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

Translator: ryan aziz Reviewer: Azfa A

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

Saya beruntung dapat bekerja di Scripps Research

for the last 17 years.

selama 17 tahun terakhir.

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

lembaga ini adalah biomedis nirlaba terbesar di negara ini.

And I've watched some of my colleagues,

Dan saya telah menyaksikan beberapa rekan saya,

who have spent two to three years

yang telah menghabiskan dua hingga tiga tahun

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

untuk mendefiniskan struktur 3-D kristal protein.

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

Sekarang, hal tersebut bisa dilakukan dalam dua atau tiga menit.

And that's because of the work of AlphaFold,

Dan itu karena karya AlphaFold,

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

yang merupakan turunan dari DeepMind, Demis Hassabis dan John Jumper,

recognized by the American Nobel Prize in September.

yang diakui oleh penghargaan Nobel Amerika pada bulan September.

What's interesting, this work,

Hal menarik di pekerjaan ini,

which is taking the amino acid sequence in one dimension

yaitu mengambil urutan asam amino dalam satu dimensi

and predicting the three-dimensional protein at atomic level,

dan memprediksi protein tiga dimensi pada tingkat atom,

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

sekarang telah mengilhami banyak model prediksi struktur protein lainnya,

as well as RNA and antibodies,

serta RNA dan antibodi,

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

bahkan mampu menangkap semua mutasi missense dalam genom,

and even being able to come up wit proteins

juga mampu menghasilkan protein

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

yang belum pernah ditemukan sebelumnya, di dunia nyata.

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

Saat ini, hal yang saya pikirkan adalah tentang model transformator,

we'll talk about that in a moment,

kita akan segera membahasnya,

in this award, since Demis and John

dalam penghargaan ini, ketika Demis dan John

and their team of 30 scientists

dan tim mereka yang terdiri dari 30 ilmuwan

don't understand how the transformer model works,

tidak mengerti bagaimana model transformator bekerja,

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

bukankah seharusnya AI juga mendapatkan tanda bintang

sebagai bagian dari penghargaan itu?

I'm going to switch from life science,

Saya akan beralih dari ilmu kehidupan

which has been the singular biggest contribution just reviewed,

yang telah menjadi kontribusi terbesar yang baru saja ditinjau,

to medicine.

di kedokteran.

And in the medical community,

Dan di komunitas medis,

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

hal yang tidak banyak kita bicarakan adalah kesalahan medis diagnostik.

And according to the National Academy of Medicine,

Dan menurut Akademi Nasional Kedokteran,

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

kita semua akan mengalami setidaknya satu dalam hidup kita.

And we know from a recent Johns Hopkins study

kita baru tahu hal tersebut dari studi Johns Hopkins

that these errors have led to 800,000 Americans dead

bahwa kesalahan ini telah menyebabkan 800.000 orang Amerika meninggal

or seriously disabled each year.

atau cacat serius setiap tahun.

So this is a big problem.

Jadi ini masalah besar.

And the question is, can AI help us?

Dan pertanyaannya adalah, mampukah AI membantu kita?

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

Dan Anda terus mendengar tentang istilah “obat presisi.”

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

Nah, jika Anda terus membuat kesalahan yang sama berulang-ulang, akan akurat.

(Laughter)

(Tawa)

We don't need that,

Kita tidak butuh itu,

we need accuracy and precision medicine.

kita membutuhkan ketepatan dan pengobatan presisi.

So can we get there?

Jadi mampukah kita ke tahap itu?

Well, this is a picture of the retina.

Ini adalah gambar retina.

And this was the first major hint,

Dan ini adalah awal petunjuk utama,

training 100,000 images with supervised learning.

melatih 100.000 gambar dengan pembelajaran yang diawasi.

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

Mampukah mesin melihat hal-hal yang tidak dapat dilihat orang?

And so the question was, to the retinal experts,

Pertanyaannya ditujukan kepada para ahli retina,

is this from a man or a woman?

apakah ini retina pria atau wanita?

And the chance of getting it accurate was 50 percent.

Dan peluang akuratnya adalah 50 persen.

(Laughter)

(Tawa)

But the AI got it right, 97 percent.

Tapi AI melakukannya dengan benar, 97 persen.

So that training,

Sehingga pelatihan tersebut,

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

fitur-fiturnya bahkan tidak didefinisikan bagaimana itu mungkin.

Well that gets then to all of medical images.

Nah itu sampai ke semua gambar medis.

This is just representative, the chest X-ray.

Ini hanya representatif, rontgen dada.

And in fact with the chest X-ray,

Dan faktanya pada rontgen dada,

the ability here for the AI to pick up,

kemampuan AI untuk menangkap,

the radiologists, expert radiologists missing the nodule,

ahli radiologi, ahli radiologi melewatkan nodul,

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

yang ternyata diambil oleh AI sebagai kanker,

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

dan ini, tentu saja, mewakili semua pemindaian medis,

whether it’s CT scans, MRI, ultrasound.

apakah itu CT scan, MRI, USG.

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

Melalui pembelajaran yang diawasi dari kumpulan data besar,

berlabel, beranotasi,

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

kita dapat melihat AI melakukannya setidaknya sama baiknya, atau tidak,

than expert physicians.

dari dokter ahli.

And 21 randomized trials of picking up polyps --

Dan 21 uji coba acak dari pengambilan polip -

machine vision during colonoscopy -- have all shown

penglihatan mesin selama kolonoskopi - semuanya menunjukkan

that polyps are picked up better

bahwa polip diambil lebih baik

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

dengan bantuan penglihatan mesin daripada oleh ahli gastroenterologi,

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

terutama seiring berjalannya hari, di kemudian hari, menarik.

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

Kami tidak tahu apakah mengambil semua polip tambahan ini

changes the natural history of cancers,

mengubah riwayat alami kanker,

but it tells you about machine eyes,

tetapi ini memberi tahu Anda tentang mata mesin,

the power of machine eyes.

kekuatan mata mesin.

Now that was interesting.

Sekarang itu menarik.

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

Masih dengan model pembelajaran mendalam, bukan model transformator,

we've seen and learned that the ability

kita telah melihat dan belajar bahwa kemampuan penglihatan komputer

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

untuk menangkap hal-hal yang tidak dapat dilihat mata manusia

is quite remarkable.

cukup luar biasa.

Here's the retina.

Ini retina.

Picking up the control of diabetes and blood pressure.

Mengambil kontrol diabetes dan tekanan darah.

Kidney disease.

Penyakit ginjal.

Liver and gallbladder disease.

Penyakit hati dan kandung empedu.

The heart calcium score,

Skor kalsium jantung,

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

yang biasanya Anda dapatkan melalui pemindaian jantung.

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

Penyakit Alzheimer sebelum gejala klinis apa pun terwujud.

Predicting heart attacks and strokes.

Memprediksi serangan jantung dan stroke.

Hyperlipidemia.

Hiperlipidemia.

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

Dan tujuh tahun sebelum ada gejala penyakit Parkinson,

to pick that up.

untuk mengatasinya.

Now this is interesting because in the future,

Ini menarik karena di masa depan,

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

kita akan mengambil gambar retina kita saat pemeriksaan.

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

Ini adalah pintu gerbang ke hampir setiap sistem dalam tubuh.

It's really striking.

Ini benar-benar mencolok.

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

Dan kita akan merujuk ke sini karena masing-masing studi ini

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

dilakukan dengan puluhan atau ratusan ribu gambar

with supervised learning,

dengan pelatihan yang diawasi,

and they’re all separate studies by different investigators.

dan semuanya studi terpisah oleh peneliti yang berbeda.

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

Sekarang, sebagai ahli jantung, saya suka membaca kardiogram.

I've been doing it for over 30 years.

Saya telah melakukannya selama lebih dari 30 tahun.

But I couldn't see these things.

Tapi aku tidak bisa melihat hal-hal ini.

Like, the age and the sex of the patient,

Seperti, usia dan jenis kelamin pasien,

or the ejection fraction of the heart,

atau fraksi ejeksi jantung,

making difficult diagnoses that are frequently missed.

membuat diagnosis sulit yang sering terlewatkan.

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

Anemia pasien, yaitu hemoglobin ke titik desimal.

Predicting whether a person,

Memprediksi apakah seseorang,

who's never had atrial fibrillation or stroke

yang tidak pernah mengalami fibrilasi atrium atau stroke

from the ECG,

dari EKG,

whether that's going to likely occur.

apakah itu kemungkinan akan terjadi.

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

Diabetes, diagnosis diabetes dan pradiabetes, dari kardiogram.

The filling pressure of the heart.

Tekanan pengisian jantung.

Hypothyroidism

Hipotiroidisme

and kidney disease.

dan penyakit ginjal.

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

Bayangkan mendapatkan elektrokardiogram untuk memberi tahu Anda

tentang semua hal ini,

not really so much about the heart.

tidak terlalu banyak tentang jantung.

Then there's the chest X-ray.

Lalu ada rontgen dada.

Who would have guessed that we could accurately determine

Siapa yang bisa menebak bahwa kita dapat secara akurat menentukan

the race of the patient,

ras pasien,

no less the ethical implications of that,

tidak kurang implikasi etis dari itu,

from a chest X-ray through machine eyes?

dari rontgen dada melalui mata mesin?

And interestingly, picking up the diagnosis of diabetes,

Dan yang menarik, mengambil diagnosis diabetes,

as well as how well the diabetes is controlled,

serta seberapa baik diabetes dikendalikan,

through the chest X-ray.

melalui rontgen dada.

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

Begitu banyak parameter berbeda tentang jantung,

which we could never,

yang tidak pernah bisa kita,

radiologists or cardiologists, could never be able to come up

bahkan ahli radiologi atau ahli jantung tidak pernah bisa menemukan

apa yang dapat dilakukan

with what machine vision can do.

oleh penglihatan mesin.

Pathologists often argue about a slide,

Ahli patologi sering berdebat tentang salinan,

about what does it really show?

tentang apa yang sebenarnya ditunjukkan?

But with this ability of machine eyes,

Tetapi dengan kemampuan mata mesin ini,

the driver genomic mutations of the cancer can be defined,

mutasi genom pendorong kanker dapat didefinisikan,

no less the structural copy number variants

tidak kurang varian nomor salinan struktural

that are accounting or present in that tumor.

yang terhitung atau yang ada dalam tumor itu.

Also, where is that tumor coming from?

Dan juga dari mana tumor itu berasal?

For many patients, we don’t know.

Bagi banyak pasien, kami tidak tahu.

But it can be determined through AI.

Tapi itu bisa ditentukan melalui AI.

And also the prognosis of the patient,

Dan juga prognosis pasien,

just from the slide,

hanya dari salinan,

by all of the training.

oleh semua pelatihan.

Again, this is all just convolutional neural networks,

Ini semua hanya jaringan saraf konvolusi,

not transformer models.

bukan model transformator.

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

Saat kita beralih dari jaringan saraf dalam

ke model transformator,

this classic pre-print,

pra-cetak klasik ini,

one of the most cited pre-prints ever,

salah satu pra-cetakan kutipan terbanyak yang pernah ada,

"Attention is All You Need,"

Perhatian adalah semua yang Anda Butuhkan,

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

kemampuan untuk sekarang dapat melihat lebih banyak unit,

whether it be language or images,

apakah itu bahasa atau gambar,

and be able to put this in context,

dan dapat menempatkan ini dalam konteks,

setting up a transformational progress in many fields.

menyiapkan kemajuan transformasional di banyak bidang.

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

Prototipe ini adalah hasil dari GPT-4.

With over a trillion connections.

Dengan lebih dari satu triliun koneksi.

Our human brain has 100 trillion connections or parameters.

Otak manusia memiliki 100 triliun koneksi atau parameter.

But one trillion,

Tapi satu triliun,

just think of all the information, knowledge,

hanya semua pikiran informasi, pengetahuan,

that's packed into those one trillion.

yang dikemas dalam satu triliun itu.

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

Dan yang menarik saat ini, multimodal dengan bahasa, dengan gambar,

with speech.

dengan ucapan.

And it involves a massive amount of graphic processing units.

Dan itu melibatkan sejumlah besar unit pemrosesan grafis.

Dan dengan pembelajaran yang diawasi sendiri,

And it's with self-supervised learning,

which is a big bottleneck in medicine

yang merupakan hambatan besar dalam kedokteran

because we can't get experts to label images.

karena kita tidak bisa membuat para ahli memberi label pada gambar.

This can be done with self-supervised learning.

Ini dapat dilakukan dengan pembelajaran yang diawasi sendiri.

So what does this set up in medicine?

Jadi apa yang diatur dalam kedokteran?

It sets up, for example, keyboard liberation.

Ini mengatur, misalnya, pembebasan keyboard.

The one thing that both doctors, clinicians

Satu hal yang ingin dilihat oleh dokter, petugas medis

and patients would like to see.

dan pasien yang ingin dilihat.

Everyone hates being data clerks as clinicians,

Semua orang benci menjadi petugas data sebagai petugas medis,

and patients would like to see their doctor

dan pasien ingin menemui dokter mereka

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

ketika mereka memiliki kunjungan yang telah mereka tunggu

untuk waktu yang lama.

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

Jadi kemampuan untuk mengubah kontak tatap muka

is just one step along the way.

hanyalah satu langkah di sepanjang jalan.

By having the liberation from keyboards with synthetic notes

Dengan memiliki pembebasan dari keyboard dengan catatan sintetis

that are driven, derived from the conversation,

yang didorong, berasal dari percakapan,

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

dan kemudian semua hilir normal fungsi petugas data yang dilakukan,

often off-hours.

seringkali di luar jam kerja.

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

Kita melihat dalam sistem kesehatan di seluruh Amerika Serikat

where people, physicians are saving many hours of time

di mana orang-orang, dokter menghemat banyak waktu

and heading towards ultimately keyboard liberation.

dan menuju pembebasan keyboard pada akhirnya.

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

Kami baru-baru ini menerbitkan bersama di Moorfields Eye Institute,

yang dipimpin oleh Pearse Keane,

led by Pearse Keane,

the first foundation model in medicine from the retina.

model dasar pertama dalam kedokteran dari retina.

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

Dan ingat delapan hal berbeda yang semuanya dilakukan

oleh penelitian terpisah?

This was all done with one model.

Ini semua dilakukan dengan satu model.

This is with 1.6 million retinal images

Ini dengan 1,6 juta gambar retina

predicting all these different outcome likelihoods.

yang memprediksi semua kemungkinan hasil yang berbeda ini.

And this is all open-source,

Dan ini semua sumber terbuka,

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

yang tentu saja sangat penting bagi orang lain untuk membangun model ini.

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

Sekarang saya hanya ingin meninjau beberapa pasien yang sangat menarik.

Andrew, who is now six years old.

Andrew, yang sekarang berusia enam tahun.

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

Dia mengalami tiga tahun rasa sakit yang terus meningkat, menahan pertumbuhan.

His gait suffered with a dragging of his left foot,

Gaya berjalannya menderita dengan menyeret kaki kirinya,

he had severe headaches.

dia mengalami sakit kepala parah.

He went to 17 doctors over three years.

Dia pergi ke 17 dokter selama tiga tahun.

His mother then entered all his symptoms into ChatGPT.

Ibunya kemudian memasukkan semua gejalanya ke ChatGPT.

It made the diagnosis of occulta spina bifida,

Anaknya terdiagnosis Spina bifida occulta

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

yaitu sumsum tulang belakang terikat yang terlewatkan oleh semua 17 dokter

over three years.

selama tiga tahun.

He had surgery to release the cord.

Dia menjalani operasi untuk melepaskan ikatannya.

He's now perfectly healthy.

Dia sekarang sangat sehat.

(Applause)

(Tepuk tangan)

This is a patient that was sent to me,

Ini adalah pasien yang dikirim kepada saya,

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

yang katanya menderita pasca-COVID.

She saw many different physicians, neurologists,

Dia menemui banyak dokter, ahli saraf,

and her sister entered all her symptoms after getting nowhere,

dan saudara perempuannya memasukkan semua gejalanya setelah tidak ada kemajuan

no treatment for long COVID,

tak ada pengobatan pasca-COVID

there is no treatment validated,

tidak ada pengobatan yang valid,

and her sister put all her symptoms into ChatGPT.

dan saudara perempuannya memasukkan semua gejalanya ke ChatGPT.

It found out it actually was not long COVID,

Ternyata sebenarnya tidak pasca-COVID,

she had limbic encephalitis, which is treatable.

dia menderita ensefalitis limbik, yang bisa diobati.

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

Dia dirawat, dan sekarang dia baik-baik saja.

But these are not just anecdotes anymore.

Tapi ini bukan hanya anekdot lagi.

70 very difficult cases

70 kasus yang sangat sulit

that are the clinical pathologic conferences

yang merupakan konferensi patologis klinis

at the New England Journal of Medicine

di Jurnal Kedokteran New England

were compared to GPT-4,

dibandingkan dengan GPT-4,

and the chatbot did as well

dan chatbot melakukannya dengan baik

or better than the expert master clinicians

atau lebih baik daripada dokter ahli

in making the diagnosis.

ahli dalam membuat diagnosis.

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

Jadi saya ingin menutup percakapan ini dengan rekan saya.

Medicine is still an apprenticeship,

Pendidikan Dokter yang masih magang,

and Andrew Cho is 30 years old,

dan Andrew Cho berusia 30 tahun,

in his second year of cardiology fellowship.

di tahun kedua beasiswa kardiologi.

We see all patients together in the clinic.

Kami melihat semua pasien bersama di klinik.

And at the end of clinic the other day,

Dan di akhir klinik beberapa hari yang lalu,

I sat down and said to him,

saya duduk dan berkata kepadanya,

"Andrew, you are so lucky.

“Andrew, kamu sangat beruntung.

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

Anda akan berlatih kedokteran di era pembebasan keyboard.

You're going to be connecting with patients

Anda akan terhubung dengan pasien

the way we haven't done for decades."

dengan cara yang belum kami lakukan selama beberapa dekade.

That is the ability to have the note

Itu adalah kemampuan untuk memiliki catatan

and the work from the conversation

dan pekerjaan dari percakapan

to derive things like pre-authorization,

untuk mendapatkan hal-hal seperti pra-otorisasi,

billing, prescriptions, future appointments --

penagihan, resep, janji temu mendatang -

all the things that we do,

semua hal yang kita lakukan,

including nudges to the patient.

termasuk dorongan kepada pasien.

For example, did you get your blood pressure checks

Apakah Anda mendapatkan pemeriksaan tekanan darah

and what did they show

dan apa yang mereka tunjukkan

and all that coming back to you.

dan semua itu kembali kepada Anda.

But much more than that,

Tapi lebih dari itu,

to help with making diagnoses.

untuk membantu membuat diagnosa.

And the gift of time

Dan karunia waktu

that having all the data of a patient

adalah memiliki semua data pasien

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

yang semuanya dikumpulkan bahkan sebelum melihat pasien.

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

Dan semua dukungan ini mengubah masa depan hubungan pasien-dokter,

bringing in the gift of time.

membawa karunia waktu.

So this is really exciting.

Jadi ini benar-benar menarik.

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

Saya berkata kepada Andrew, semuanya harus divalidasi, tentu saja,

that the benefit greatly outweighs any risk.

bahwa manfaatnya jauh lebih besar daripada risiko apa pun.

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

Tapi ini benar-benar waktu yang luar biasa untuk masa depan perawatan kesehatan,

it's so damn exciting.

sangat menarik.

Thank you.

Terima kasih.

(Applause)

(Tepuk tangan)