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

Translator: shirin etebar Reviewer: Sadegh Vahdati Nia

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

من شانس کار در مؤسسه تحقیقات اسکریپس را

for the last 17 years.

در ۱۷ سال گذشته داشته‌ام.

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

این مکان بزرگترین موسسه مردمی زیست پزشکی در کشور است.

And I've watched some of my colleagues,

و من برخی از همکارانم را دیده‌ام

who have spent two to three years

که دو تا سه سال

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

برای تعریف ساختار سه‌بعدی کریستالی یک پروتئین وقت گذاشته‌اند.

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

خوب، اکنون این کار در دو یا سه دقیقه انجام می‌شود.

And that's because of the work of AlphaFold,

و این به خاطر کار «آلفافولد» است

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

که مشتق شده از «دیپ‌مایند، دمیس هاسابیس و جان جامپر» است

recognized by the American Nobel Prize in September.

که توسط جایزه نوبل آمریکا در ماه سپتامبر به رسمیت شناخته شد.

What's interesting, this work,

جالب اینجاست که این کار

which is taking the amino acid sequence in one dimension

که دنباله اسیدآمینه را در یک بُعد می‌گیرد

and predicting the three-dimensional protein at atomic level,

و پروتئین سه‌بعدی را در سطح اتمی پیش‌بینی می‌کند،

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

اکنون منبع الهامی برای بسیاری دیگر از این مدل‌های پیش‌بینی ساختار پروتئین

as well as RNA and antibodies,

و همچنین RNA و آنتی‌بادی‌ها است

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

و حتی تواناییِ یافتن تمام جهش‌های نادرست در ژنوم

and even being able to come up wit proteins

و حتی قادر به یافتن پروتئین‌هایی است

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

که قبلاً هرگز اختراع نشده‌اند و در طبیعت وجود ندارند.

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

اکنون، تنها تصور من در موردش این است که یک مدل ترانسفورماتور بود،

we'll talk about that in a moment,

ما در موردش صحبت خواهیم کرد،

in this award, since Demis and John

در این جایزه، از آنجا که دمیس و جان

and their team of 30 scientists

و تیم ۳۰ نفری از دانشمندشان

don't understand how the transformer model works,

نمی‌دانند که مدل ترانسفورماتور چگونه کار می‌کند،

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

آیا هوش مصنوعی نباید به عنوان بخشی از این جایزه، نشانی دریافت کند؟

I'm going to switch from life science,

من قصد دارم از علوم زیستی،

which has been the singular biggest contribution just reviewed,

که بزرگترین کمکی است که مورد استفاده و بررسی قرار گرفته،

to medicine.

به پزشکی روی بیاورم.

And in the medical community,

و در جامعه پزشکی،

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

چیزی که ما زیاد در مورد آن صحبت نمی‌کنیم، خطاهای پزشکی تشخیصی است.

And according to the National Academy of Medicine,

و طبق آکادمی ملی پزشکی،

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

همه ما حداقل یک مورد را در طول زندگی خود تجربه خواهیم کرد.

And we know from a recent Johns Hopkins study

و ما از مطالعه اخیر جانز هاپکینز می‌دانیم

that these errors have led to 800,000 Americans dead

که این اشتباهات منجر به جان باختن ۸۰۰,۰۰۰ آمریکایی

or seriously disabled each year.

یا ناتوانی جدی آن‌ها در هر سال شده است.

So this is a big problem.

پس این مشکل بزرگی است.

And the question is, can AI help us?

و سوال این است که آیا هوش مصنوعی می‌تواند به ما کمک کند؟

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

و شما مدام در مورد اصطلاحِ «پزشکی دقیق» می‌شنوید.

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

خوب، اگر بارها یک اشتباه را تکرار کنید، بسیار دقیق می‌شود.

(Laughter)

(خنده)

We don't need that,

ما به آن احتیاجی نداریم،

we need accuracy and precision medicine.

ما به پزشکی درست و دقیق نیاز داریم.

So can we get there?

آیا می‌توانیم به آن دست یابیم؟

Well, this is a picture of the retina.

خوب، این تصویر شبکیه است.

And this was the first major hint,

و این اولین نشانه مهم بود،

training 100,000 images with supervised learning.

بازپروری ۱۰۰,۰۰۰ تصویر با یادگیری نظارت‌شده.

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

آیا ماشین می‌تواند چیزهایی را ببیند که از چشم مردم دور می‌مانند؟

And so the question was, to the retinal experts,

بنابراین سوال برای متخصصان شبکیه این بود

is this from a man or a woman?

که آیا این عکس شبکیه یک مرد است یا یک زن؟

And the chance of getting it accurate was 50 percent.

و احتمال دریافت پاسخ دقیق ۵۰ درصد بود.

(Laughter)

(خنده)

But the AI got it right, 97 percent.

اما هوش مصنوعی با احتمال ۹۷ درصد پاسخ درست می‌دهد.

So that training,

به‌طوری‌که در آن بازپروری،

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

امکانات مورداستفاده حتی به طور کامل تعریف نشده است.

Well that gets then to all of medical images.

خوب این امر به همه تصاویر پزشکی می‌رسد.

This is just representative, the chest X-ray.

این تصویر فقط برای نمونه، از رادیوگرافی قفسه سینه است.

And in fact with the chest X-ray,

در واقع با رادیگرافی اشعه-ایکس قفسه سینه،

the ability here for the AI to pick up,

توانایی تشخیص هوش مصنوعی در اینجا،

the radiologists, expert radiologists missing the nodule,

رادیولوژیست‌ها، رادیولوژیست‌های متخصص گِرِهَک (ندول) را تشخیص نمی‌دهند

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

درصورتی که معلوم شد هوش مصنوعی آن را سرطانی نشان داده

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

و البته این مورد گواه همه اسکن‌های پزشکی است،

whether it’s CT scans, MRI, ultrasound.

چه سی‌تی اسکن باشد، چه ام‌آرآی یا سونوگرافی.

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

از طریق یادگیری نظارت‌شده مجموعه داده‌های بزرگ، برچسب‌دار و تفسیرشده،

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

ما می‌توانیم عملکرد هوش مصنوعی را حداقل به خوبی،

than expert physicians.

بلکه شاید بهتر از پزشکان متخصص ببینیم.

And 21 randomized trials of picking up polyps --

و ۲۱ کارآزمایی تصادفی برای برداشتن پولیپ -

machine vision during colonoscopy -- have all shown

با بینایی ماشینی در طول کولونوسکوپی -

that polyps are picked up better

همگی نشان داده‌اند که پولیپ‌ها

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

با کمک بینایی ماشینی، بهتر از حضور فقط پزشک متخصص گوارش برداشته می‌شوند،

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

به خصوص با گذشت روز، انجامش در اواخر روز، جالب توجه است.

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

ما نمی‌دانیم که برداشتن همه این پولیپ‌های اضافی

changes the natural history of cancers,

تاریخچه طبیعی سرطان‌ها را تغییر می‌دهد یا نه،

but it tells you about machine eyes,

اما در مورد چشم‌های ماشینی به شما می‌گوید،

the power of machine eyes.

در مورد قدرت چشم‌های ماشینی.

Now that was interesting.

جالب بود.

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

اما اکنون هنوز با مدل‌های یادگیری عمیق، نه مدل‌های ترانسفورماتور،

we've seen and learned that the ability

دیده‌ایم و یاد گرفته‌ایم که

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

توانایی بینایی کامپیوتری برای برداشتن چیزهایی که چشم انسان نمی‌تواند ببیند

is quite remarkable.

کاملاً قابل توجه است.

Here's the retina.

این شبکیه چشم است.

Picking up the control of diabetes and blood pressure.

تشخیص کنترل دیابت و فشار خون.

Kidney disease.

بیماری کلیوی.

Liver and gallbladder disease.

بیماری کبد و کیسه صفرا.

The heart calcium score,

میزان کلسیم قلب

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

که معمولاً از طریق اسکن قلب تشخیص داده می‌شود.

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

بیماری آلزایمر قبل از ظهور علائم بالینی.

Predicting heart attacks and strokes.

پیش‌بینی حملات قلبی و سکته مغزی.

Hyperlipidemia.

چربی خون بالا (هیپرلیپیدمی).

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

و تشخیص بیماری پارکینسون، هفت سال قبل از ظهور هر گونه علائم

to pick that up.

که باعث شناسایی آن شود.

Now this is interesting because in the future,

اکنون این امر جالب است چون در آینده،

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

در معاینات از شبکیه چشم خود عکس می‌گیریم.

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

اینجا دروازه‌ای به تقریباً تمام سیستم‌های بدن است.

It's really striking.

واقعاً چشمگیر است.

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

و ما به این موضوع باز خواهیم گشت چون هر یک از این مطالعات

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

با ده‌ها یا صدها هزار تصویر انجام شده

with supervised learning,

با یادگیری نظارت‌شده،

and they’re all separate studies by different investigators.

و همه آن‌ها مطالعات جداگانه‌ای توسط محققین مختلف هستند.

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

اکنون، به‌عنوان یک متخصص قلب، من عاشق خواندن کاردیوگرام هستم.

I've been doing it for over 30 years.

من بیش از ۳۰ سال است که این کار را می‌کنم.

But I couldn't see these things.

اما من نمی‌توانستم این چیزها را ببینم.

Like, the age and the sex of the patient,

چیزهایی مانند سن و جنس بیمار

or the ejection fraction of the heart,

یا کسر جهشی قلب

making difficult diagnoses that are frequently missed.

که باعث ایجاد تشخیص‌های دشواری می‌شود که اغلب شناسایی نمی‌شوند.

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

کم‌خونی بیمار یعنی میزان کمِ اعشاری هموگلوبین.

Predicting whether a person,

پیش‌بینی اینکه آیا فردی

who's never had atrial fibrillation or stroke

که بر اساس الکتروکاردیوگرافی هرگز فیبریلاسیون دهلیزی

from the ECG,

یا سکته مغزی نداشته،

whether that's going to likely occur.

آیا احتمال رخ دادن این اتفاق وجود دارد یا نه.

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

دیابت، تشخیص دیابت و پیش دیابت، از کاردیوگرام.

The filling pressure of the heart.

فشارِ پرشدن قلب.

Hypothyroidism

کم‌کاری تیروئید (هیپوتیروئیدی)

and kidney disease.

و بیماری کلیوی.

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

تصور کنید که برای فهمیدن همه این چیزها الکتروکاردیوگرافی انجام می‌دهید،

not really so much about the heart.

نه فهمیدن چیز زیادی در مورد قلب.

Then there's the chest X-ray.

سپس رادیوگرافی قفسه سینه است.

Who would have guessed that we could accurately determine

چه کسی حدس می‌زد که ما می‌توانیم دقیقا نژاد بیمار را

the race of the patient,

از طریق رادیوگرام قفسه سینه

no less the ethical implications of that,

حتی با پیامدهای اخلاقی کمتر،

from a chest X-ray through machine eyes?

از طریق چشم‌های ماشینی تشخیص دهیم؟

And interestingly, picking up the diagnosis of diabetes,

و مورد جالب تشخیص دیابت است

as well as how well the diabetes is controlled,

و همچنین نحوه کنترل دیابت

through the chest X-ray.

از طریق رادیوگرافی قفسه سینه است.

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

و البته، بسیاری از پارامترهای مختلف در مورد قلب،

which we could never,

که ما هرگز،

radiologists or cardiologists, could never be able to come up

رادیولوژیست‌ها یا متخصصان قلب، هرگز نمی‌توانستیم به آن‌ها برسیم،

with what machine vision can do.

اما بینایی ماشینی می‌تواند انجامش دهد.

Pathologists often argue about a slide,

آسیب‌شناسان اغلب درباره لام نمونه بحث می‌کنند،

about what does it really show?

در مورد اینکه چه چیزی را نشان می‌دهد؟

But with this ability of machine eyes,

اما با این توانایی چشم‌های ماشینی،

the driver genomic mutations of the cancer can be defined,

جهش‌های ژنومی محرک سرطان را می‌توان تعریف کرد،

no less the structural copy number variants

به همراه انواع تعداد نسخه ساختاری

that are accounting or present in that tumor.

که در آن تومور نقش یا وجود دارند.

Also, where is that tumor coming from?

همچنین، آن تومور از کجا می‌آید؟

For many patients, we don’t know.

برای بسیاری از بیماران، ما نمی‌دانیم.

But it can be determined through AI.

اما از طریق هوش مصنوعی قابل تشخیص است.

And also the prognosis of the patient,

و همچنین پیش‌آگهی بیمار،

just from the slide,

فقط از روی لام،

by all of the training.

توسط تمام بازپروری.

Again, this is all just convolutional neural networks,

باز هم، همه اینها فقط شبکه‌های عصبی پیچشی هستند،

not transformer models.

نه مدل‌های ترانسفورماتور.

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

بنابراین، وقتی از شبکه‌های عصبی عمیق به مدل‌های ترانسفورماتور می‌رویم،

this classic pre-print,

این پیش‌چاپ کلاسیک،

one of the most cited pre-prints ever,

یکی از پراستنادترین پیش‌چاپ‌های تا به حال،

"Attention is All You Need,"

«توجه تمامِ نیازتان است»،

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

این توانایی که اکنون بتوان به موارد بسیار بیشتری نگاه کرد،

whether it be language or images,

چه زبان باشد یا تصاویر،

and be able to put this in context,

و اینکه بتوان این را در چهارچوب قرار داد

setting up a transformational progress in many fields.

و پیشرفتی دگرگون‌کننده در بسیاری از زمینه‌ها ایجاد کرد.

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

نمونه اولیه، نتیجه این جی‌پی‌تی-۴ است.

With over a trillion connections.

با بیش از یک تریلیون اتصال.

Our human brain has 100 trillion connections or parameters.

مغز انسان ما ۱۰۰ تریلیون اتصال یا پارامتر دارد.

But one trillion,

اما یک تریلیون،

just think of all the information, knowledge,

فقط به تمام اطلاعات و دانشی فکر کنید

that's packed into those one trillion.

که در این یک تریلیون جمع شده است.

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

و جالب اینجاست که اکنون به صورت چندابزاری با زبان، تصاویر

with speech.

و با گفتار همراه است.

And it involves a massive amount of graphic processing units.

و شامل حجم عظیمی از واحدهای پردازش گرافیکی است.

And it's with self-supervised learning,

و از یادگیری خود-نظارتی بهره می‌برد

which is a big bottleneck in medicine

که یک تنگنای بزرگ در پزشکی است،

because we can't get experts to label images.

چون ما نمی‌توانیم متخصصانی را برای برچسب‌گذاری تصاویر بگذاریم.

This can be done with self-supervised learning.

این را می‌توان با یادگیری خود نظارتی انجام داد.

So what does this set up in medicine?

پس این ابزار چه چیزی را در پزشکی ایجاد می‌کند؟

It sets up, for example, keyboard liberation.

برای مثال، ما را از صفحه‌کلید آزاد می‌کند.

The one thing that both doctors, clinicians

چیزی که هم پزشکان، هم متخصصان بالینی

and patients would like to see.

و هم بیماران دوست دارند ببینند.

Everyone hates being data clerks as clinicians,

همه از این متنفرند که به عنوان پزشک، کارمند دفتری باشند

and patients would like to see their doctor

و بیماران مایلند پزشک خود را ببینند

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

وقتی که در نهایت به ویزیتی می‌روند که مدت‌ها منتظرش بودند.

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

بنابراین امکان تغییر تماس حضوری

is just one step along the way.

تنها یک قدم در مسیر است.

By having the liberation from keyboards with synthetic notes

با رهایی از صفحه‌کلیدهایی با یادداشت‌های مصنوعی

that are driven, derived from the conversation,

که از مکالمه استخراج می‌شوند

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

و سپس همه عملکردهای عادی پایین‌دستی کارمند دفتری که اغلب

often off-hours.

در ساعات غیراداری انجام می‌شوند.

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

اکنون در سیستم‌های بهداشتی در سراسر ایالات متحده می‌بینیم

where people, physicians are saving many hours of time

که در آن مردم و پزشکان ساعت‌های زیادی در زمان صرفه‌جویی می‌کنند

and heading towards ultimately keyboard liberation.

و سرانجام به سمت رهایی از صفحه‌کلید می‌روند.

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

ما اخیراً در موسسه چشم مورفیلدز با گروهی

led by Pearse Keane,

به رهبری پیرس کین،

the first foundation model in medicine from the retina.

اولین مدل پایه در پزشکی از شبکیه چشم را منتشر کردیم.

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

و آن هشت کار مختلف را به یاد دارید که همه با مطالعات جداگانه انجام شده‌اند؟

This was all done with one model.

در این یکی همه با یک مدل انجام شد.

This is with 1.6 million retinal images

این با ۱/۶ میلیون تصویر شبکیه انجام شده

predicting all these different outcome likelihoods.

که همه این احتمالات نتایج متفاوت را پیش‌بینی می‌کند.

And this is all open-source,

و همه اینها منبع‌باز است

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

که البته بسیار مهم است که دیگران بتوانند بر اساس این مدل‌ها، چیزی بسازند.

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

حالا فقط می‌خواهم چند بیمار واقعا جالب را با شما بررسی کنم.

Andrew, who is now six years old.

اندرو که اکنون شش ساله است.

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

او سه سال درد بی‌امان روزافزونی داشت و رشدش متوقف شد.

His gait suffered with a dragging of his left foot,

راه رفتن او با کشیدن پای چپش دچار مشکل شد،

he had severe headaches.

سردرد شدید داشت.

He went to 17 doctors over three years.

او در طول سه سال به ۱۷ پزشک مراجعه کرد.

His mother then entered all his symptoms into ChatGPT.

سپس مادرش تمام علائم او را در چت‌جی‌پی‌تی وارد کرد.

It made the diagnosis of occulta spina bifida,

هوش مصنوعی تشخیص مهره شکاف مخفی را نشان داد،

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

به این معنی که نخاع او در مکانی گیر کرده بود که تمام ۱۷ پزشک

over three years.

طی سه سال متوجه نشدند.

He had surgery to release the cord.

او برای آزاد کردن نخاع عمل جراحی انجام داد.

He's now perfectly healthy.

اکنون کاملا سالم است.

(Applause)

(تشویق)

This is a patient that was sent to me,

این بیماری است که برای من فرستاده شده

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

و به او گفته شده بود که از کووید طولانی رنج می‌برد.

She saw many different physicians, neurologists,

او بسیاری از پزشکان مختلف، متخصصان مغز و اعصاب را دید

and her sister entered all her symptoms after getting nowhere,

و پس از ناکام ماندن خواهرش همه علائم او را وارد کرد،

no treatment for long COVID,

هیچ درمانی برای این بیماری،

there is no treatment validated,

هیچ درمان تأییدشده‌ای وجود ندارد

and her sister put all her symptoms into ChatGPT.

و خواهرش همه علائمش را در چت‌جی‌پی‌تی وارد کرد.

It found out it actually was not long COVID,

هوش مصنوعی نشان داد که بیماری او کووید طولانی نیست

she had limbic encephalitis, which is treatable.

و او انسفالیت لیمبیک دارد، که قابل درمان است.

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

او تحت درمان قرار گرفت و اکنون بسیار خوب است.

But these are not just anecdotes anymore.

اما این‌ها دیگر فقط حکایت نیستند.

70 very difficult cases

۷۰ مورد بسیار دشوار

that are the clinical pathologic conferences

که گفتگوهای پاتولوژیک بالینی

at the New England Journal of Medicine

در مجله پزشکی نیوانگلند هستند

were compared to GPT-4,

با جی‌چی‌تی-۴ مقایسه شدند

and the chatbot did as well

و چت‌بات به خوبی

or better than the expert master clinicians

یا بهتر از متخصصان باتجربه

in making the diagnosis.

در تشخیص این بیماری عمل کرد.

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

من می‌خواهم سخنانم را با یک گفتگوی اخیر با همکارم پایان دهم.

Medicine is still an apprenticeship,

پزشکی هنوز یک کارآموزی است

and Andrew Cho is 30 years old,

و اندرو چو ۳۰ ساله است

in his second year of cardiology fellowship.

و در سال دوم فلوشیپ قلب و عروق است.

We see all patients together in the clinic.

ما با همدیگر بیماران را در کلینیک معاینه می‌کنیم.

And at the end of clinic the other day,

و روزی در پایان شیفت کلینیک،

I sat down and said to him,

من نشستم و به او گفتم:

"Andrew, you are so lucky.

«اندرو، تو خیلی خوش‌شانسی.

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

در دوران آزادی از صفحه‌کلید به طبابت خواهی پرداخت.

You're going to be connecting with patients

با بیماران به روشی ارتباط برقرار خواهی کرد

the way we haven't done for decades."

که ما برای چندین دهه انجام نداده‌ایم.»

That is the ability to have the note

این تواناییِ داشتن یادداشت

and the work from the conversation

و کار از گفتگو با بیمار

to derive things like pre-authorization,

برای به دست آوردن مواردی مانند مجوز از قبل،

billing, prescriptions, future appointments --

صورت‌حساب، نسخه‌ها، ویزیت‌های آینده --

all the things that we do,

همه کارهایی که می‌کنیم،

including nudges to the patient.

از جمله هدایت کردن بیمار.

For example, did you get your blood pressure checks

به‌عنوان مثال، آیا فشار خون خود را چک کردید

and what did they show

و چه چیزی را نشان داد

and all that coming back to you.

و همه این‌ها به تو بازمی‌گردد.

But much more than that,

اما خیلی بیشتر از آن،

to help with making diagnoses.

برای کمک به تشخیص.

And the gift of time

و هدیه زمان

that having all the data of a patient

که داشتن تمام داده‌های یک بیمار

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

حتی قبل از دیدن بیمار را فراهم می‌کند.

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

و همه این حمایت‌ها آینده رابطه بیمار و پزشک را تغییر می‌دهد

bringing in the gift of time.

و در زمان صرفه‌جویی می‌کند.

So this is really exciting.

پس این واقعا هیجان‌انگیز است.

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

من به اندرو گفتم، همه چیز باید تأیید شود، البته،

that the benefit greatly outweighs any risk.

که مزیت آن بسیار بیشتر از هر خطری است.

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

اما واقعاً زمان قابل توجهی برای آینده مراقبت‌های بهداشتی‌ست

it's so damn exciting.

و بسیار هیجان‌انگیز است.

Thank you.

متشکرم.

(Applause)

(تشویق)