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: Yapay zekâ hastalık teşhisini nasıl kolaylaştırır

Filmed:
1,571,835 views

Bugünün yapay zekâ algoritmaları hastalıkları teşhiste, pahalı tıbbi görüntüleme cihazlarından elde edilen on binlerce görüntüye ihtiyaç duyuyor. Peki ya yapay zekâyı uğraştıran veri yükünün büyük bir kısmından kurtulsak ve tanı sürecini etkili ve düşük maliyetli hale getirsek nasıl olur? TED burslusu Pratik Shah bunu yapabilecek bir akıllı sistem üzerinde çalışıyor. Alışılmışın dışında bir yapay zekâ yaklaşımı kullanan Shah, hastalığın teşhisi için hastanın 50 adet gibi az sayıda fotoğrafıyla, ki bu fotoğraflar doktorların cep telefonuyla çekilmiş dahi olabilir, işleyebilen bir algoritma geliştirdi. Tıbbi bilgileri analiz etmede kullanılan bu yeni yöntemin, hayati risk içeren hastalıkların erken teşhisinde nasıl öncülük edebileceğini ve yapay zekâ destekli tanı programının dünyadaki sağlık birimlerinde daha fazla kullanılmasını sağlayabileceğini öğrenin.
- 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
ComputerBilgisayar algorithmsalgoritmalar todaybugün
are performingicra incredibleinanılmaz tasksgörevler
0
1280
3856
Günümüzde bilgisayar algoritmaları
insansı zekâları kullanarak
00:17
with highyüksek accuraciesdoğruluğu, at a massivemasif scaleölçek,
usingkullanma human-likeİnsan gibi intelligencezeka.
1
5160
4736
Büyük ölçülerde, büyük ölçeklerde
harika işler yapabilmektedirler.
00:21
And this intelligencezeka of computersbilgisayarlar
is oftensık sık referredsevk to as AIAI
2
9920
3936
Ve bilgisayarların bu zekâlarına
çoğunlukla YZ
00:25
or artificialyapay intelligencezeka.
3
13880
1856
ya da "yapay zekâ" deniyor.
00:27
AIAI is poisedhazır to make an incredibleinanılmaz impactdarbe
on our liveshayatları in the futuregelecek.
4
15760
4200
YZ gelecekte hayatımıza muazzam bir etki
oluşturmaya hazır.
00:32
TodayBugün, howeverancak,
we still faceyüz massivemasif challengeszorluklar
5
20880
3936
Fakat günümüzde hâlâ
bazı bulaşıcı hastalıklar ve kanserin
00:36
in detectingalgılama and diagnosingTanılama
severalbirkaç life-threateninghayati illnesseshastalıklar,
6
24840
3496
farkına varma ve teşhis koyma aşamalarında
00:40
suchböyle as infectiousbulaşıcı diseaseshastalıklar and cancerkanser.
7
28360
2360
büyük zorluklar ile karşılaşıyoruz.
00:44
ThousandsBinlerce of patientshastalar everyher yearyıl
8
32000
2296
Her yıl binlerce hasta,
00:46
losekaybetmek theironların liveshayatları
duenedeniyle to liverkaraciğer and oralOral cancerkanser.
9
34320
2800
ağız ve karaciğer kanserinden
hayatını kaybediyor.
00:49
Our besten iyi way to help these patientshastalar
10
37880
2696
Onlara yardımı en iyi şekilde
00:52
is to performyapmak earlyerken detectionbulma
and diagnosestanıları of these diseaseshastalıklar.
11
40600
4320
erken tanı ve teşhisle yapabiliriz.
00:57
So how do we detectbelirlemek these diseaseshastalıklar todaybugün,
and can artificialyapay intelligencezeka help?
12
45880
4160
Peki günümüzde bu hastalıkları
nasıl teşhis ediyoruz?
Ve teşhiste yapay zekâ bize
yardımcı olabilir mi?
01:03
In patientshastalar who, unfortunatelyne yazık ki,
are suspectedşüpheli of these diseaseshastalıklar,
13
51920
3656
Hasta olduğundan şüphelenilen kişiler için
01:07
an expertuzman physicianhekim first ordersemirler
14
55600
2656
uzman bir doktor öncelikle
01:10
very expensivepahalı
medicaltıbbi imaginggörüntüleme technologiesteknolojiler
15
58280
2616
MR ve tomografi gibi yüksek maliyetli
teknolojik sistemlerden
01:12
suchböyle as fluorescentFloresan imaginggörüntüleme,
CTsCTs, MRIsMRI, to be performedgerçekleştirilen.
16
60920
4096
görüntüleme testleri istemektedir.
01:17
OnceBir kez those imagesGörüntüler are collectedtoplanmış,
17
65040
2296
Sonuçlar alındıktan sonra
01:19
anotherbir diğeri expertuzman physicianhekim then diagnosestanıları
those imagesGörüntüler and talksgörüşmeler to the patienthasta.
18
67360
4520
başka bir uzman görüntüleri inceler
ve teşhisi hastaya bildirir.
01:24
As you can see, this is
a very resource-intensivekaynak-yoğun processsüreç,
19
72520
3456
Gördüğünüz gibi bu süreç
günümüz dünyasına uymayan bir şekilde
01:28
requiringgerektiren bothher ikisi de expertuzman physicianshekimler,
expensivepahalı medicaltıbbi imaginggörüntüleme technologiesteknolojiler,
20
76000
4416
uzman hekimler,
pahalı tıbbi görüntüleme teknolojileri
01:32
and is not considereddüşünülen practicalpratik
for the developinggelişen worldDünya.
21
80440
3096
gibi kaynaklara
fazlaca bağımlı bir süreçtir.
01:35
And in factgerçek, in manyçok
industrializedEndüstrileşmiş nationsmilletler, as well.
22
83560
3360
Maalesef ki sanayileşmiş ülkelerde de
durum aynı.
01:39
So, can we solveçözmek this problemsorun
usingkullanma artificialyapay intelligencezeka?
23
87760
2880
Peki bu problemi yapay zekâ kullanarak
çözebilecek miyiz?
01:43
TodayBugün, if I were to use traditionalgeleneksel
artificialyapay intelligencezeka architecturesmimarileri
24
91840
4056
Bugün bu sorunu
geleneksel yapay zekâ mimarileriyle
01:47
to solveçözmek this problemsorun,
25
95920
1216
çözmek istersem eğer,
01:49
I would requiregerektirir 10,000 --
26
97160
1456
10.000 adet
01:50
I repeattekrar et, on an ordersipariş of 10,000
of these very expensivepahalı medicaltıbbi imagesGörüntüler
27
98640
4016
evet tekrar ediyorum, 10.000 adet
görüntüyü bu pahalı sistemlerden
01:54
first to be generatedoluşturulan.
28
102680
1376
elde etmemiz gerekli.
01:56
After that, I would then go
to an expertuzman physicianhekim,
29
104080
2896
Sonra uzman bir hekime gitmem
ve onun bu görüntüleri
01:59
who would then analyzeçözümlemek
those imagesGörüntüler for me.
30
107000
2496
benim için analiz etmesi gerekli.
02:01
And usingkullanma those two piecesparçalar of informationbilgi,
31
109520
2096
Ve elde edilen bu iki bilgiyi kullanarak
02:03
I can traintren a standardstandart deepderin neuralsinirsel network
or a deepderin learningöğrenme network
32
111640
3656
standart bir derin yapay sinir ağını
veya bir derin öğrenme ağını
02:07
to providesağlamak patient'shastanın diagnosisTanı.
33
115320
2136
hastanın tanısı için eğitebilirim.
02:09
SimilarBenzer to the first approachyaklaşım,
34
117480
1736
İlk yaklaşıma benzer şekilde,
02:11
traditionalgeleneksel artificialyapay
intelligencezeka approachesyaklaşımlar
35
119240
2143
geleneksel yapay zekâ yaklaşımları
02:13
sufferacı çekmek from the sameaynı problemsorun.
36
121407
1449
aynı sorundan muzdariptir.
02:14
LargeBüyük amountsmiktarlar of dataveri, expertuzman physicianshekimler
and expertuzman medicaltıbbi imaginggörüntüleme technologiesteknolojiler.
37
122880
4560
Büyük miktarda veri, uzman hekimler
ve ileri tıbbi görüntüleme teknolojileri.
02:20
So, can we inventicat etmek more scalableölçeklenebilir, effectiveetkili
38
128320
4296
Peki şu anda karşılaştığımız
bu önemli sorunları çözmek adına
daha etkili, daha ölçeklenebilir
ve daha değerli
02:24
and more valuabledeğerli artificialyapay
intelligencezeka architecturesmimarileri
39
132640
3296
yapay zekâ mimarileri
geliştirebilir miyiz?
02:27
to solveçözmek these very importantönemli
problemssorunlar facingkarşı us todaybugün?
40
135960
3056
İşte grubumla MIT Medya Laboratuvarı'nda
yaptığımız şey tam olarak bu.
02:31
And this is exactlykesinlikle
what my groupgrup at MITMIT MediaMedya LabLaboratuvar does.
41
139040
3296
02:34
We have inventedicat edildi a varietyvaryete
of unorthodoxalışılmışın dışında AIAI architecturesmimarileri
42
142360
3856
Günümüzde klinik deneylerde karşılaşılan
bu bazı önemli sorunların çözümü için
02:38
to solveçözmek some of the mostçoğu importantönemli
challengeszorluklar facingkarşı us todaybugün
43
146240
3176
alışılmışın dışında çeşitli
YZ mimarileri oluşturduk.
02:41
in medicaltıbbi imaginggörüntüleme and clinicalklinik trialsdenemeler.
44
149440
2200
02:44
In the exampleörnek I sharedpaylaşılan
with you todaybugün, we had two goalshedefleri.
45
152480
3056
Bugün sizinle paylaştığım örnekte,
iki hedefimiz vardı.
02:47
Our first goalhedef was to reduceazaltmak
the numbernumara of imagesGörüntüler
46
155560
2976
Birinci hedefimiz,
yapay zekâ algoritmalarını eğitmek için
02:50
requiredgereklidir to traintren
artificialyapay intelligencezeka algorithmsalgoritmalar.
47
158560
3256
gereken görüntü sayısını azaltmaktı.
02:53
Our secondikinci goalhedef -- we were more ambitiousiddialı,
48
161840
2096
İkinci hedefimiz ise
daha iddialıydı:
02:55
we wanted to reduceazaltmak the use
of expensivepahalı medicaltıbbi imaginggörüntüleme technologiesteknolojiler
49
163960
3736
Hastaları incelemek için gerekli
maliyeti yüksek görüntüleme sistemlerinin
02:59
to screenekran patientshastalar.
50
167720
1216
kullanımını azaltmak.
03:00
So how did we do it?
51
168960
1200
Peki bunu nasıl başardık ?
03:02
For our first goalhedef,
52
170920
1216
İlk hedefimiz için öncelikle
03:04
insteadyerine of startingbaşlangıç
with tensonlarca and thousandsbinlerce
53
172160
2056
geleneksel yapay zekâda gerektiği gibi
03:06
of these very expensivepahalı medicaltıbbi imagesGörüntüler,
like traditionalgeleneksel AIAI,
54
174240
3016
yüzlerce pahalı test yapmak yerine
03:09
we startedbaşladı with a singletek medicaltıbbi imagegörüntü.
55
177280
2056
sadece bir tıbbi görüntü kullandık.
03:11
From this imagegörüntü, my teamtakım and I
figuredanladım out a very cleverzeki way
56
179360
3776
Tek bir görüntüden, milyarlarca
veri paketi elde etmek için
03:15
to extractözüt billionsmilyarlarca
of informationbilgi packetspaketleri.
57
183160
2736
ekibimle akıllı bir yöntem keşfettik.
03:17
These informationbilgi packetspaketleri
includeddahil colorsrenkler, pixelspiksel, geometrygeometri
58
185920
3696
Bu bilgi paketlerinde,
renkler, pikseller, şekiller
ve hastalığın tıbbi görüntüsü
bulunuyordu.
03:21
and renderingsıva of the diseasehastalık
on the medicaltıbbi imagegörüntü.
59
189640
2536
03:24
In a senseduyu, we converteddönüştürülmüş one imagegörüntü
into billionsmilyarlarca of trainingEğitim dataveri pointsmakas,
60
192200
4336
Başka bir deyişle,
bir resmi milyarlarca
03:28
massivelyağır reducingindirgen the amounttutar of dataveri
neededgerekli for trainingEğitim.
61
196560
3536
eğitim materyali hâline getirip
gereken veriyi büyük ölçüde azalttık.
03:32
For our secondikinci goalhedef,
62
200120
1216
İkinci hedefe gelince,
03:33
to reduceazaltmak the use of expensivepahalı medicaltıbbi
imaginggörüntüleme technologiesteknolojiler to screenekran patientshastalar,
63
201360
3856
hastaları görüntülemek için
kullanılan pahalı testler yerine,
03:37
we startedbaşladı with a standardstandart,
whitebeyaz lightışık photographfotoğraf,
64
205240
2856
cep telefonu veya DSLR kamera ile
03:40
acquiredsatın aldı eitherya from a DSLRDSLR camerakamera
or a mobileseyyar phonetelefon, for the patienthasta.
65
208120
4336
beyaz ışıkta çekilmiş
standart bir fotoğraf ile başladık.
03:44
Then rememberhatırlamak those
billionsmilyarlarca of informationbilgi packetspaketleri?
66
212480
2456
Milyarlarca bilgi paketini
hatırladınız mı?
03:46
We overlaidoverlaid those from
the medicaltıbbi imagegörüntü ontoüstüne this imagegörüntü,
67
214960
3536
Bu fotoğrafı,
tıbbi testlerden elde edilen görüntülerle
üst üste birleştirerek,
"kompozit görüntü"yü elde ettik.
03:50
creatingoluşturma something
that we call a compositekarma imagegörüntü.
68
218520
2520
03:53
Much to our surprisesürpriz,
we only requiredgereklidir 50 --
69
221480
3296
Asıl sürpriz,
yalnızca 50 kompozit görüntü
03:56
I repeattekrar et, only 50 --
70
224800
1336
tekrar ediyorum, 50 adet ile
03:58
of these compositekarma imagesGörüntüler to traintren
our algorithmsalgoritmalar to highyüksek efficienciesverimlilikleri.
71
226160
3840
algoritmalarımızı yüksek verimlilikte
eğitmemiz mümkün oldu.
Yaklaşımımızı özetleyecek olursak;
04:02
To summarizeözetlemek our approachyaklaşım,
72
230680
1336
04:04
insteadyerine of usingkullanma 10,000
very expensivepahalı medicaltıbbi imagesGörüntüler,
73
232040
3176
10.000 yüksek maliyetli tıbbi görüntü
kullanmak yerine,
04:07
we can now traintren the AIAI algorithmsalgoritmalar
in an unorthodoxalışılmışın dışında way,
74
235240
3016
cep telefonu veya
DSLR kamerayla elde edilmiş
04:10
usingkullanma only 50 of these high-resolutionyüksek çözünürlük,
but standardstandart photographsfotoğraflar,
75
238280
4256
yalnızca 50 adet yüksek çözünürlükte
görüntü ile YZ algoritmalarını
04:14
acquiredsatın aldı from DSLRDSLR cameraskameralar
and mobileseyyar phonestelefonlar,
76
242560
2496
hastalıklara teşhis koymak üzere
yenilikçi bir yöntemle eğitebiliyoruz.
04:17
and providesağlamak diagnosisTanı.
77
245080
1536
04:18
More importantlyönemlisi,
78
246640
1216
Daha da önemlisi,
04:19
our algorithmsalgoritmalar can acceptkabul etmek,
in the futuregelecek and even right now,
79
247880
3136
bu algoritmayı kullanmak için,
gelecekte ve hatta şu anda,
04:23
some very simplebasit, whitebeyaz lightışık
photographsfotoğraflar from the patienthasta,
80
251040
2816
yüksek maliyetli tıbbi
görüntüleme sistemleri yerine
04:25
insteadyerine of expensivepahalı
medicaltıbbi imaginggörüntüleme technologiesteknolojiler.
81
253880
2440
hastaların sağlayacağı
basit fotoğraflar yeterli olacak.
04:29
I believe that we are poisedhazır
to entergirmek an eraçağ
82
257120
3096
Yapay zekânın geleceğimiz üzerinde
04:32
where artificialyapay intelligencezeka
83
260240
1936
müthiş etkiler yaratacağı
04:34
is going to make an incredibleinanılmaz
impactdarbe on our futuregelecek.
84
262200
2536
bir çağa girmeye
hazır olduğumuza inanıyorum.
04:36
And I think that thinkingdüşünme
about traditionalgeleneksel AIAI,
85
264760
2456
Bence, zengin veri isteyen
ve uygulamada zayıf kalan
04:39
whichhangi is data-richveri zengini but application-poorUygulama-fakir,
86
267240
2776
geleneksel yapay zekâ yerine,
04:42
we should alsoAyrıca continuedevam et thinkingdüşünme
87
270040
1536
az miktarda veriyle iş yapabilen
04:43
about unorthodoxalışılmışın dışında artificialyapay
intelligencezeka architecturesmimarileri,
88
271600
3016
ve günümüzde karşılaştığımız
zorlu sorunların bazılarını çözebilen
04:46
whichhangi can acceptkabul etmek smallküçük amountsmiktarlar of dataveri
89
274640
1936
yenilikçi yapay zekâ
mimarilerini konuşmalıyız.
04:48
and solveçözmek some of the mostçoğu importantönemli
problemssorunlar facingkarşı us todaybugün,
90
276600
2936
Özellikle de sağlık alanında.
04:51
especiallyözellikle in healthsağlık carebakım.
91
279560
1256
04:52
Thank you very much.
92
280840
1216
Çok teşekkür ederim.
04:54
(ApplauseAlkış)
93
282080
3840
(Alkışlar)
Translated by E. Barış Öndeş
Reviewed by Figen Ergürbüz

▲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