Can AI Catch What Doctors Miss? | Eric Topol | TED

المترجم: Yomna Shehata المدقّق: Walaa Mohammed

I've had the real fortune of working at Scripps Research

لقد حظيت بثروة حقيقية عندما عملت لدى معهد سكريبس للأبحاث

for the last 17 years.

على مدار الـ 17 عامًا الماضية.

It's the largest nonprofit biomedical institution in the country.

إنها أكبر مؤسسة طبية حيوية غير ربحية في البلاد.

And I've watched some of my colleagues,

وقد شاهدت بعض زملائي،

who have spent two to three years

الذين قضوا من سنتين إلى ثلاث سنوات

to define the crystal 3-D structure of a protein.

بغية تحديد البنية البلورية ثلاثية الأبعاد للبروتين.

Well, now that can be done in two or three minutes.

حسنًا، الآن يمكن فعل ذلك في دقيقتين أو ثلاث دقائق.

And that's because of the work of AlphaFold,

يرجع سبب ذلك إلى ذكاء ألفافولد الاصطناعي،

which is a derivative of DeepMind, Demis Hassabis and John Jumper,

وهو برنامج مشتق من ديب مايند وديمس وهاسابيس وجون جمبر الذي

recognized by the American Nobel Prize in September.

اعترفت به جائزة نوبل الأمريكية في سبتمبر.

What's interesting, this work,

و ما يثير الاهتمام هو أن هذا العمل،

which is taking the amino acid sequence in one dimension

الذي يأخذ تسلسل الأحماض الأمينية في بُعد واحد

and predicting the three-dimensional protein at atomic level,

ويتنبأ بالبروتين ثلاثي الأبعاد على المستوى الذري،

[has] now inspired many other of these protein structure prediction models,

[قد] ألهم الآن العديد من نماذج التنبؤ ببنية البروتين الأخرى،

as well as RNA and antibodies,

بالإضافة إلى الحمض النووي الريبي(RNA) والأجسام المضادة،

and even being able to pick up all the missense mutations in the genome,

والقدرة على معرفة الطفرات المُغلطة جميعها في الخارطة الجينية،

and even being able to come up wit proteins

وحتى القدرة على ابتكار بروتينات

that have never been invented before, that don't exist in nature.

التي لم يسبق اختراعها من قبل، أي التي ليست في الطبيعة.

Now, the only thing I think about this is it was a transformer model,

الآن، الشيء الوحيد الذي أفكر فيه هو أنه كان نموذجًا متحولًا،

we'll talk about that in a moment,

الذي سأتحدث عنه بعد برهة،

in this award, since Demis and John

في هذه الجائزة، نظرًا لأن ديميس وجون

and their team of 30 scientists

وفريقهم المكون من 30 عالمًا

don't understand how the transformer model works,

لا يفهمون كيفية عمل نموذج التحول،

shouldn't the AI get an asterisk as part of that award?

ألا ينبغي للذكاء الاصطناعي أن يحظى بعلامة النجمة بوصفه جزءًا من تلك الجائزة؟

I'm going to switch from life science,

سأنتقل من علوم الحياة،

which has been the singular biggest contribution just reviewed,

التي كانت المساهم الأكبر الذي ناقشناه للتو،

to medicine.

إلى الطب.

And in the medical community,

وفي المجتمع الطبي،

the thing that we don't talk much about are diagnostic medical errors.

الشيء الذي لا نتحدث عنه كثيرًا هو الأخطاء الطبية التشخيصية.

And according to the National Academy of Medicine,

ووفقًا للأكاديمية الوطنية للطب (NAM)،

all of us will experience at least one in our lifetime.

جميعنا من عانى من خطأ طبي في حياتنا.

And we know from a recent Johns Hopkins study

ونعلم من دراسة حديثة أجرتها جامعة جونز هوبكنز

that these errors have led to 800,000 Americans dead

أن هذه الأخطاء أدت إلى وفاة 800 ألف أمريكي

or seriously disabled each year.

أو الإصابة باعاقات خطيرة لكل عام.

So this is a big problem.

لذلك هذه مشكلة كبيرة.

And the question is, can AI help us?

والسؤال هو، هل يمكن للذكاء الاصطناعي مساعدتنا؟

And you keep hearing about the term “precision medicine.”

وتستمر في السماع عن مصطلح “الطب الدقيق“.

Well, if you keep making the same mistake over and over again, that's very precise.

حسنًا، إذا واصلت ارتكاب نفس الخطأ مرارًا وتكرارًا، فهذا دقيق جدًا.

(Laughter)

(ضحك)

We don't need that,

لسنا بحاجة إليه،

we need accuracy and precision medicine.

نحن بحاجة إلى الدقة والطب الدقيق.

So can we get there?

لذا، هل يمكننا تحقيق ذلك؟

Well, this is a picture of the retina.

حسنًا، هذه صورة لشبكية العين.

And this was the first major hint,

وكان هذا أول تلميح رئيسي،

training 100,000 images with supervised learning.

وهو تدريب 100,000 صورة مع التعلم الخاضع للإشراف.

Could the machine see things that people couldn't see?

هل تقدر الآلة على رؤية أشياء التي لم يستطع الناس رؤيته؟

And so the question was, to the retinal experts,

وهكذا كان السؤال، لخبراء الشبكية،

is this from a man or a woman?

هل هذه العينة من رجل أم امرأة؟

And the chance of getting it accurate was 50 percent.

وكانت فرصة الحصول عليها دقيقة 50 بالمائة.

(Laughter)

(ضحك)

But the AI got it right, 97 percent.

لكن الذكاء الاصطناعي جاوب صحيحًا بنسبة 97 بالمائة.

So that training,

لذلك التدريب،

the features are not even fully defined of how that was possible.

لم تُحدد السمات بشكل كامل لمعرفة كيف هذا كان ممكننا

Well that gets then to all of medical images.

حسنًا، ينطبق ذلك على الصور الطبية جميعها.

This is just representative, the chest X-ray.

هذا مجرد مثال، تصوير الصدر بالأشعة السينية.

And in fact with the chest X-ray,

وفي الواقع، مع الأشعة السينية للصدر،

the ability here for the AI to pick up,

و قدرة الذكاء الاصطناعي على استيعاب،

the radiologists, expert radiologists missing the nodule,

ما فقده أخصائيون الأشعة و خبراء علم الأشعة من عُقَيدة

which turned out to be picked up by the AI as cancerous,

والتي تبين أن الذكاء الاصطناعي لاحظها على أنها سرطانية،

and this is, of course, representative of all of medical scans,

وهذا بالطبع يمثل الفحوصات الطبية جميعها،

whether it’s CT scans, MRI, ultrasound.

مثل الأشعة المقطعية أوالتصوير بالرنين المغناطيسي أوالموجات فوق الصوتية.

That through supervised learning of large, labeled, annotated data sets,

و من خلال التعلم المشرف على مجموعات من البيانات الكبيرة والمصنفة والمشروحة،

we can see AI do at least as well, if not better,

يمكننا أن نرى الذكاء الاصطناعي يعمل على الأقل بنفس مستوى،

than expert physicians.

إن لم يكن أفضل من الأطباء الخبراء.

And 21 randomized trials of picking up polyps --

وأظهرت 21 تجربة عشوائية لالتقاط الأورام الحميدة - الرؤية

machine vision during colonoscopy -- have all shown

الآلية أثناء تنظير القولون -

that polyps are picked up better

أن الأورام الحميدة تلتقط بشكل أفضل

with the aid of machine vision than by the gastroenterologist alone,

بمساعدة الرؤية الآلية مقارنة بأخصائي أمراض الجهاز الهضمي وحده،

especially as the day goes on, later in the day, interestingly.

خاصة مع مرور اليوم، أي في وقت لاحق من اليوم، بشكل مثير للاهتمام.

We don't know whether picking up all these additional polyps

لا نعرف ما إذا كان التقاط كل هذه الأورام الحميدة الإضافية

changes the natural history of cancers,

يغير التاريخ الطبيعي للسرطان،

but it tells you about machine eyes,

لكنه يخبرك عن عيون الآلة،

the power of machine eyes.

وقوة عيون الآلة.

Now that was interesting.

الآن كان ذلك مثيرًا للاهتمام.

But now still with deep learning models, not transformer models,

ولكن الآن مع نماذج التعلم العميق، وليس نماذج التحويل،

we've seen and learned that the ability

رأينا وتعلمنا أن قدرة رؤية

for computer vision to pick up things that human eyes can't see

الكمبيوتر على التقاط الأشياء التي لا تستطيع عيون الإنسان رؤيتها

is quite remarkable.

رائعة للغاية.

Here's the retina.

ها هي شبكية العين.

Picking up the control of diabetes and blood pressure.

هذه صورة سيطرة مرض السكري وضغط الدم.

Kidney disease.

مرض الكلى.

Liver and gallbladder disease.

أمراض الكبد والمرارة.

The heart calcium score,

درجة الكالسيوم في القلب،

which you would normally get through a scan of the heart.

والتي عادة ما تحصل عليها من خلال فحص القلب.

Alzheimer's disease before any clinical symptoms have been manifest.

مرض الزهايمر قبل ظهور أي أعراض سريرية.

Predicting heart attacks and strokes.

التنبؤ بالنوبات القلبية والسكتات الدماغية.

Hyperlipidemia.

فرط شحوم الدم.

And seven years before any symptoms of Parkinson's disease,

وقبل سبع سنوات من ظهور أي أعراض لمرض باركنسون،

to pick that up.

لقد التقط كل ذلك.

Now this is interesting because in the future,

الآن هذا مثير للاهتمام لأنه في المستقبل،

we'll be taking pictures of our retina at checkups.

سنلتقط صورًا لشبكية العين في الفحوصات.

This is the gateway to almost every system in the body.

هذه هي البوابة إلى كل نظام في الجسم تقريبًا.

It's really striking.

إنه أمر مذهل حقًا.

And we'll come back to this because each one of these studies

وسنعود إلى هذا لأن كل واحدة من هذه الدراسات

was done with tens or hundreds [of] thousands of images

أجريت بعشرات أو مئات [من] الآلاف من الصور

with supervised learning,

مع التعلم الخاضع للإشراف،

and they’re all separate studies by different investigators.

وكلها دراسات منفصلة لباحثين مختلفين.

Now, as a cardiologist, I love to read cardiograms.

الآن، بصفتي طبيب قلب، أحب قراءة مخططات القلب.

I've been doing it for over 30 years.

لقد كنت أفعل ذلك لأكثر من 30 عامًا.

But I couldn't see these things.

لكنني لم أستطع رؤية هذه الأشياء.

Like, the age and the sex of the patient,

مثل عمر وجنس المريض،

or the ejection fraction of the heart,

أو الكسر القذفي في القلب،

making difficult diagnoses that are frequently missed.

و التشخيص على أنها تشخيصات صعبة التي غالبًا يُغفل عنها.

The anemia of the patient, that is, the hemoglobin to the decimal point.

فقر الدم لدى المريض، أي قيمة الهيموجلوبين بالنسبة للفاصل العشري.

Predicting whether a person,

توقع ما إذا كان الشخص،

who's never had atrial fibrillation or stroke

لم يصاب بالرجفان الأذيني أوالسكتة الدماغية

from the ECG,

من تخطيط القلب الكهربائي،

whether that's going to likely occur.

ما إذا كان ذلك سيحدث على الأرجح.

Diabetes, a diagnosis of diabetes and prediabetes, from the cardiogram.

تشخيص داء السكري ومقدمات السكري، من مخطط القلب.

The filling pressure of the heart.

ضغط ملء القلب.

Hypothyroidism

قصور الغدة الدرقية

and kidney disease.

ومرض الكلى.

Imagine getting an electrocardiogram to tell you about all these other things,

تخيل حصولك على رسم قلب ليخبرك بكل هذه الأشياء الأخرى،

not really so much about the heart.

وغير المتعلقة حقًا بالقلب.

Then there's the chest X-ray.

ثم يوجد أشعة على الصدر

Who would have guessed that we could accurately determine

من كان يظن أننا نستطيع تحديد

the race of the patient,

عرق المريض بدقة،

no less the ethical implications of that,

ناهيك عن الآثار الأخلاقية لذلك،

from a chest X-ray through machine eyes?

من تصوير الصدر بالأشعة السينية من خلال عيون الآلة؟

And interestingly, picking up the diagnosis of diabetes,

وما يثير الاهتمام، أنه يلاحظ تشخيص مرض السكري،

as well as how well the diabetes is controlled,

وكذلك مدى السيطرة على مرض السكري،

through the chest X-ray.

من خلال الأشعة السينية على الصدر.

And of course, so many different parameters about the heart,

وبالطبع، هناك العديد من العوامل المختلفة المتعلقة بالقلب،

which we could never,

والتي لا يمكن أبدًا

radiologists or cardiologists, could never be able to come up

لأخصائيي الأشعة أو أطباء القلب أن يكونوا قادرين على

with what machine vision can do.

التوصل إلى ما يمكن أن تفعله الرؤية الآلية.

Pathologists often argue about a slide,

غالبًا ما يجادل علماء الأمراض حول الشريحة،

about what does it really show?

حول ما تظهره حقًا؟

But with this ability of machine eyes,

ولكن مع هذه القدرة التي تتمتع بها عيون الآلة،

the driver genomic mutations of the cancer can be defined,

يمكن تحديد الطفرات الجينية المحركة للسرطان

no less the structural copy number variants

ناهيك عن متغيرات عدد النسخ الهيكلية

that are accounting or present in that tumor.

التي تمثل أو موجودة في هذا الورم.

Also, where is that tumor coming from?

أيضًا، من أين ينبع هذا الورم؟

For many patients, we don’t know.

ففي العديد من المرضى، لا نعرف.

But it can be determined through AI.

ولكن يمكن تحديد ذلك من خلال الذكاء الاصطناعي.

And also the prognosis of the patient,

وكذلك تشخيص المريض،

just from the slide,

فقط من الشريحة،

by all of the training.

من خلال كل التدريب.

Again, this is all just convolutional neural networks,

مرة أخرى، هذا كله مجرد شبكات عصبية تلافيفية،

not transformer models.

وليس نماذج تحويل.

So when we go from the deep neural networks to transformer models,

لذلك عندما ننتقل من الشبكات العصبية العميقة إلى نماذج التحويل،

this classic pre-print,

فإن هذه الطباعة المسبقة الكلاسيكية،

one of the most cited pre-prints ever,

واحدة من أكثر المطبوعات المسبقة المستشهد بها على الإطلاق

"Attention is All You Need,"

“الاهتمام هو كل ما تحتاجه”

the ability to now be able to look at many more items,

والقدرة على النظر إلى العديد من العناصر الأخرى،

whether it be language or images,

سواء كانت لغًة أو صورًا،

and be able to put this in context,

وأن نكون قادرين على وضع هذا في سياقه،

setting up a transformational progress in many fields.

وإنشاء تقدمًا تحويليًا في العديد من المجالات.

The prototype is, the outgrowth of this is GPT-4.

النموذج الأولي أو ثمرة هذا هو GPT-4.

With over a trillion connections.

مع أكثر من تريليون اتصال،

Our human brain has 100 trillion connections or parameters.

يحتوي دماغنا البشري على 100 تريليون اتصال أو معيار.

But one trillion,

لكن في تريليون واحد،

just think of all the information, knowledge,

تخيل كل المعلومات والمعرفة

that's packed into those one trillion.

الموجودة في ذلك التريليون فحسب.

And interestingly, this is now multimodal with language, with images,

وما يثير الاهتمام أن هذا أصبح الآن متعدد الوسائط مع اللغة والصور

with speech.

والحديث.

And it involves a massive amount of graphic processing units.

وينطوي على كمية هائلة من وحدات معالجة الرسومات.

And it's with self-supervised learning,

وذلك من خلال التعلم تحت الإشراف الذاتي،

which is a big bottleneck in medicine

والذي يمثل عقبة كبيرة في الطب

because we can't get experts to label images.

لأننا لا نستطيع الحصول على خبراء لتصنيف الصور.

This can be done with self-supervised learning.

يمكن القيام بذلك من خلال التعلم تحت الإشراف الذاتي.

So what does this set up in medicine?

إذن ما الذي يقدمه هذا للطب؟

It sets up, for example, keyboard liberation.

يقدم تحرير لوحة المفاتيح على سبيل المثال.

The one thing that both doctors, clinicians

الشيء الوحيد الذي يرغب كل من الدكاترة والأطباء

and patients would like to see.

والمرضى في رؤيته.

Everyone hates being data clerks as clinicians,

يكره الجميع أن يكونوا كتبة بيانات مثل الأطباء،

and patients would like to see their doctor

ويود المرضى رؤية طبيبهم

when they finally have the visit they've waited for a long time.

عندما يحظوا أخيرًا بالزيارة التي انتظروها لفترة طويلة.

So the ability to change the face-to-face contact

لذا فإن القدرة على تغيير الاتصال وجهًا لوجه

is just one step along the way.

هي مجرد خطوة واحدة على طول الطريق.

By having the liberation from keyboards with synthetic notes

من خلال التحرر من لوحات المفاتيح ذات الملاحظات الاصطناعية

that are driven, derived from the conversation,

التي تُشغل، والمشتقة من المحادثة،

and then all the downstream normal data clerk functions that are done,

ثم جميع وظائف كاتب البيانات العادية النهائية التي تُجرى،

often off-hours.

غالبًا خارج ساعات العمل.

Now we're seeing in health systems across the United States

نرى الآن في الأنظمة الصحية في جميع أنحاء الولايات المتحدة

where people, physicians are saving many hours of time

حيث يوفر الناس والأطباء ساعات طويلة من الوقت

and heading towards ultimately keyboard liberation.

ويتجهون نحو تحرير لوحة المفاتيح في نهاية المطاف.

We recently published, with the group at Moorfields Eye Institute,

نشرنا مؤخرًا، مع مجموعة من معهد مورفيلدز للعيون،

led by Pearse Keane,

بقيادة بيرس كين،

the first foundation model in medicine from the retina.

أول نموذج تأسيسي في الطب من شبكية العين.

And remember those eight different things that were all done by separate studies?

هل تتذكرما فعلته دراسات منفصلة في تلك الأشياء الثمانية المختلفة جميعًا ؟

This was all done with one model.

فضل كل هذا لنموذج واحد.

This is with 1.6 million retinal images

هذا مع 1.6 مليون صورة لشبكية العين

predicting all these different outcome likelihoods.

تتنبأ بكل هذه الاحتمالات المختلفة للنتائج.

And this is all open-source,

وهذا كله مفتوح المصدر،

which is of course really important that others can build on these models.

وهو بالطبع مهم حقًا أن يبني الآخرون على هذه النماذج.

Now I just want to review a couple of really interesting patients.

الآن أريد مراجعة اثنين فحسب من المرضى المثيرين للاهتمام حقًا.

Andrew, who is now six years old.

أندرو، الذي يبلغ الآن من العمر ست سنوات.

He had three years of relentlessly increasing pain, arrested growth.

كان يعاني لمدة ثلاث سنوات من الألم المتزايد بلا هوادة والنمو المتوقف.

His gait suffered with a dragging of his left foot,

عانت سرعة مشيته من تدلي قدمه اليسرى،

he had severe headaches.

وكان يعاني من صداع شديد.

He went to 17 doctors over three years.

ذهب إلى 17 طبيبًا على مدار ثلاث سنوات.

His mother then entered all his symptoms into ChatGPT.

ثم أدخلت والدته جميع أعراضه في ChatGPT.

It made the diagnosis of occulta spina bifida,

وقد تم تشخيص إصابته بمرض السنسنة المشقوقة،

which meant he had a tethered spinal cord that was missed by all 17 doctors

أي أنه كان يعاني من الحبل الشوكي المربوط الذي غفل عنه الأطباء السبعة عشر جميعهم

over three years.

على مدار ثلاث سنوات.

He had surgery to release the cord.

لقد خضع لعملية جراحية لفك الحبل.

He's now perfectly healthy.

إنه الآن بصحة جيدة تمامًا.

(Applause)

(تصفيق)

This is a patient that was sent to me,

هذه مريضة أُرسلت إليّ، وكانت

who was suffering with, she was told, long COVID.

تعاني، كما قيل لها، من مرض كوفيد لفترة طويلة.

She saw many different physicians, neurologists,

لقد شاهدت العديد من الأطباء وأطباء الأعصاب المختلفين

and her sister entered all her symptoms after getting nowhere,

وأدخلت أختها جميع أعراضها بعد لم تصل إلى أي تشخيص دقيق،

no treatment for long COVID,

ولم يعالج كوفيد لفترة طويلة،

there is no treatment validated,

و لم يحقق الدواء نتيجة،

and her sister put all her symptoms into ChatGPT.

فوضعت أختها كل أعراضها في ChatGPT.

It found out it actually was not long COVID,

اكتشفت أنها لم تصاب بكوفيد لفترة طويلة،

she had limbic encephalitis, which is treatable.

بل أصيبت بالتهاب الدماغ الحوفي، وهو أمر يمكن علاجه.

She was treated, and now she's doing extremely well.

لقد عالجتها، وهي الآن في حالة جيدة للغاية.

But these are not just anecdotes anymore.

لكن هذه لم تعد مجرد حكايات.

70 very difficult cases

فقد قورنت 70 حالة صعبة

that are the clinical pathologic conferences

في مؤتمرات علم الأمراض السريرية

at the New England Journal of Medicine

في مجلة نيو انغلاند الطبية

were compared to GPT-4,

بـ GPT-4،

and the chatbot did as well

وكان أداء برنامج الدردشة الآلي جيدًا

or better than the expert master clinicians

أو أفضل من الأطباء الرئيسيين الخبراء

in making the diagnosis.

في إجراء التشخيص.

So I just want to close with a recent conversation with my fellow.

لذلك أريد أن أختتم فحسب بمحادثة حديثة مع زميلي.

Medicine is still an apprenticeship,

لا يزال الطب مهنة تمارس،

and Andrew Cho is 30 years old,

وأندرو تشو الذي يبلغ من العمر 30 عامًا،

in his second year of cardiology fellowship.

في سنته الثانية من زمالة أمراض القلب.

We see all patients together in the clinic.

نرى كل المرضى معًا في العيادة.

And at the end of clinic the other day,

وفي نهاية العيادة في ذلك اليوم،

I sat down and said to him,

جلست وقلت له:

"Andrew, you are so lucky.

“أندرو، أنت محظوظ جدًا.

You're going to be practicing medicine in an era of keyboard liberation.

ستمارس الطب في عصر تحرير لوحة المفاتيح.

You're going to be connecting with patients

سوف تتواصل مع المرضى بالطريقة

the way we haven't done for decades."

التي لم نتبعها منذ عقود“.

That is the ability to have the note

نستطيع أن نحظى على الملاحظة

and the work from the conversation

والعمل من المحادثة

to derive things like pre-authorization,

لاستخلاص أشياء مثل التفويض المسبق

billing, prescriptions, future appointments --

والفواتير والوصفات الطبية والمواعيد المستقبلية -

all the things that we do,

كل الأشياء التي نقوم بها،

including nudges to the patient.

يشمل ارسال تنبيهات للمريض.

For example, did you get your blood pressure checks

على سبيل المثال، هل قمت بفحوصات ضغط الدم

and what did they show

وماذا أظهرت؟

and all that coming back to you.

وكل ذلك يعود إليك بالنفع.

But much more than that,

ولكن أكثر من ذلك بكثير،

to help with making diagnoses.

هو المساعدة في التشخيص.

And the gift of time

ونعمة الوقت

that having all the data of a patient

في تجميع كل بيانات المريض

that's all teed up before even seeing the patient.

قبل رؤيته.

And all this support changes the future of the patient-doctor relationship,

وكل هذا الدعم يغير مستقبل العلاقة بين المريض والطبيب،

bringing in the gift of time.

بادخال نعمة الوقت.

So this is really exciting.

لذلك هذا مثير حقًا.

I said to Andrew, everything has to be validated, of course,

قلت لأندرو، يجب التحقق من صحة كل شيء، بالطبع

that the benefit greatly outweighs any risk.

الفائدة تفوق بكثير أي خطر.

But it is really a remarkable time for the future of health care,

لكنه حقًا عصر رائع لمستقبل الرعاية الصحية،

it's so damn exciting.

إنه أمر مثير للغاية.

Thank you.

شكرًا لكم.

(Applause)

(تصفيق)