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: AI (ဉာဏ်ရည်တု) က ရောဂါရှာဖွေဖော်ထုတ်မှုကို ပိုမိုလွယ်ကူအောင် ပြုလုပ်ပေးနေပုံ။

Filmed:
1,127,543 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

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

00:13
Computer algorithms today
are performing incredible tasks
0
1280
3856
ယနေ့ ကွန်ပြူတာအယ်ဂိုရစ်သမ်ဟာ
လူသားလို ဉာဏ်ရည်မျိုးသုံးကာ
00:17
with high accuracies, at a massive scale,
using human-like intelligence.
1
5160
4736
မယုံနိုင်တဲ့အလုပ်တွေကို မြင့်မားတဲ့
တိကျမှုတွေနဲ့ ပမာဏများစွာ စွမ်းဆောင်နေတယ်။
00:21
And this intelligence of computers
is often referred to as AI
2
9920
3936
ကွန်ပြူတာတွေရဲ့ ဒီဉာဏ်ရည်ကို
မကြာခဏတော့ AI (သို့) ဉာဏ်ရည်တုလို့
00:25
or artificial intelligence.
3
13880
1856
ရည်ညွှန်းပြောဆိုပါတယ်။
00:27
AI is poised to make an incredible impact
on our lives in the future.
4
15760
4200
AI ဟာ အနာဂတ် ဘဝတွေအပေါ် မယုံနိုင်
တဲ့ သက်ရောက်မှုတစ်ခု လုပ်ပေးဖို့ အသင့်ပါ။
00:32
Today, however,
we still face massive challenges
5
20880
3936
ဒါပေမဲ ယနေ့မှာတော့
ကူးစက်ရောဂါတွေနဲ့ ကင်ဆာလိုမျိုး
00:36
in detecting and diagnosing
several life-threatening illnesses,
6
24840
3496
များစွာသော အသက်ဘေးခြိမ်းခြောက်တဲ့
နာမကျန်းမှုတွေကို ရှာဖွေ၊ဖော်ထုတ်ရာမှာ
00:40
such as infectious diseases and cancer.
7
28360
2360
ကြီးမားတဲ့ စိန်ခေါ်မှုတွေ ရင်ဆိုင်ရဆဲပါ။
00:44
Thousands of patients every year
8
32000
2296
နှစ်စဉ် ထောင်ချီတဲ့လူနာတွေဟာ အသည်း(သို့)
00:46
lose their lives
due to liver and oral cancer.
9
34320
2800
အာခေါင် ကင်ဆာတွေကြောင့် အသက်ဆုံးရှုံးရတယ်။
00:49
Our best way to help these patients
10
37880
2696
ဒီလူနာတွေကို ကူညီဖို့ ကျွန်တော်တို့
အကောင်းဆုံးနည်းလမ်းက
00:52
is to perform early detection
and diagnoses of these diseases.
11
40600
4320
ဒီရောဂါတွေရကို ရှာဖွေမှု ၊တွေ့ရှိမှုကို
စောစော လုပ်ဆောင်ဖို့ပါ။
00:57
So how do we detect these diseases today,
and can artificial intelligence help?
12
45880
4160
ဒီတော့ ယနေ့ ဒီရောဂါတွေကို ဘယ်လို
ရှာဖွေပြီးဉာဏ်ရည်တုက ကူညီပေးနိုင်လဲ။
01:03
In patients who, unfortunately,
are suspected of these diseases,
13
51920
3656
ကံဆိုးချင်တော့ ဒီရောဂါတွေ
ဖြစ်ဖို့ရှိတဲ့ လူနာတွေမှာ
01:07
an expert physician first orders
14
55600
2656
ကျွမ်းကျင်တဲ့သမားတော်က ဦးဆုံး ညွန်ကြားတာက
01:10
very expensive
medical imaging technologies
15
58280
2616
အင်မတန်စျေးကြီးတဲ့
ဆေးဘက် ပုံထုတ်ခြင်းနည်းပညာတွေပါ၊
01:12
such as fluorescent imaging,
CTs, MRIs, to be performed.
16
60920
4096
ဥပမာ ဓာတ်မှန်ရိုက်ခြင်းလို
CTs MRIs တွေလုပ်ဖို့ပါ။
01:17
Once those images are collected,
17
65040
2296
ဒီပုံတွေကို စုပြီးတာနဲ့
01:19
another expert physician then diagnoses
those images and talks to the patient.
18
67360
4520
အခြားကျွမ်းကျင်သမားတော်က ဒီပုံတွေကို
ရောဂါဖော်ထုတ်ပြီး လူနာကို ပြောဆိုပါတယ်။
01:24
As you can see, this is
a very resource-intensive process,
19
72520
3456
သိတဲ့အတိုင်း ဒါဟာ အင်မတန် အရင်းအမြစ်
အားစိုက်ရတဲ့ လုပ်ငန်းစဉ်ပါ၊
01:28
requiring both expert physicians,
expensive medical imaging technologies,
20
76000
4416
ကျွန်းကျင်သမားတော်နဲ့ စျေးကြီးတဲ့ ဆေးဘက်
ပုံထုတ်နည်းပညာတွေ နှစ်ခုစလုံးလိုအပ်ပြီး
01:32
and is not considered practical
for the developing world.
21
80440
3096
ဖွံ့ဖြိုးဆဲကမ္ဘာအတွက်တော့ လက်တွေ့
မကျဘူးလို့ ထင်မှတ်ရပါတယ်။
01:35
And in fact, in many
industrialized nations, as well.
22
83560
3360
တကယ်တမ်းက စက်မှုနိုင်ငံ
များစွာမှာရောပါ။
01:39
So, can we solve this problem
using artificial intelligence?
23
87760
2880
ဒီတော့ ဒီပြဿနာကို ဉာဏ်ရည်တုကို
သုံးပြီး ဖြေရှင်နိုင်မလား။
01:43
Today, if I were to use traditional
artificial intelligence architectures
24
91840
4056
ယနေ့မှာ ဒီပြဿနာဖြေရှင်းဖို့ အစဉ်အလာ
ဉာဏ်ရည်တု တည်ဆောက်ပုံတွေကို
01:47
to solve this problem,
25
95920
1216
အသုံးပြုမယ်ဆိုရင်တော့
01:49
I would require 10,000 --
26
97160
1456
ပုံ ၁၀၀၀၀ လိုလိမ့်မယ်၊
01:50
I repeat, on an order of 10,000
of these very expensive medical images
27
98640
4016
ထပ်ပြောမယ်၊ အရင်ဆုံး လုပ်ဆောင်ဖို့
ဒီစျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာပုံ ၁၀၀၀၀ မှာ
01:54
first to be generated.
28
102680
1376
ယူမှုတစ်ခုပါ။
01:56
After that, I would then go
to an expert physician,
29
104080
2896
ဒီနောက်မှာ ကျွန်တော့အတွက် ဒီပုံတွေကို
စိစစ်ပေးမယ့်
01:59
who would then analyze
those images for me.
30
107000
2496
ကျွမ်းကျင်သမားတော်ဆီသွားမှာပါ။
02:01
And using those two pieces of information,
31
109520
2096
ဒီသတင်းအချက်အလက် နှစ်ခုကိုသုံးပြီး
02:03
I can train a standard deep neural network
or a deep learning network
32
111640
3656
လူနာရောဂါစစ်တမ်းကို ထောက်ပံ့ဖို့
ပုံမှန် အတွင်းကျတဲ့ အာရုံကြောကွန်ရက်(သို့)
02:07
to provide patient's diagnosis.
33
115320
2136
အတွင်း သင်ယူမှုကွန်ရက်ကို
ပုံစံသွင်းနိုင်တယ်
02:09
Similar to the first approach,
34
117480
1736
ပထမနည်းအတိုင်းပဲ
02:11
traditional artificial
intelligence approaches
35
119240
2143
အစဉ်အလာ ဉာဏ်ရည်တုနည်းလမ်းတွေဟာ
02:13
suffer from the same problem.
36
121407
1449
အလားတူ ပြဿနာတွေ ကြုံရပါတယ်။
02:14
Large amounts of data, expert physicians
and expert medical imaging technologies.
37
122880
4560
ကြီးမားတဲ့ ဒေတာပမာဏ၊ ကျွမ်းကျင်သမားတော်နဲ့
ကျွမ်းကျင်တဲ့ ဆေးဘက်ပုံထုတ်နည်းပညာတွေပါ။
02:20
So, can we invent more scalable, effective
38
128320
4296
ဒီတော့ ယနေ့ ရင်ဆိုင်နေရတဲ့ အင်မတန်
အရေးကြီးတဲ့
02:24
and more valuable artificial
intelligence architectures
39
132640
3296
ပြဿနာတွေဖြေရှင်းဖို့ ပိုပြီး အရွယ်အစား
ပြောင်းလို့ရကာ ထိရောက်ပြီး
02:27
to solve these very important
problems facing us today?
40
135960
3056
ပိုတန်ဖိုးရှိတဲ့ ဉာဏ်ရည်တု တည်ဆောင်ပုံတွေ
တီတွင်နိုင်လား။
02:31
And this is exactly
what my group at MIT Media Lab does.
41
139040
3296
ဒါကတော့ ကျွန်တော်တို့အဖွဲ့
MIT Media Lab မှာ လုပ်တာ အတိအကျပါ။
02:34
We have invented a variety
of unorthodox AI architectures
42
142360
3856
ဆေးဘက်ဆိုင်ရာ ပုံထုတ်ခြင်းနဲ့ လက်တွေ့
စမ်းသပ်မှုတွေမှာ ယနေ့ ရင်ဆိုင်နေရတဲ့
02:38
to solve some of the most important
challenges facing us today
43
146240
3176
အရေးပါဆုံးစိန်ခေါ်မှုတစ်ချို့ကို
ဖြေရှင်းဖို့အစဉ်အလာမဟုတ်တဲ့
02:41
in medical imaging and clinical trials.
44
149440
2200
AI တည်ဆောက်ပုံမျိုးစုံ
တည်ဆောက်ထားပါတယ်။
02:44
In the example I shared
with you today, we had two goals.
45
152480
3056
ဒီနေ့ မျှဝေခဲ့တဲ့ နမူနာထဲမှာ
ရည်မှန်းချက်နှစ်ခုရှိခဲ့တယ်။
02:47
Our first goal was to reduce
the number of images
46
155560
2976
ပထမရည်မှန်းချက်က ဉာဏ်ရည်တု
အယ်ဂိုရစ်သမ်ကို ပြုပြင်ဖို့လိုတဲ့
02:50
required to train
artificial intelligence algorithms.
47
158560
3256
ပုံအရေအတွက်ကို လျှော့ချဖို့ပါ။
02:53
Our second goal -- we were more ambitious,
48
161840
2096
ဒုတိယ ရည်မှန်းချက်က ပိုရည်မှန်းချက်ကြီးတာက
02:55
we wanted to reduce the use
of expensive medical imaging technologies
49
163960
3736
လူနာတွေကို စစ်ဆေးဖို့ စျေးကြီးတဲ့
ဆေးဘက် ပုံထုတ်ခြင်းနည်းပညာ သုံးစွဲမှုကို
02:59
to screen patients.
50
167720
1216
လျှော့ချဖို့ပါ။
03:00
So how did we do it?
51
168960
1200
ဒီတော့ ဘယ်လိုလုပ်ခဲ့လဲ။
03:02
For our first goal,
52
170920
1216
ပထမ ရည်မှန်းချက်အတွက်
03:04
instead of starting
with tens and thousands
53
172160
2056
အစဉ်အလာ AI လို သောင်းချီတဲ့
03:06
of these very expensive medical images,
like traditional AI,
54
174240
3016
အလွန်စျေးကြီးတဲ့
ဆေးဘက်ဆိုင်ရာပုံတွေနဲ့ စတာအစား
03:09
we started with a single medical image.
55
177280
2056
ဆေးဘက်ဆိုင်ရာပုံတစ်ပုံတည်းနဲ့ စခဲ့တယ်။
03:11
From this image, my team and I
figured out a very clever way
56
179360
3776
ဒီပုံကနေ ကျွန်တော်တို့အဖွဲ့ဟာ ဘီလီယံ
သန်းချီတဲ့ သတင်းအချက်အလက်အထုပ်လေးတွေကနေ
03:15
to extract billions
of information packets.
57
183160
2736
ထုတ်ယူဖို့ အရမ်းကောင်းတဲ့
နည်းတစ်ခုကို မှန်းဆခဲ့တယ်။
03:17
These information packets
included colors, pixels, geometry
58
185920
3696
ဒီသတင်းအချက်အလက်အထုပ်လေးတွေမှာ
အရောင်တွေ၊ ပစ်ဇယ်တွေ၊ ဂျီဩမေထရီနဲ့့
03:21
and rendering of the disease
on the medical image.
59
189640
2536
ဆေးဘက်ဆိုငိရာပုံပေါ်က ရောဂါရဲ့
ပြန်ဆိုချက်ပါတယ်။
03:24
In a sense, we converted one image
into billions of training data points,
60
192200
4336
သဘောတစ်ခုက ပုံတစ်ပုံကို ပုံစံသွင်းထားတဲ့
ဘီလီယံချီတဲ့ ဒေတာအချက်တွေအဖြစ်ပြောင်းတယ်
03:28
massively reducing the amount of data
needed for training.
61
196560
3536
ပုံစံပြောင်းဖို့လိုအပ်တဲ့ ဒေတာပမာဏကို
အများအပြား လျှောချရင်းပါ။
03:32
For our second goal,
62
200120
1216
ဒုတိယပန်းတိုင်အတွက်
03:33
to reduce the use of expensive medical
imaging technologies to screen patients,
63
201360
3856
လူနာတွေကို စစ်ဆေးဖို့ စျေးကြီးတဲ့ ဆေးဘက်
ပုံထုတ်နည်းပညာ အသုံးကိုလျှော့ဖို့ပါ။
03:37
we started with a standard,
white light photograph,
64
205240
2856
ပုံမှန် အရောင်မဲ့အလင်းဓာတ်ပုံနဲ့
စတင်ခဲ့တယ်၊
03:40
acquired either from a DSLR camera
or a mobile phone, for the patient.
65
208120
4336
DSLR ကင်မရာ(သို့) ဖုန်းတစ်လုံးကနေ
လူနာအတွက် ရိုက်ထားတာပေါ့။
03:44
Then remember those
billions of information packets?
66
212480
2456
ဒီနောက် ဒီဘီလီယံချီတဲ့ သတင်းထုပ်
ကလေးတွေကို သတိရပါ။
03:46
We overlaid those from
the medical image onto this image,
67
214960
3536
ဒါတွေကို ဆေးဘက်ဆိုင်ရာပုံကနေ
ဒီပုံပေါ်ကို ထပ်လိုက်တယ်။
03:50
creating something
that we call a composite image.
68
218520
2520
ပေါင်းစပ်ပုံလို့ ခေါ်တာတစ်ခုကို
ဖန်တီးရင်းပေါ့
03:53
Much to our surprise,
we only required 50 --
69
221480
3296
ကျွန်တော်တို့ အရမ်းအံ့တာက
ပုံ ၅၀ ပဲ ကျွန်တော်တို့လိုတယ်၊
03:56
I repeat, only 50 --
70
224800
1336
ထပ်ပြောမယ် အယ်လ်ဂိုရစ်သမ်ကို
03:58
of these composite images to train
our algorithms to high efficiencies.
71
226160
3840
မြင့်မားတဲ့ လုပ်ဆောင်မှုတွေဆီ
ပုံစံပြောင်းဖို့ ပုံ ၅၀ ပဲ။
04:02
To summarize our approach,
72
230680
1336
ဒီနည်းကို အကျဉ်းချုပ်ရင်
04:04
instead of using 10,000
very expensive medical images,
73
232040
3176
စျေးအရမ်းကြီးတဲ့ ဆေးလက်ဆိုင်ရာ ပုံ
၁၀၀၀၀ ကို သုံးတာအစား
04:07
we can now train the AI algorithms
in an unorthodox way,
74
235240
3016
AI အယ်လ်ဂိုရစ်သမ်ကို ပုံမှန်မဟုတ်တဲ့
နည်းမှာပုံစံပြောင်းနိုင်တယ်
04:10
using only 50 of these high-resolution,
but standard photographs,
75
238280
4256
DSLR ကင်မရာ(သို့) ဖုန်း
တစ်လုံးကနေ ရိုက်ယူထားတဲ့
04:14
acquired from DSLR cameras
and mobile phones,
76
242560
2496
ရုပ်ထွက်ကောင်း၊ ပုံမှန်ဖြစ်တဲ့
ဓာတ်ပုံ ၅၀ ပဲ သုံးပြီး
04:17
and provide diagnosis.
77
245080
1536
ရောဂါရှာဖွေမှုကို ထောက်ပံ့တယ်။
04:18
More importantly,
78
246640
1216
ပိုအရေးကြီးတာက
04:19
our algorithms can accept,
in the future and even right now,
79
247880
3136
ကျွန်တော်တို့ရဲ့ အယ်လ်ဂိုရစ်သမ်တွေဟာ
အနာဂတ်နဲ အခုတောင်မှ
04:23
some very simple, white light
photographs from the patient,
80
251040
2816
စျေးကြီးတဲ့ ဆေးဘက်ဆိုင်ရာ
ပုံထုတ်တဲ့ နည်းပညာတွေအစား
04:25
instead of expensive
medical imaging technologies.
81
253880
2440
လူနာဆီက ရိုးရိုးး အရောင်မဲ့
ပုံတေွကိုလက်ခံနိုင်တယ်။
04:29
I believe that we are poised
to enter an era
82
257120
3096
ဉာဏ်ရည်တူတွေဟာ အနာဂတ်အပေါ်
မယုံနိုင်အောင် သက်ရောက်မှုတစ်ခုကို
04:32
where artificial intelligence
83
260240
1936
ဖန်တီးပေးမယ့် ခေတ်တစ်ခုထဲကို
04:34
is going to make an incredible
impact on our future.
84
262200
2536
ဝင်ဖို့ ကျွန်တော်တို့အသင့်ရှိနေတယ်လို့
ယုံကြည်ပါတယ်။
04:36
And I think that thinking
about traditional AI,
85
264760
2456
အစဉ်အလာ AI အကြောင်းတွေးမိတာ
ထင်တယ်၊
04:39
which is data-rich but application-poor,
86
267240
2776
ဒေတာများပေမဲ့ လုပ်ဆောင်မှုက
ညံ့တယ်၊
04:42
we should also continue thinking
87
270040
1536
အစဉ်အလာမဟုတ်တဲ့ ဉာဏ်ရည်တု
04:43
about unorthodox artificial
intelligence architectures,
88
271600
3016
တည်ဆောက်ပုံတွေအကြောင်းလည်း
ဆက်လက်တွေးသင့်ပါတယ်၊
04:46
which can accept small amounts of data
89
274640
1936
ဒေတာပမာဏအနည်းငယ်ပဲ
လက်ခံနိုင်ပေမဲ့
04:48
and solve some of the most important
problems facing us today,
90
276600
2936
ဒီနေ့ရင်ဆိုင်ရတဲ့ အရေးပါဆုံး
ပြဿနာတစ်ချို့ကိုဖြေရှင်းနိုင်တယ်
04:51
especially in health care.
91
279560
1256
အထူးက ကျန်းမာရေးမှာပါ။
04:52
Thank you very much.
92
280840
1216
ကျေးဇူးအများကြီးတင်ပါတယ်။
04:54
(Applause)
93
282080
3840
(လက်ခုပ်သံများ)
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