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

Fordító: Peter Pallos Lektor: Reka Lorinczy

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

Az elmúlt 17 évben szerencsém volt

for the last 17 years.

a Scripps Researchnél dolgozni.

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

Ez az ország legnagyobb nonprofit orvosbiológiai intézménye.

And I've watched some of my colleagues,

Néhány kollégám két-három évet töltött

who have spent two to three years

fehérje 3D-s kristályszerkezetének meghatározásával.

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

Ez két-három perc alatt elvégezhető.

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

And that's because of the work of AlphaFold,

Ez az AlphaFold munkájának köszönhető,

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

amely a DeepMind-os Demis Hassabis és John Jumper fejlesztése,

recognized by the American Nobel Prize in September.

amelyet szeptemberben Albert Lasker-díjjal ismertek el.

What's interesting, this work,

Érdekes, hogy ez a munka,

which is taking the amino acid sequence in one dimension

amely az egydimenziós aminosav-szekvenciából

and predicting the three-dimensional protein at atomic level,

atomi szinten jósolja meg a háromdimenziós fehérjét,

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

mára már sok más modellt megihletett

as well as RNA and antibodies,

fehérjeszerkezetek, RNS és antitestek előrejelzésére,

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

sőt még a genomban lévő összes misszensz mutációt is képes kimutatni,

and even being able to come up wit proteins

de még a korábban ismeretlen,

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

a természetben nem is létező fehérjéket is felfedezi.

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

Arra gondolok, hogy ez átalakító modell volt.

we'll talk about that in a moment,

Mindjárt beszélünk róla,

in this award, since Demis and John

mivel Demis, John

and their team of 30 scientists

és 30 fős tudóscsoportjuk

don't understand how the transformer model works,

nem teljesen érti a modell működését.

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

Nem az MI-t illeti a díj egy része?

I'm going to switch from life science,

Az élettudományról,

which has been the singular biggest contribution just reviewed,

amely óriásit fejlődött,

to medicine.

áttérek az orvostudományra.

And in the medical community,

Orvosközösségekben

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

nem sokat beszélünk orvosdiagnosztikai hibákról.

And according to the National Academy of Medicine,

Az Országos Orvostudományi Akadémia szerint

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

életünk során legalább egyszer mindenkivel előfordul.

And we know from a recent Johns Hopkins study

Egy nem régi Johns Hopkins kutatásból tudjuk,

that these errors have led to 800,000 Americans dead

hogy ezek a hibák évente 800 000 amerikai halálához

or seriously disabled each year.

vagy súlyos fogyatékosságához vezetnek.

So this is a big problem.

Tehát ez nagy gond.

And the question is, can AI help us?

Kérdés, hogy segíthet-e rajtunk az MI?

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

Folyamatosan hallunk a precíz, személyre szabott orvoslásról.

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

Ha minduntalan ugyanazt a hibát követjük el, az tényleg precíz.

(Laughter)

(Nevetés)

We don't need that,

Nem erre van szükségünk,

we need accuracy and precision medicine.

hanem pontosságra és személyre szabott orvoslásra.

So can we get there?

Képesek vagyunk rá?

Well, this is a picture of the retina.

Ez a recehártya, a retina képe.

And this was the first major hint,

Ez volt az első nagy tipp:

training 100,000 images with supervised learning.

100 000 kép oktatása felügyelt tanulással.

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

Megláthat-e a gép olyan dolgokat, amelyeket az emberek nem?

And so the question was, to the retinal experts,

A retinaszakértőknek feltett kérdés ez volt:

is this from a man or a woman?

a retina férfitől vagy nőtől származik-e?

And the chance of getting it accurate was 50 percent.

A pontosság esélye 50% volt.

(Laughter)

(Nevetés)

But the AI got it right, 97 percent.

De az MI 97%-ban jól felelt.

So that training,

E tanulás jellemzői nincsenek teljesen meghatározva,

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

hogy miként volt ez lehetséges.

Well that gets then to all of medical images.

Ez az összes orvosi képre vonatkozik.

This is just representative, the chest X-ray.

Tipikus eset a mellkasröntgen.

And in fact with the chest X-ray,

Alkalmaztuk az MI felismerési képességét a mellkasi röntgenfelvételre.

the ability here for the AI to pick up,

Tapasztalt radiológusok

the radiologists, expert radiologists missing the nodule,

nem ismerték fel a göböt,

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

amelyet az MI aztán rákosnak talált.

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

Ez minden orvosi vizsgálatra jellemző,

whether it’s CT scans, MRI, ultrasound.

legyen szó CT-ről, MRI-ről, ultrahangról.

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

Nagy, címkézett, megjegyzésekkel ellátott adatkészletek felügyelt tanulásából

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

látható, hogy az MI legalább olyan jól végzi a dolgát, ha nem jobban,

than expert physicians.

mint a tapasztalt orvosok.

And 21 randomized trials of picking up polyps --

21 véletlenszerű polipfelvétel vizsgálata

machine vision during colonoscopy -- have all shown

a kolonoszkópia során végzett gépi látással mind kimutatta,

that polyps are picked up better

hogy gépi látással a polipok jobban felismerhetők,

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

mint ha szabad szemmel gasztroenterológus végzi,

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

különösen a munkanapja végén.

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

Nem tudjuk, hogy e további polipok kimutatása miatt

changes the natural history of cancers,

változik-e a rák természetes lefolyása,

but it tells you about machine eyes,

de ez sokat mond a gépi látásról,

the power of machine eyes.

a gépi látás alaposságáról.

Now that was interesting.

Lenyűgöző!

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

De mély tanulási modellekkel, nem átalakító modellekkel,

we've seen and learned that the ability

láttuk és megtanultuk, hogy a számítógépes látás

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

olyan dolgok kimutatására képes, amelyeket az emberi szem nem lát,

is quite remarkable.

meglehetősen figyelemre méltó.

Here's the retina.

Ez a recehártya, a retina.

Picking up the control of diabetes and blood pressure.

Ellenőrizhetjük vele a cukorbetegséget és a vérnyomást,

Kidney disease.

a vesebetegséget,

Liver and gallbladder disease.

a máj- és epehólyag-betegséget.

The heart calcium score,

A koszorúerek falában lévő meszes felrakódásokat,

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

amelyeket a szív CT-vizsgálatával szoktak végezni.

Az Alzheimer-kórt a klinikai tünetek megnyilvánulása előtt.

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

Predicting heart attacks and strokes.

Szívrohamok és stroke előrejelzését.

Hyperlipidemia.

A magas vérzsírszintet.

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

Hét évvel a Parkinson-kór tünetei előtt

to pick that up.

a kór felismerhető.

Now this is interesting because in the future,

Ez érdekes, mert a jövőben vizsgálatkor

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

retinánkról fényképet készítünk.

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

Ez a kapu a test szinte minden rendszeréhez.

It's really striking.

Tényleg megdöbbentő.

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

Erről még szó lesz,

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

mert a vizsgálatok felügyelt tanulással

with supervised learning,

több tíz- vagy százezer képpel készültek,

and they’re all separate studies by different investigators.

és mindegyik tanulmányt más-más kutatók végezték.

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

Kardiológusként szeretek kardiogramokat olvasni.

I've been doing it for over 30 years.

Több mint 30 éve csinálom.

But I couldn't see these things.

De néhány dolgot még nem láttam,

Like, the age and the sex of the patient,

pl. a beteg korát és nemét,

or the ejection fraction of the heart,

vagy a szív kilökődési frakcióját.

making difficult diagnoses that are frequently missed.

Összetett diagnózisokat végeztettünk, melyekben gyakran van hiba.

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

A beteg vérszegénységét, vagyis hemoglobint tizedes pontossággal.

Predicting whether a person,

Annak előrejelzése,

who's never had atrial fibrillation or stroke

hogy akinek az EKG szerint sosem volt

from the ECG,

pitvar-fibrillációja vagy sztrókja,

whether that's going to likely occur.

ez valószínűleg bekövetkezne-e.

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

Cukorbetegség és a prediabétesz diagnózisa a kardiogramból.

The filling pressure of the heart.

A szív töltőnyomása.

Hypothyroidism

A pajzsmirigy alulműködése

and kidney disease.

és a vesebetegség.

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

Képzeljék el, hogy az EKG-felvétel ezekről is tájékoztatást nyújt,

not really so much about the heart.

nem csak a szívről.

Then there's the chest X-ray.

Aztán a mellkasröntgen.

Who would have guessed that we could accurately determine

Ki sejtette volna,

hogy gépi látással a mellkas röntgenfelvételéből

the race of the patient,

no less the ethical implications of that,

a beteg rasszát, sőt annak etikai következményeit is

from a chest X-ray through machine eyes?

pontosan meg tudjuk határozni?

And interestingly, picking up the diagnosis of diabetes,

Vagy megállapítjuk a cukorbetegséget,

as well as how well the diabetes is controlled,

és hogy mennyire hatékony a cukorbetegség szabályozása

csupán a mellkas röntgenfelvételéből.

through the chest X-ray.

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

És persze sok más paramétert is a szívvel kapcsolatban,

which we could never,

amelyeket mi, radiológusok vagy kardiológusok

radiologists or cardiologists, could never be able to come up

soha nem tudnánk meghatározni

with what machine vision can do.

a gépi látás képessége nélkül.

Pathologists often argue about a slide,

Patológusok gyakran vitáznak egy diáról,

about what does it really show?

hogy az valójában mit mutat?

But with this ability of machine eyes,

De a gépi látás e képességével

the driver genomic mutations of the cancer can be defined,

meghatározhatjuk

no less the structural copy number variants

a rákot okozó genommutációkat,

that are accounting or present in that tumor.

valamint a daganatban lévő szerkezeti eltérések számát.

Also, where is that tumor coming from?

Azt is, honnan származik a tumor.

For many patients, we don’t know.

Sok beteg esetében ezt nem tudjuk.

But it can be determined through AI.

De az MI-vel megállapítható.

And also the prognosis of the patient,

És a betegre vonatkozó prognózis is,

just from the slide,

csupán a diáról,

by all of the training.

az összes tanulás során.

Again, this is all just convolutional neural networks,

Hangsúlyozom, hogy ezek csak konvolúciós neurális hálózatok,

not transformer models.

nem átalakító modellek.

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

Amikor a mély neurális hálózatokról átalakító modellekre térünk át,

this classic pre-print,

ez a klasszikus preprint,

one of the most cited pre-prints ever,

egyik leginkább idézett preprint,

"Attention is All You Need,"

a „Csak figyelemre van szükség”

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

lehetővé teszi, hogy sok más elemet is megnézzünk,

whether it be language or images,

legyen szó nyelvről vagy képről,

and be able to put this in context,

és ezt kontextusba illesztve

setting up a transformational progress in many fields.

sok területen átalakító haladást eredményez.

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

Megjelent a GPT-4 prototípus.

With over a trillion connections.

Több mint egybillió kapcsolatra képes.

Our human brain has 100 trillion connections or parameters.

Emberi agyunknak 100 billió kapcsolata vagy paramétere van.

But one trillion,

De az egybillió,

just think of all the information, knowledge,

csak gondoljunk az összes információra, tudásra,

that's packed into those one trillion.

amely az egybillióba belefér!

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

E multimodális modell

nyelvek, képek és beszéd feldolgozására is alkalmas.

with speech.

And it involves a massive amount of graphic processing units.

Hatalmas mennyiségű grafikus feldolgozó egységet tartalmaz.

And it's with self-supervised learning,

Az önfelügyelt tanulás elhárítja

which is a big bottleneck in medicine

az orvostudomány egyik nehézségét:

because we can't get experts to label images.

hogy szakértők megjegyzéseket fűzzenek a képekhez.

This can be done with self-supervised learning.

Önfelügyelt tanulással ez megoldható.

So what does this set up in medicine?

Mit hoz létre ez az orvostudományban?

It sets up, for example, keyboard liberation.

Pl. megszabadulhatunk a billentyűzettől,

The one thing that both doctors, clinicians

a kézi adatrögzítéstől.

and patients would like to see.

Ezt az orvosok és a betegek is szívesen vennék.

Everyone hates being data clerks as clinicians,

Mindenki utálja, hogy orvosként adatkezelő legyen,

and patients would like to see their doctor

és a betegek orvosukkal szeretnék tölteni a rendelési időt,

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

amikor hosszú várakozás után végre bejutnak hozzá.

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

A közvetlen személyes kapcsolat megváltozása

is just one step along the way.

csak egy lépés az úton:

By having the liberation from keyboards with synthetic notes

megszabadulunk

that are driven, derived from the conversation,

a beszélgetésből leszűrt összefoglaló jegyzetkészítéstől,

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

majd a későbbi adatkezeléstől,

amelyeket gyakran túlórában szoktunk végezni.

often off-hours.

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

Az USA egészségügyi rendszereiben látjuk,

where people, physicians are saving many hours of time

hogy az orvosok rengeteg időt takarítanak meg,

and heading towards ultimately keyboard liberation.

és végső soron a billentyűzet elhagyása felé haladnak.

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

Nemrég a Moorfields Eye Institute Pearse Keane vezette csoportjával

led by Pearse Keane,

közzétettük a retináról

the first foundation model in medicine from the retina.

az orvostudomány első alapmodelljét.

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

Emlékeznek rá, mikor nyolc dolgot nyolc tanulmánnyal végeztek?

This was all done with one model.

Mindez egy modellel történt.

This is with 1.6 million retinal images

Ez 1,6 millió retinaképpel jelzi előre

predicting all these different outcome likelihoods.

a kimeneteli valószínűségeket.

And this is all open-source,

Ezek mind nyílt forráskódúak,

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

ami azért fontos, hogy mások e modellekre alapozhassanak.

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

Most csak néhány igazán érdekes beteget szeretnék bemutatni.

Andrew, who is now six years old.

Andrew most hatéves.

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

Három éve könyörtelenül növekvő fájdalma van, növekedése megállt.

His gait suffered with a dragging of his left foot,

Járáskor bal lábát húzza,

he had severe headaches.

súlyos fejfájás kínozza.

He went to 17 doctors over three years.

A három év alatt 17 orvosnál járt.

His mother then entered all his symptoms into ChatGPT.

Édesanyja ezután minden tünetét beírta a ChatGPT-be.

It made the diagnosis of occulta spina bifida,

A ChatGPT rejtett nyitott gerincet,

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

spina bifida occultát diagnosztizált,

amelyet a 17 orvos egyike sem vett észre három év alatt.

over three years.

He had surgery to release the cord.

A zárást gerinvelő-műtéttel oldották meg.

He's now perfectly healthy.

Most már tökéletesen egészséges.

(Applause)

(Taps)

This is a patient that was sent to me,

Ez a páciens hozzám került.

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

Azt mondták neki, hogy ún. hosszú COVID-tól szenved.

She saw many different physicians, neurologists,

Sok orvosnál, neurológusnál járt, sikertelenül,

and her sister entered all her symptoms after getting nowhere,

mígnem nővére beírta az összes tünetét.

A hosszú COVID-ot nem kezelték,

no treatment for long COVID,

mivel nincs rá hatékony gyógymód.

there is no treatment validated,

and her sister put all her symptoms into ChatGPT.

Nővére minden tünetét a ChatGPT-be írta.

It found out it actually was not long COVID,

Kiderült, hogy valójában nem hosszú COVID-ban,

she had limbic encephalitis, which is treatable.

hanem limbikus agyvelőgyulladásban szenved, amely kezelhető.

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

Meggyógyították, és most kiválóan érzi magát.

But these are not just anecdotes anymore.

De ezek már nem csak anekdoták.

70 very difficult cases

A New England Journal of Medicine

that are the clinical pathologic conferences

klinikai kórtani konferenciáján

at the New England Journal of Medicine

70 nagyon nehéz esetet

were compared to GPT-4,

hasonlítottak össze GPT-4-gyel.

and the chatbot did as well

A chatbot a diagnózis felállításában

or better than the expert master clinicians

ugyanolyan jól vagy még jobban teljesített,

in making the diagnosis.

mint a legjobb, legtapasztaltabb orvosok.

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

Végül egy beszélgetés a társammal.

Az orvostudomány még mindig gyakornoki képzés.

Medicine is still an apprenticeship,

and Andrew Cho is 30 years old,

A 30 éves Andrew Chónak ez a második éve,

in his second year of cardiology fellowship.

hogy rezidensként kardiológiát tanul.

We see all patients together in the clinic.

Minden beteget együtt vizsgálunk a klinikán.

And at the end of clinic the other day,

A minap a munkanap végén leültem,

I sat down and said to him,

és azt mondtam neki:

"Andrew, you are so lucky.

„Andrew, annyira szerencsés vagy!

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

Az orvosláshoz hamarosan nem kell adatrögzítéssel bíbelődnöd.

You're going to be connecting with patients

Betegeiddel úgy fogsz kapcsolatba lépni ,

the way we haven't done for decades."

ahogy évtizedek óta nem lehetett.”

That is the ability to have the note

Ha rögzítve vannak a páciens adatai,

and the work from the conversation

a rendelésen személyesen beszélgethetünk vele,

to derive things like pre-authorization,

és a gépre bízhatjuk előzetes engedélyek,

számlák, receptek kiállítását, kontrollra időpontfoglalást,

billing, prescriptions, future appointments --

mindazt, amit ma magunk végzünk,

all the things that we do,

ide értve a páciens noszogatását is:

including nudges to the patient.

For example, did you get your blood pressure checks

„Megkapta a vérnyomáseredményét,

and what did they show

és mit mutat?”

and all that coming back to you.

Rögtön az eredményhez jutunk.

But much more than that,

Ez sokkal több, minthogy segítsen

to help with making diagnoses.

diagnózisok felállításában.

And the gift of time

Az idő ajándéka,

that having all the data of a patient

hogy a beteg összes adata megvan,

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

mielőtt még a pácienst látnánk.

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

E támogatás megváltoztatja a beteg-orvos kapcsolat jövőjét,

bringing in the gift of time.

ha felhasználjuk ezt az ajándékot.

So this is really exciting.

Ez roppant izgalmas.

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

Azt mondtam Andrew-nak, hogy persze, mindent meg kell erősíteni,

that the benefit greatly outweighs any risk.

hogy az előny lényegesen haladja meg a kockázatokat.

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

De ez tényleg figyelemre méltó időszak az orvoslás jövője szempontjából,

it's so damn exciting.

átkozottul izgalmas!

Thank you.

Köszönöm.

(Applause)

(Taps)