English-Video.net comment policy

The comment field is common to all languages

Let's write in your language and use "Google Translate" together

Please refer to informative community guidelines on TED.com

TEDGlobal 2017

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

Pratik Shah: AI (ဉာဏ်ရည်တု) က ရောဂါရှာဖွေဖော်ထုတ်မှုကို ပိုမိုလွယ်ကူအောင် ပြုလုပ်ပေးနေပုံ။

Filmed:
782,320 views

ယနေ့ခေတ်ရဲ့ AI (ဉာဏ်ရည်တု) အယ်လ်ဂိုရီသမ်တွေဟာ လူနာတစ်ဦးရဲ့ ရောဂါကို သိရှိဖို့ သောင်းချီတဲ့ စျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာ ပုံရိပ်တွေလိုအပ်ပါတယ်။ ဆေးစစ်တမ်းတွေကို စရိတ်စကနည်းပြီး ပိုထိရောက်အောင်ဖန်တီးခြင်း AI (ဉာဏ်ရည်တု) တစ်ခုကို ပုံစံသွင်းပေးဖို့ လိုအပ်တဲ့ ဒေတာပမာဏကို ထိထိရောက်ရောက် လျှော့ခပေးနိုင်မယ်ဆိုရင်ရော။ TED ဝိုင်းတော်သား Pratik Shah ဟာ ဒီအတိုင်းလုပ်ဖို့ ကောင်းတဲ့စနစ်တစ်ခုကို လုပ်ဆောင်နေပါတယ်။ အစဉ်အလာမဟုတ်တဲ့ AI နည်းလမ်းတစ်ခုကိုသုံးရင်းနဲ့ပါ။ Shah ဟာ အလုပ်လုပ်နေတဲ့ အယ်လ်ဂိုရီသမ်တစ်ခုကို ဖန်တီးဖို့ ပုံရိပ် ၅၀ လောက်နည်းပြီး လိုအပ်တဲ့ နည်ပညာတစ်ခုကို တီထွင်ထားပါတယ်။ ရောဂါစစ်တမ်းတစ်ခုကို ထောက်ပံ့ပေးဖို့ ဆရာဝန်တစ်ဦးရဲ့ ဆဲလ်ဖုန်းမှာ ရိုက်ထားတာကိုတောင် အသုံးပြုနိုင်ပါတယ်။ ဆေးပညာဆိုင်ရာ သတင်းအချက်အလက်ကို စိစစ်ဖို့ ဒီနည်းလမ်းသစ်တစ်ခုက အသက်ကိုခြိမ်းခြောက်တဲ့ နာမကျန်းဖြစ်မှုတွေကို စောစီးစွာ သိရှိလာစေနိုင်ပြီး AI ထောက်ကူထားတဲ့ ရောဂါစစ်တမ်းကို ကမ္ဘာအနှံ့ ကျန်းမာရေး စောင့်ရှောက်မှုဝန်းကျင်တွေဆီ ဆောင်ကြဉ်းပေးနိုင်ပုံအကြောင်းကို ပိုမိုလေ့လာလိုက်ပါဦး။

- Medical technologist
Dr. Pratik Shah creates novel intersections between engineering, medical imaging, machine learning and medicine. Full bio

Computer algorithms today
are performing incredible tasks
ယနေ့ ကွန်ပြူတာအယ်ဂိုရစ်သမ်ဟာ
လူသားလို ဉာဏ်ရည်မျိုးသုံးကာ
00:13
with high accuracies, at a massive scale,
using human-like intelligence.
မယုံနိုင်တဲ့အလုပ်တွေကို မြင့်မားတဲ့
တိကျမှုတွေနဲ့ ပမာဏများစွာ စွမ်းဆောင်နေတယ်။
00:17
And this intelligence of computers
is often referred to as AI
ကွန်ပြူတာတွေရဲ့ ဒီဉာဏ်ရည်ကို
မကြာခဏတော့ AI (သို့) ဉာဏ်ရည်တုလို့
00:21
or artificial intelligence.
ရည်ညွှန်းပြောဆိုပါတယ်။
00:25
AI is poised to make an incredible impact
on our lives in the future.
AI ဟာ အနာဂတ် ဘဝတွေအပေါ် မယုံနိုင်
တဲ့ သက်ရောက်မှုတစ်ခု လုပ်ပေးဖို့ အသင့်ပါ။
00:27
Today, however,
we still face massive challenges
ဒါပေမဲ ယနေ့မှာတော့
ကူးစက်ရောဂါတွေနဲ့ ကင်ဆာလိုမျိုး
00:32
in detecting and diagnosing
several life-threatening illnesses,
များစွာသော အသက်ဘေးခြိမ်းခြောက်တဲ့
နာမကျန်းမှုတွေကို ရှာဖွေ၊ဖော်ထုတ်ရာမှာ
00:36
such as infectious diseases and cancer.
ကြီးမားတဲ့ စိန်ခေါ်မှုတွေ ရင်ဆိုင်ရဆဲပါ။
00:40
Thousands of patients every year
နှစ်စဉ် ထောင်ချီတဲ့လူနာတွေဟာ အသည်း(သို့)
00:44
lose their lives
due to liver and oral cancer.
အာခေါင် ကင်ဆာတွေကြောင့် အသက်ဆုံးရှုံးရတယ်။
00:46
Our best way to help these patients
ဒီလူနာတွေကို ကူညီဖို့ ကျွန်တော်တို့
အကောင်းဆုံးနည်းလမ်းက
00:49
is to perform early detection
and diagnoses of these diseases.
ဒီရောဂါတွေရကို ရှာဖွေမှု ၊တွေ့ရှိမှုကို
စောစော လုပ်ဆောင်ဖို့ပါ။
00:52
So how do we detect these diseases today,
and can artificial intelligence help?
ဒီတော့ ယနေ့ ဒီရောဂါတွေကို ဘယ်လို
ရှာဖွေပြီးဉာဏ်ရည်တုက ကူညီပေးနိုင်လဲ။
00:57
In patients who, unfortunately,
are suspected of these diseases,
ကံဆိုးချင်တော့ ဒီရောဂါတွေ
ဖြစ်ဖို့ရှိတဲ့ လူနာတွေမှာ
01:03
an expert physician first orders
ကျွမ်းကျင်တဲ့သမားတော်က ဦးဆုံး ညွန်ကြားတာက
01:07
very expensive
medical imaging technologies
အင်မတန်စျေးကြီးတဲ့
ဆေးဘက် ပုံထုတ်ခြင်းနည်းပညာတွေပါ၊
01:10
such as fluorescent imaging,
CTs, MRIs, to be performed.
ဥပမာ ဓာတ်မှန်ရိုက်ခြင်းလို
CTs MRIs တွေလုပ်ဖို့ပါ။
01:12
Once those images are collected,
ဒီပုံတွေကို စုပြီးတာနဲ့
01:17
another expert physician then diagnoses
those images and talks to the patient.
အခြားကျွမ်းကျင်သမားတော်က ဒီပုံတွေကို
ရောဂါဖော်ထုတ်ပြီး လူနာကို ပြောဆိုပါတယ်။
01:19
As you can see, this is
a very resource-intensive process,
သိတဲ့အတိုင်း ဒါဟာ အင်မတန် အရင်းအမြစ်
အားစိုက်ရတဲ့ လုပ်ငန်းစဉ်ပါ၊
01:24
requiring both expert physicians,
expensive medical imaging technologies,
ကျွန်းကျင်သမားတော်နဲ့ စျေးကြီးတဲ့ ဆေးဘက်
ပုံထုတ်နည်းပညာတွေ နှစ်ခုစလုံးလိုအပ်ပြီး
01:28
and is not considered practical
for the developing world.
ဖွံ့ဖြိုးဆဲကမ္ဘာအတွက်တော့ လက်တွေ့
မကျဘူးလို့ ထင်မှတ်ရပါတယ်။
01:32
And in fact, in many
industrialized nations, as well.
တကယ်တမ်းက စက်မှုနိုင်ငံ
များစွာမှာရောပါ။
01:35
So, can we solve this problem
using artificial intelligence?
ဒီတော့ ဒီပြဿနာကို ဉာဏ်ရည်တုကို
သုံးပြီး ဖြေရှင်နိုင်မလား။
01:39
Today, if I were to use traditional
artificial intelligence architectures
ယနေ့မှာ ဒီပြဿနာဖြေရှင်းဖို့ အစဉ်အလာ
ဉာဏ်ရည်တု တည်ဆောက်ပုံတွေကို
01:43
to solve this problem,
အသုံးပြုမယ်ဆိုရင်တော့
01:47
I would require 10,000 --
ပုံ ၁၀၀၀၀ လိုလိမ့်မယ်၊
01:49
I repeat, on an order of 10,000
of these very expensive medical images
ထပ်ပြောမယ်၊ အရင်ဆုံး လုပ်ဆောင်ဖို့
ဒီစျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာပုံ ၁၀၀၀၀ မှာ
01:50
first to be generated.
ယူမှုတစ်ခုပါ။
01:54
After that, I would then go
to an expert physician,
ဒီနောက်မှာ ကျွန်တော့အတွက် ဒီပုံတွေကို
စိစစ်ပေးမယ့်
01:56
who would then analyze
those images for me.
ကျွမ်းကျင်သမားတော်ဆီသွားမှာပါ။
01:59
And using those two pieces of information,
ဒီသတင်းအချက်အလက် နှစ်ခုကိုသုံးပြီး
02:01
I can train a standard deep neural network
or a deep learning network
လူနာရောဂါစစ်တမ်းကို ထောက်ပံ့ဖို့
ပုံမှန် အတွင်းကျတဲ့ အာရုံကြောကွန်ရက်(သို့)
02:03
to provide patient's diagnosis.
အတွင်း သင်ယူမှုကွန်ရက်ကို
ပုံစံသွင်းနိုင်တယ်
02:07
Similar to the first approach,
ပထမနည်းအတိုင်းပဲ
02:09
traditional artificial
intelligence approaches
အစဉ်အလာ ဉာဏ်ရည်တုနည်းလမ်းတွေဟာ
02:11
suffer from the same problem.
အလားတူ ပြဿနာတွေ ကြုံရပါတယ်။
02:13
Large amounts of data, expert physicians
and expert medical imaging technologies.
ကြီးမားတဲ့ ဒေတာပမာဏ၊ ကျွမ်းကျင်သမားတော်နဲ့
ကျွမ်းကျင်တဲ့ ဆေးဘက်ပုံထုတ်နည်းပညာတွေပါ။
02:14
So, can we invent more scalable, effective
ဒီတော့ ယနေ့ ရင်ဆိုင်နေရတဲ့ အင်မတန်
အရေးကြီးတဲ့
02:20
and more valuable artificial
intelligence architectures
ပြဿနာတွေဖြေရှင်းဖို့ ပိုပြီး အရွယ်အစား
ပြောင်းလို့ရကာ ထိရောက်ပြီး
02:24
to solve these very important
problems facing us today?
ပိုတန်ဖိုးရှိတဲ့ ဉာဏ်ရည်တု တည်ဆောင်ပုံတွေ
တီတွင်နိုင်လား။
02:27
And this is exactly
what my group at MIT Media Lab does.
ဒါကတော့ ကျွန်တော်တို့အဖွဲ့
MIT Media Lab မှာ လုပ်တာ အတိအကျပါ။
02:31
We have invented a variety
of unorthodox AI architectures
ဆေးဘက်ဆိုင်ရာ ပုံထုတ်ခြင်းနဲ့ လက်တွေ့
စမ်းသပ်မှုတွေမှာ ယနေ့ ရင်ဆိုင်နေရတဲ့
02:34
to solve some of the most important
challenges facing us today
အရေးပါဆုံးစိန်ခေါ်မှုတစ်ချို့ကို
ဖြေရှင်းဖို့အစဉ်အလာမဟုတ်တဲ့
02:38
in medical imaging and clinical trials.
AI တည်ဆောက်ပုံမျိုးစုံ
တည်ဆောက်ထားပါတယ်။
02:41
In the example I shared
with you today, we had two goals.
ဒီနေ့ မျှဝေခဲ့တဲ့ နမူနာထဲမှာ
ရည်မှန်းချက်နှစ်ခုရှိခဲ့တယ်။
02:44
Our first goal was to reduce
the number of images
ပထမရည်မှန်းချက်က ဉာဏ်ရည်တု
အယ်ဂိုရစ်သမ်ကို ပြုပြင်ဖို့လိုတဲ့
02:47
required to train
artificial intelligence algorithms.
ပုံအရေအတွက်ကို လျှော့ချဖို့ပါ။
02:50
Our second goal -- we were more ambitious,
ဒုတိယ ရည်မှန်းချက်က ပိုရည်မှန်းချက်ကြီးတာက
02:53
we wanted to reduce the use
of expensive medical imaging technologies
လူနာတွေကို စစ်ဆေးဖို့ စျေးကြီးတဲ့
ဆေးဘက် ပုံထုတ်ခြင်းနည်းပညာ သုံးစွဲမှုကို
02:55
to screen patients.
လျှော့ချဖို့ပါ။
02:59
So how did we do it?
ဒီတော့ ဘယ်လိုလုပ်ခဲ့လဲ။
03:00
For our first goal,
ပထမ ရည်မှန်းချက်အတွက်
03:02
instead of starting
with tens and thousands
အစဉ်အလာ AI လို သောင်းချီတဲ့
03:04
of these very expensive medical images,
like traditional AI,
အလွန်စျေးကြီးတဲ့
ဆေးဘက်ဆိုင်ရာပုံတွေနဲ့ စတာအစား
03:06
we started with a single medical image.
ဆေးဘက်ဆိုင်ရာပုံတစ်ပုံတည်းနဲ့ စခဲ့တယ်။
03:09
From this image, my team and I
figured out a very clever way
ဒီပုံကနေ ကျွန်တော်တို့အဖွဲ့ဟာ ဘီလီယံ
သန်းချီတဲ့ သတင်းအချက်အလက်အထုပ်လေးတွေကနေ
03:11
to extract billions
of information packets.
ထုတ်ယူဖို့ အရမ်းကောင်းတဲ့
နည်းတစ်ခုကို မှန်းဆခဲ့တယ်။
03:15
These information packets
included colors, pixels, geometry
ဒီသတင်းအချက်အလက်အထုပ်လေးတွေမှာ
အရောင်တွေ၊ ပစ်ဇယ်တွေ၊ ဂျီဩမေထရီနဲ့့
03:17
and rendering of the disease
on the medical image.
ဆေးဘက်ဆိုငိရာပုံပေါ်က ရောဂါရဲ့
ပြန်ဆိုချက်ပါတယ်။
03:21
In a sense, we converted one image
into billions of training data points,
သဘောတစ်ခုက ပုံတစ်ပုံကို ပုံစံသွင်းထားတဲ့
ဘီလီယံချီတဲ့ ဒေတာအချက်တွေအဖြစ်ပြောင်းတယ်
03:24
massively reducing the amount of data
needed for training.
ပုံစံပြောင်းဖို့လိုအပ်တဲ့ ဒေတာပမာဏကို
အများအပြား လျှောချရင်းပါ။
03:28
For our second goal,
ဒုတိယပန်းတိုင်အတွက်
03:32
to reduce the use of expensive medical
imaging technologies to screen patients,
လူနာတွေကို စစ်ဆေးဖို့ စျေးကြီးတဲ့ ဆေးဘက်
ပုံထုတ်နည်းပညာ အသုံးကိုလျှော့ဖို့ပါ။
03:33
we started with a standard,
white light photograph,
ပုံမှန် အရောင်မဲ့အလင်းဓာတ်ပုံနဲ့
စတင်ခဲ့တယ်၊
03:37
acquired either from a DSLR camera
or a mobile phone, for the patient.
DSLR ကင်မရာ(သို့) ဖုန်းတစ်လုံးကနေ
လူနာအတွက် ရိုက်ထားတာပေါ့။
03:40
Then remember those
billions of information packets?
ဒီနောက် ဒီဘီလီယံချီတဲ့ သတင်းထုပ်
ကလေးတွေကို သတိရပါ။
03:44
We overlaid those from
the medical image onto this image,
ဒါတွေကို ဆေးဘက်ဆိုင်ရာပုံကနေ
ဒီပုံပေါ်ကို ထပ်လိုက်တယ်။
03:46
creating something
that we call a composite image.
ပေါင်းစပ်ပုံလို့ ခေါ်တာတစ်ခုကို
ဖန်တီးရင်းပေါ့
03:50
Much to our surprise,
we only required 50 --
ကျွန်တော်တို့ အရမ်းအံ့တာက
ပုံ ၅၀ ပဲ ကျွန်တော်တို့လိုတယ်၊
03:53
I repeat, only 50 --
ထပ်ပြောမယ် အယ်လ်ဂိုရစ်သမ်ကို
03:56
of these composite images to train
our algorithms to high efficiencies.
မြင့်မားတဲ့ လုပ်ဆောင်မှုတွေဆီ
ပုံစံပြောင်းဖို့ ပုံ ၅၀ ပဲ။
03:58
To summarize our approach,
ဒီနည်းကို အကျဉ်းချုပ်ရင်
04:02
instead of using 10,000
very expensive medical images,
စျေးအရမ်းကြီးတဲ့ ဆေးလက်ဆိုင်ရာ ပုံ
၁၀၀၀၀ ကို သုံးတာအစား
04:04
we can now train the AI algorithms
in an unorthodox way,
AI အယ်လ်ဂိုရစ်သမ်ကို ပုံမှန်မဟုတ်တဲ့
နည်းမှာပုံစံပြောင်းနိုင်တယ်
04:07
using only 50 of these high-resolution,
but standard photographs,
DSLR ကင်မရာ(သို့) ဖုန်း
တစ်လုံးကနေ ရိုက်ယူထားတဲ့
04:10
acquired from DSLR cameras
and mobile phones,
ရုပ်ထွက်ကောင်း၊ ပုံမှန်ဖြစ်တဲ့
ဓာတ်ပုံ ၅၀ ပဲ သုံးပြီး
04:14
and provide diagnosis.
ရောဂါရှာဖွေမှုကို ထောက်ပံ့တယ်။
04:17
More importantly,
ပိုအရေးကြီးတာက
04:18
our algorithms can accept,
in the future and even right now,
ကျွန်တော်တို့ရဲ့ အယ်လ်ဂိုရစ်သမ်တွေဟာ
အနာဂတ်နဲ အခုတောင်မှ
04:19
some very simple, white light
photographs from the patient,
စျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာ
ပုံထုတ်တဲ့ နည်းပညာတွေအစား
04:23
instead of expensive
medical imaging technologies.
လူနာဆီက ရိုးရိုးး အရောင်မဲ့
ပုံတေွကိုလက်ခံနိုင်တယ်။
04:25
I believe that we are poised
to enter an era
ဉာဏ်ရည်တူတွေဟာ အနာဂတ်အပေါ်
မယုံနိုင်အောင် သက်ရောက်မှုတစ်ခုကို
04:29
where artificial intelligence
ဖန်တီးပေးမယ့် ခေတ်တစ်ခုထဲကို
04:32
is going to make an incredible
impact on our future.
ဝင်ဖို့ ကျွန်တော်တို့အသင့်ရှိနေတယ်လို့
ယုံကြည်ပါတယ်။
04:34
And I think that thinking
about traditional AI,
အစဉ်အလာ AI အကြောင်းတွေးမိတာ
ထင်တယ်၊
04:36
which is data-rich but application-poor,
ဒေတာများပေမဲ့ လုပ်ဆောင်မှုက
ညံ့တယ်၊
04:39
we should also continue thinking
အစဉ်အလာမဟုတ်တဲ့ ဉာဏ်ရည်တု
04:42
about unorthodox artificial
intelligence architectures,
တည်ဆောက်ပုံတွေအကြောင်းလည်း
ဆက်လက်တွေးသင့်ပါတယ်၊
04:43
which can accept small amounts of data
ဒေတာပမာဏအနည်းငယ်ပဲ
လက်ခံနိုင်ပေမဲ့
04:46
and solve some of the most important
problems facing us today,
ဒီနေ့ရင်ဆိုင်ရတဲ့ အရေးပါဆုံး
ပြဿနာတစ်ချို့ကိုဖြေရှင်းနိုင်တယ်
04:48
especially in health care.
အထူးက ကျန်းမာရေးမှာပါ။
04:51
Thank you very much.
ကျေးဇူးအများကြီးတင်ပါတယ်။
04:52
(Applause)
(လက်ခုပ်သံများ)
04:54
Translated by sann tint
Reviewed by Myo Aung

▲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