TEDGlobal 2017
Pratik Shah: How AI is making it easier to diagnose disease
Pratik Shah: Como a IA está a tornar mais fácil diagnosticar doenças
Filmed:
Readability: 6.9
1,571,835 views
Hoje em dia o algoritmo da IA requer dezenas de milhares de dispendiosas imagens médicas para detectar a doença de um doente. E se pudéssemos reduzir drasticamente a quantidade de dados necessários para treinar a IA, obtendo diagnósticos de baixo custo e mais eficazes? O TED Fellow Pratik Shah está a trabalhar numa tecnologia que requer apenas 50 imagens para criar um algoritmo funcional — e até pode usar fotos tiradas pelos telemóveis dos médicos para fazer um diagnóstico. Saibam mais sobre como esta nova forma de analisar informações médicas poderá conduzir a uma detecção mais rápida de doenças de risco de vida e fazer diagnósticos assistidos por IA para mais cuidados de saúde em todo o mundo.
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
Hoje em dia, os algoritmos de computadores
desempenham tarefas incríveis
desempenham tarefas incríveis
00:17
with high accuracies, at a massive scale,
using human-like intelligence.
using human-like intelligence.
1
5160
4736
com grande precisão, em grande escala,
utilizando uma inteligência
parecida com a humana.
parecida com a humana.
00:21
And this intelligence of computers
is often referred to as AI
is often referred to as AI
2
9920
3936
Esta inteligência dos computadores
é frequentemente chamada IA,
é frequentemente chamada IA,
00:25
or artificial intelligence.
3
13880
1856
ou seja, inteligência artificial.
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
É previsto que a IA tenha, no futuro,
um enorme impacto na nossa vida.
um enorme impacto na nossa vida.
00:32
Today, however,
we still face massive challenges
we still face massive challenges
5
20880
3936
Porém, hoje em dia, ainda
enfrentamos desafios enormes
enfrentamos desafios enormes
00:36
in detecting and diagnosing
several life-threatening illnesses,
several life-threatening illnesses,
6
24840
3496
na detecção e diagnóstico
de muitas doenças letais,
de muitas doenças letais,
00:40
such as infectious diseases and cancer.
7
28360
2360
tais como doenças infecciosas e cancro.
00:44
Thousands of patients every year
8
32000
2296
Milhares de doentes, todos os anos,
00:46
lose their lives
due to liver and oral cancer.
due to liver and oral cancer.
9
34320
2800
perdem a vida devido
a um cancro do fígado ou da boca.
a um cancro do fígado ou da boca.
00:49
Our best way to help these patients
10
37880
2696
A melhor maneira
de ajudar esses doentes
de ajudar esses doentes
00:52
is to perform early detection
and diagnoses of these diseases.
and diagnoses of these diseases.
11
40600
4320
é realizar a detecção e o diagnóstico
dessas doenças mais cedo.
dessas doenças mais cedo.
00:57
So how do we detect these diseases today,
and can artificial intelligence help?
and can artificial intelligence help?
12
45880
4160
Então, como detectamos essas doenças
e como a IA pode ajudar?
e como a IA pode ajudar?
01:03
In patients who, unfortunately,
are suspected of these diseases,
are suspected of these diseases,
13
51920
3656
Em doentes em quem, infelizmente,
haja suspeitas dessas doenças,
haja suspeitas dessas doenças,
01:07
an expert physician first orders
14
55600
2656
um médico especialista pede, primeiro,
01:10
very expensive
medical imaging technologies
medical imaging technologies
15
58280
2616
uma qualquer tecnologia dispendiosa
de imagiologia médica,
de imagiologia médica,
01:12
such as fluorescent imaging,
CTs, MRIs, to be performed.
CTs, MRIs, to be performed.
16
60920
4096
como a imagiologia por fluorescência,
um TC, ou um MRI.
um TC, ou um MRI.
01:17
Once those images are collected,
17
65040
2296
Depois de colhidas essas imagens,
01:19
another expert physician then diagnoses
those images and talks to the patient.
those images and talks to the patient.
18
67360
4520
outro especialista faz o diagnóstico
das imagens e fala com o doente.
das imagens e fala com o doente.
01:24
As you can see, this is
a very resource-intensive process,
a very resource-intensive process,
19
72520
3456
Como podem ver, este é
um processo muito dispendioso
um processo muito dispendioso
01:28
requiring both expert physicians,
expensive medical imaging technologies,
expensive medical imaging technologies,
20
76000
4416
que requer médicos especialistas,
tecnologia de imagiologia médica cara
tecnologia de imagiologia médica cara
01:32
and is not considered practical
for the developing world.
for the developing world.
21
80440
3096
e não é considerado prático
para os países em desenvolvimento.
para os países em desenvolvimento.
01:35
And in fact, in many
industrialized nations, as well.
industrialized nations, as well.
22
83560
3360
O mesmo acontece
com as nações industrializadas.
com as nações industrializadas.
01:39
So, can we solve this problem
using artificial intelligence?
using artificial intelligence?
23
87760
2880
Podemos resolver isto
com a inteligência artificial?
com a inteligência artificial?
01:43
Today, if I were to use traditional
artificial intelligence architectures
artificial intelligence architectures
24
91840
4056
Hoje, se eu fosse usar arquitecturas
tradicionais de inteligência artificial
tradicionais de inteligência artificial
01:47
to solve this problem,
25
95920
1216
para resolver este problema,
01:49
I would require 10,000 --
26
97160
1456
seriam necessárias dez mil
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
— repito, cerca de dez mil —
dessas imagens médicas muito caras
dessas imagens médicas muito caras
01:54
first to be generated.
28
102680
1376
só para serem geradas.
01:56
After that, I would then go
to an expert physician,
to an expert physician,
29
104080
2896
Depois disso, iria
a um médico especialista,
a um médico especialista,
01:59
who would then analyze
those images for me.
those images for me.
30
107000
2496
que analisaria essas imagens.
02:01
And using those two pieces of information,
31
109520
2096
Usando estes dois bocados de informações,
02:03
I can train a standard deep neural network
or a deep learning network
or a deep learning network
32
111640
3656
posso treinar uma rede neural profunda
ou uma rede de aprendizagem profunda
ou uma rede de aprendizagem profunda
02:07
to provide patient's diagnosis.
33
115320
2136
para fazer os diagnósticos a doentes.
02:09
Similar to the first approach,
34
117480
1736
Tal como a primeira abordagem,
a abordagem tradicional
da inteligência artificial
da inteligência artificial
02:11
traditional artificial
intelligence approaches
intelligence approaches
35
119240
2143
02:13
suffer from the same problem.
36
121407
1449
passa pelo mesmo problema.
02:14
Large amounts of data, expert physicians
and expert medical imaging technologies.
and expert medical imaging technologies.
37
122880
4560
Uma grande quantidade de dados,
médicos especialistas
médicos especialistas
e especialistas
de tecnologias de imagiologia.
de tecnologias de imagiologia.
02:20
So, can we invent more scalable, effective
38
128320
4296
Será que podemos inventar
arquitecturas de IA
arquitecturas de IA
mais evolutivas, mais eficazes
e mais valiosas,
e mais valiosas,
02:24
and more valuable artificial
intelligence architectures
intelligence architectures
39
132640
3296
02:27
to solve these very important
problems facing us today?
problems facing us today?
40
135960
3056
para resolver esses problemas
importantes que hoje enfrentamos?
importantes que hoje enfrentamos?
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
É exactamente isto o que faz
o meu grupo no MIT Media Lab.
o meu grupo no MIT Media Lab.
02:34
We have invented a variety
of unorthodox AI architectures
of unorthodox AI architectures
42
142360
3856
Inventámos uma variedade
de arquitecturas IA pouco ortodoxas
de arquitecturas IA pouco ortodoxas
02:38
to solve some of the most important
challenges facing us today
challenges facing us today
43
146240
3176
para resolver alguns dos desafios
mais importantes que temos hoje
mais importantes que temos hoje
02:41
in medical imaging and clinical trials.
44
149440
2200
em imagiologia médica e testes clínicos.
02:44
In the example I shared
with you today, we had two goals.
with you today, we had two goals.
45
152480
3056
No exemplo que partilho aqui
tínhamos dois objetivos.
tínhamos dois objetivos.
02:47
Our first goal was to reduce
the number of images
the number of images
46
155560
2976
O nosso primeiro objectivo era
reduzir o número de imagens
reduzir o número de imagens
02:50
required to train
artificial intelligence algorithms.
artificial intelligence algorithms.
47
158560
3256
necessárias para treinar o algoritmo
da inteligência artificial.
da inteligência artificial.
02:53
Our second goal -- we were more ambitious,
48
161840
2096
No segundo objetivo fomos mais ambiciosos.
02:55
we wanted to reduce the use
of expensive medical imaging technologies
of expensive medical imaging technologies
49
163960
3736
Queríamos reduzir o uso de tecnologia
de imagiologia médica cara
de imagiologia médica cara
para examinar doentes.
02:59
to screen patients.
50
167720
1216
03:00
So how did we do it?
51
168960
1200
Então, como o fizemos?
03:02
For our first goal,
52
170920
1216
No primeiro objectivo,
em vez de começarmos
com dezenas e milhares
com dezenas e milhares
03:04
instead of starting
with tens and thousands
with tens and thousands
53
172160
2056
03:06
of these very expensive medical images,
like traditional AI,
like traditional AI,
54
174240
3016
destas imagens médicas caras,
como a IA tradicional,
como a IA tradicional,
03:09
we started with a single medical image.
55
177280
2056
começámos com uma única imagem médica.
03:11
From this image, my team and I
figured out a very clever way
figured out a very clever way
56
179360
3776
A partir desta imagem, a minha equipa e eu
encontrámos uma forma inteligente
encontrámos uma forma inteligente
03:15
to extract billions
of information packets.
of information packets.
57
183160
2736
de extrair milhares de milhões
de pacotes de informações.
de pacotes de informações.
03:17
These information packets
included colors, pixels, geometry
included colors, pixels, geometry
58
185920
3696
Estes pacotes de informações
incluíam cores, pixeis, geometria
incluíam cores, pixeis, geometria
03:21
and rendering of the disease
on the medical image.
on the medical image.
59
189640
2536
e a apresentação da doença
na imagem médica.
na imagem médica.
03:24
In a sense, we converted one image
into billions of training data points,
into billions of training data points,
60
192200
4336
Ou seja, convertemos uma imagem
em milhares de milhões de pontos de dados,
em milhares de milhões de pontos de dados,
03:28
massively reducing the amount of data
needed for training.
needed for training.
61
196560
3536
reduzindo massivamente o número
de dados necessários para o treino.
de dados necessários para o treino.
Para o segundo objectivo
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
— reduzir o uso da tecnologia
de imagiologia médica cara
de imagiologia médica cara
para examinar doentes —
03:37
we started with a standard,
white light photograph,
white light photograph,
64
205240
2856
começámos com uma fotografia
normal, com luz natural,
normal, com luz natural,
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
tirada por uma câmara DSLR
ou um telemóvel, para o doente.
ou um telemóvel, para o doente.
Lembram-se dos milhares de milhões
de pacotes de informações?
de pacotes de informações?
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
Nós sobrepomos esses pacotes
da imagem médica nesta imagem,
da imagem médica nesta imagem,
03:50
creating something
that we call a composite image.
that we call a composite image.
68
218520
2520
criando algo a que chamamos
uma imagem composta.
uma imagem composta.
03:53
Much to our surprise,
we only required 50 --
we only required 50 --
69
221480
3296
Para nossa surpresa,
só precisámos de 50
só precisámos de 50
03:56
I repeat, only 50 --
70
224800
1336
— repito, só 50 —
03:58
of these composite images to train
our algorithms to high efficiencies.
our algorithms to high efficiencies.
71
226160
3840
dessas imagens compostas para
treinar o algoritomo para alta eficiência.
treinar o algoritomo para alta eficiência.
Para resumir a nossa abordagem,
04:02
To summarize our approach,
72
230680
1336
04:04
instead of using 10,000
very expensive medical images,
very expensive medical images,
73
232040
3176
em vez de usarmos 10 000
imagens médicas muito caras,
imagens médicas muito caras,
04:07
we can now train the AI algorithms
in an unorthodox way,
in an unorthodox way,
74
235240
3016
podemos treinar o algoritmo
da IA, de uma forma pouco ortodoxa,
da IA, de uma forma pouco ortodoxa,
04:10
using only 50 of these high-resolution,
but standard photographs,
but standard photographs,
75
238280
4256
usando apenas 50 destas fotos
normais, mas de alta resolução
normais, mas de alta resolução
04:14
acquired from DSLR cameras
and mobile phones,
and mobile phones,
76
242560
2496
tiradas por uma câmara DSLR
ou um telemóvel,
ou um telemóvel,
04:17
and provide diagnosis.
77
245080
1536
e providenciando o diagnóstico.
04:18
More importantly,
78
246640
1216
Mais importante,
04:19
our algorithms can accept,
in the future and even right now,
in the future and even right now,
79
247880
3136
o nosso algoritmo pode aceitar,
no futuro e até mesmo agora,
no futuro e até mesmo agora,
04:23
some very simple, white light
photographs from the patient,
photographs from the patient,
80
251040
2816
algumas fotografias simples
à luz normal, do doente,
à luz normal, do doente,
04:25
instead of expensive
medical imaging technologies.
medical imaging technologies.
81
253880
2440
em vez da tecnologia
de imagiologia médica cara.
de imagiologia médica cara.
04:29
I believe that we are poised
to enter an era
to enter an era
82
257120
3096
Acredito que estamos
preparados a entrar numa era
preparados a entrar numa era
04:32
where artificial intelligence
83
260240
1936
em que a inteligência artificial
04:34
is going to make an incredible
impact on our future.
impact on our future.
84
262200
2536
vai ter um incrível impacto
no nosso futuro.
no nosso futuro.
04:36
And I think that thinking
about traditional AI,
about traditional AI,
85
264760
2456
Acho que pensar na IA tradicional
04:39
which is data-rich but application-poor,
86
267240
2776
que é rica em dados
mas pobre em aplicações,
mas pobre em aplicações,
04:42
we should also continue thinking
87
270040
1536
devíamos continuar a pensar
04:43
about unorthodox artificial
intelligence architectures,
intelligence architectures,
88
271600
3016
em arquitecturas pouco
ortodoxas para a inteligência artificial
ortodoxas para a inteligência artificial
04:46
which can accept small amounts of data
89
274640
1936
que aceitem pequenas quantias de dados
04:48
and solve some of the most important
problems facing us today,
problems facing us today,
90
276600
2936
e resolvam problemas importantes
que enfrentamos hoje em dia,
que enfrentamos hoje em dia,
sobretudo nos cuidados de saúde.
04:51
especially in health care.
91
279560
1256
04:52
Thank you very much.
92
280840
1216
Muito obrigado.
04:54
(Applause)
93
282080
3840
(Aplausos)
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