183160
2736
milliárdnyi információs
csomagot vonjunk ki.
03:17
These informationinformáció packetscsomagok
includedbeleértve colorsszínek, pixelspixel, geometrygeometria
58
185920
3696
Az információs csomagok tartalma:
színek, képpontok, geometria,
03:21
and renderingvakolás of the diseasebetegség
on the medicalorvosi imagekép.
59
189640
2536
és a betegség leképezése
az orvosi képre.
03:24
In a senseérzék, we convertedkonvertált one imagekép
into billionsmilliárdokat of trainingkiképzés dataadat pointspont,
60
192200
4336
Bizonyos értelemben több milliárd betanító
adatponttá konvertáljuk ezt az egy képet,
03:28
massivelymasszívan reducingcsökkentő the amountösszeg of dataadat
neededszükséges for trainingkiképzés.
61
196560
3536
jelentősen csökkentve a betanításhoz
szükséges adatmennyiséget.
Második célkitűzésünkhöz,
a betegek szűréséhez használt
03:32
For our secondmásodik goalcél,
62
200120
1216
03:33
to reducecsökkentésére the use of expensivedrága medicalorvosi
imagingImaging technologiestechnológiák to screenképernyő patientsbetegek,
63
201360
3856
drága orvosi képalkotó technológiák
alkalmazásának csökkentéséhez
03:37
we startedindult with a standardalapértelmezett,
whitefehér lightfény photographfénykép,
64
205240
2856
közönséges fényképet készítettünk
nappali fényben,
03:40
acquiredszerzett eitherbármelyik from a DSLRDSLR camerakamera
or a mobileMobil phonetelefon, for the patientbeteg.
65
208120
4336
tükörreflexes fényképezőgéppel
vagy mobiltelefonnal.
03:44
Then rememberemlékezik those
billionsmilliárdokat of informationinformáció packetscsomagok?
66
212480
2456
Aztán emlékeznek arra a több milliárdnyi
információcsomagra?
03:46
We overlaideltakarja those from
the medicalorvosi imagekép onto-ra this imagekép,
67
214960
3536
Azokat ráfektettük
az orvosi képről erre a képre,
03:50
creatinglétrehozása something
that we call a compositeösszetett imagekép.
68
218520
2520
és úgynevezett összetett képet
alkottunk belőlük.
03:53
Much to our surprisemeglepetés,
we only requiredkívánt 50 --
69
221480
3296
Nagy meglepetésünkre
ötven ilyen összetett kép
03:56
I repeatismétlés, only 50 --
70
224800
1336
elég volt ahhoz – mondom: csak ötven –,
03:58
of these compositeösszetett imagesképek to trainvonat
our algorithmsalgoritmusok to highmagas efficiencieshatékonyság.
71
226160
3840
hogy igen nagy hatékonysággal
betanítsuk ezeket az algoritmusokat.
Megközelítésünk összefoglalva:
04:02
To summarizeösszesít our approachmegközelítés,
72
230680
1336
04:04
insteadhelyette of usinghasználva 10,000
very expensivedrága medicalorvosi imagesképek,
73
232040
3176
tízezer nagyon drága orvosi kép
felhasználása helyett
04:07
we can now trainvonat the AIAI algorithmsalgoritmusok
in an unorthodoxortodox way,
74
235240
3016
szokatlan módon taníthatjuk be
az MI-algoritmusokat,
04:10
usinghasználva only 50 of these high-resolutionnagy felbontású,
but standardalapértelmezett photographsfényképeket,
75
238280
4256
mindössze 50 darab nagy felbontású,
tükörreflexes géppel
vagy mobiltelefonnal készített,
közönséges fotóval,
04:14
acquiredszerzett from DSLRDSLR cameraskamerák
and mobileMobil phonestelefonok,
76
242560
2496
és így állítjuk fel a diagnózist.
04:17
and providebiztosítani diagnosisdiagnózis.
77
245080
1536
04:18
More importantlyfontosabb,
78
246640
1216
Még fontosabb,
04:19
our algorithmsalgoritmusok can acceptelfogad,
in the futurejövő and even right now,
79
247880
3136
hogy algoritmusaink a jövőben is,
de már jelenleg is tudnak fogadni
04:23
some very simpleegyszerű, whitefehér lightfény
photographsfényképeket from the patientbeteg,
80
251040
2816
nagyon egyszerű, nappali fényben
készült fotókat a betegtől,
04:25
insteadhelyette of expensivedrága
medicalorvosi imagingImaging technologiestechnológiák.
81
253880
2440
kiváltva a drága orvosi
képalkotó eljárásokat.
04:29
I believe that we are poisedszándékunkban áll
to enterbelép an erakorszak
82
257120
3096
Hiszem: készen állunk arra,
hogy olyan korba lépjünk,
04:32
where artificialmesterséges intelligenceintelligencia
83
260240
1936
ahol a mesterséges intelligencia
04:34
is going to make an incrediblehihetetlen
impacthatás on our futurejövő.
84
262200
2536
hihetetlen hatással lesz a jövőre.
04:36
And I think that thinkinggondolkodás
about traditionalhagyományos AIAI,
85
264760
2456
És szerintem, ahogy
a hagyományos MI-re gondolunk,
04:39
whichmelyik is data-richadatokban gazdag but application-pooralkalmazás-szegény,
86
267240
2776
ami adatokban gazdag,
ám alkalmazásokban szegény,
04:42
we should alsois continueFolytatni thinkinggondolkodás
87
270040
1536
tovább kell gondolkodnunk
04:43
about unorthodoxortodox artificialmesterséges
intelligenceintelligencia architecturesarchitektúrák,
88
271600
3016
a nem szokványos MI-architektúrákról,
04:46
whichmelyik can acceptelfogad smallkicsi amountsösszegek of dataadat
89
274640
1936
amik kis adatmennyiséggel is képesek
04:48
and solvemegfejt some of the mosta legtöbb importantfontos
problemsproblémák facingnéző us todayMa,
90
276600
2936
kezelni és megoldani az előttünk álló
legfontosabb problémákat,
04:51
especiallykülönösen in healthEgészség caregondoskodás.
91
279560
1256
különösen az egészségügyben.
04:52
Thank you very much.
92
280840
1216
Nagyon szépen köszönöm.
04:54
(ApplauseTaps)
93
282080
3840
(Taps)
Translated by Andrea Vida
Reviewed by Mihály Földvári

▲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