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

תרגום: zeeva livshitz עריכה: aknv tso

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

נפלה בחלקי הזכות האמיתית לעבוד במכון המחקר "סקריפס"

for the last 17 years.

במשך 17 השנים האחרונות.

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

זהו המלכ"ר הביו-רפואי הגדול ביותר במדינה.

And I've watched some of my colleagues,

וצפיתי בכמה מעמיתי

who have spent two to three years

כשהקדישו בין שנתיים לשלוש שנים

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

כדי להגדיר את המבנה התלת-ממדי הגבישי של חלבון.

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

עכשיו זה יכול להיעשות תוך שתיים-שלוש דקות.

And that's because of the work of AlphaFold,

וזה, הודות לעבודתה של "אלפא-פולד",

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

שהיא תוצר משולב של "דיפ-מיינד", דמיס האסאביס וג‘ון ג’אמפר,

recognized by the American Nobel Prize in September.

חתני פרס נובל האמריקאי בספטמבר.

What's interesting, this work,

מה שמעניין, העבודה הזו,

which is taking the amino acid sequence in one dimension

שלוקחת את רצף חומצת האמינו בממד אחד

and predicting the three-dimensional protein at atomic level,

ומתארת את החלבון התלת-מימדי ברמה האטומית,

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

היא מקור ההשראה לדגמי חיזוי רבים אחרים של מבני חלבון,

as well as RNA and antibodies,

כמו גם רנ"א ונוגדנים,

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

והיא אפילו מסוגלת לזהות את כל מוטציות הסֶלֶף בגנום,

and even being able to come up wit proteins

ואף להמציא חלבונים

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

שלא הומצאו לפני כן, ושאינם קיימים בטבע.

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

אני רק חושב על זה -- זה היה מודל טרנספורמר,

we'll talk about that in a moment,

מיד נדבר על זה --

in this award, since Demis and John

בפרס הזה, היות שדמיס וג’ון וצוות 30 המדענים שלהם

and their team of 30 scientists

don't understand how the transformer model works,

לא מבינים איך עובד מודל הטרנספורמר,

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

האם הבינה המלאכותית לא ראויה לאיזו כוכבית בפרס הזה?

I'm going to switch from life science,

אעבור כעת ממדעי החיים,

which has been the singular biggest contribution just reviewed,

התרומה היחידה הגדולה ביותר שנסקרה זה עתה,

to medicine.

לרפואה.

And in the medical community,

ובקהילה הרפואית,

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

אנחנו לא מרבים לדבר על טעויות רפואיות באבחון.

And according to the National Academy of Medicine,

ולפי האקדמיה הלאומית לרפואה,

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

כולנו נחווה לפחות אבחון שגוי אחד במהלך חיינו.

And we know from a recent Johns Hopkins study

ואנחנו יודעים ממחקר של שנערך לאחרונה ב"ג’ונס הופקינס"

that these errors have led to 800,000 Americans dead

שטעויות אלה גרמו למותם של 800,000 אמריקנים

or seriously disabled each year.

או לנכויות קשות בכל שנה ושנה.

So this is a big problem.

כך שזו בעיה חמורה.

And the question is, can AI help us?

והשאלה היא, האם הבינה המלאכותית תוכל לעזור לנו?

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

וכל הזמן שומעים על “רפואה מדויקת“.

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

אז אם ממשיכים לעשות שוב ושוב את אותה הטעות, זה מדויק מאוד.

(Laughter)

(צחוק)

כן. אנחנו לא צריכים את זה,

We don't need that,

we need accuracy and precision medicine.

אנחנו צריכים דיוק וגם רפואה מדויקת.

So can we get there?

האם נוכל להגיע לכך?

Well, this is a picture of the retina.

זאת תמונה של הרשתית.

And this was the first major hint,

וזה היה הרמז הגדול הראשון,

training 100,000 images with supervised learning.

לאחר אימון ב-100,000 תמונות בלמידה בפיקוח,

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

האם המכונה תצליח לראות דברים שבני-אדם החמיצו?

And so the question was, to the retinal experts,

אז השאלה שהוצגה למומחי הרשתית,

is this from a man or a woman?

היתה, האם היא של גבר או של אישה?

And the chance of getting it accurate was 50 percent.

כשהסיכוי לקלוע היה 50 אחוז.

(Laughter)

(צחוק)

But the AI got it right, 97 percent.

אבל הבינה המלאכותית דייקה. 97%.

So that training,

באימון ההוא, התכונות שיאפשרו את זה

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

Well that gets then to all of medical images.

זה מתייחס לכל התמונות הרפואיות.

This is just representative, the chest X-ray.

זה רק מייצג. צילום הרנטגן של החזה.

And in fact with the chest X-ray,

ולמעשה עם צילום הרנטגן של החזה,

the ability here for the AI to pick up,

היכולת כאן של הבינה המלאכותית לזהות...

the radiologists, expert radiologists missing the nodule,

הרדיולוגים, הרדיולוגים המומחים החמיצו את הגוש,

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

והתברר שהבינה המלאכותית זיהתה אותו כסרטני,

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

וזה, כמובן, מייצג את כל הסריקות הרפואיות,

whether it’s CT scans, MRI, ultrasound.

טומוגרפיה ממוחשבת, סריקות דימות מגנטי, אולטרסאונד.

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

שבאמצעות למידה בפיקוח של מערכי נתונים גדולים, מתויגים ומבוארים,

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

אנו יכולים לראות שהבינה המלאכותית

מצליחה לפחות כמו רופאים מומחים, אם לא טוב יותר,

than expert physicians.

And 21 randomized trials of picking up polyps --

וב-21 ניסויים אקראיים של זיהוי פוליפים -

machine vision during colonoscopy -- have all shown

ראיית מכונה במהלך קולונוסקופיה,

הראו כולם שזיהוי הפוליפים מבוצע טוב יותר

that polyps are picked up better

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

בעזרת ראיית המכונה מאשר ע"י הגסטרואנטרולוג בלבד,

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

במיוחד ככל שהיום נמשך, ובשעות מאוחרות יותר, שזה מעניין.

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

איננו יודעים אם זיהוי כל הפוליפים הנוספים האלה

changes the natural history of cancers,

משנה את ההיסטוריה הטבעית של הסרטן,

but it tells you about machine eyes,

אבל זה אומר לכם משהו על עיני מכונה,

the power of machine eyes.

על העוצמה של עיני המכונה.

Now that was interesting.

זה היה מעניין.

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

אבל... עדיין לגבי מודלים של למידה עמוקה,

לא מודלים של טרנספורמר,

we've seen and learned that the ability

ראינו ולמדנו שהיכולת של ראיית מחשב

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

לזהות דברים שעיני אנוש לא יכולות לראות

is quite remarkable.

היא מדהימה למדי. הנה הרשתית.

Here's the retina.

Picking up the control of diabetes and blood pressure.

זיהוי תסמיני סוכרת ולחץ-דם.

Kidney disease.

מחלת כליות.

Liver and gallbladder disease.

מחלת כבד וכיס המרה.

The heart calcium score,

רמת הסידן בלב,

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

שבדרך כלל הייתם מקבלים באמצעות סריקה של הלב.

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

מחלת אלצהיימר לפני הופעת תסמינים קליניים כלשהם.

Predicting heart attacks and strokes.

חיזוי התקפי לב ושבץ מוחי.

Hyperlipidemia.

היפרליפידמיה.

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

ושבע שנים לפני הופעת תסמינים כלשהם של מחלת פרקינסון,

to pick that up.

ורק אז נאבחן זאת.

Now this is interesting because in the future,

וזה מעניין כי בעתיד,

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

נצלם תמונות של הרשתית בבדיקות תקופתיות.

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

זהו השער לכל מערכת בגוף כמעט.

It's really striking.

זה ממש מדהים.

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

ועוד נחזור לזה כי כל אחד מהמחקרים האלה

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

נעשה עם עשרות או מאות אלפי תמונות בלמידה מפוקחת,

with supervised learning,

and they’re all separate studies by different investigators.

וכולם מחקרים נפרדים של חוקרים שונים.

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

כקרדיולוג, אני אוהב לקרוא קרדיוגרמות.

I've been doing it for over 30 years.

אני עושה את זה כבר למעלה מ-30 שנה.

But I couldn't see these things.

אבל לא יכולתי לראות את הדברים האלה.

Like, the age and the sex of the patient,

כמו הגיל והמין של המטופל,

or the ejection fraction of the heart,

או מקטע הפליטה של הלב,

making difficult diagnoses that are frequently missed.

ביצוע אבחנות קשות שלעתים קרובות מוחמצות.

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

האנמיה של המטופל, כלומר ההמוגלובין עד לנקודה העשרונית.

Predicting whether a person,

לחזות אם אדם,

who's never had atrial fibrillation or stroke

שמעולם לא חווה פרפור פרוזדורים או שבץ מוחי

from the ECG,

על פי האק“ג,

whether that's going to likely occur.

האם סביר להניח שזה יקרה.

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

סוכרת, אבחנה של סוכרת וטרום-סוכרת, מהקרדיוגרמה.

The filling pressure of the heart.

לחץ המילוי של הלב.

Hypothyroidism

תת-פעילות של בלוטת התריס

and kidney disease.

ומחלת כליות.

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

תארו לעצמכם, לקבל אלקטרוקרדיוגרמה שתספר לכם על כל הדברים האלה,

not really so much about the heart.

שפחות מתייחסים ללב.

Then there's the chest X-ray.

וישנו גם צילום הרנטגן של החזה.

Who would have guessed that we could accurately determine

מי היה חושב שנוכל לקבוע במדויק

the race of the patient,

את גזע המטופל,

no less the ethical implications of that,

לא פחות מההשלכות האתיות של זה,

from a chest X-ray through machine eyes?

על פי צילום רנטגן בחזה דרך עיני המכונה?

And interestingly, picking up the diagnosis of diabetes,

ומעניין, זיהוי האבחנה של סוכרת,

as well as how well the diabetes is controlled,

כמו גם עד כמה הסוכרת מבוקרת,

through the chest X-ray.

באמצעות צילום רנטגן של החזה.

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

וכמובן, כל-כך הרבה פרמטרים שונים לגבי הלב,

which we could never,

שלעולם לא נוכל -

radiologists or cardiologists, could never be able to come up

רדיולוגים או קרדיולוגים - לעולם לא נוכל להגיע

with what machine vision can do.

למה שראיית המכונה יכולה לעשות.

Pathologists often argue about a slide,

הפתולוגים מרבים להתווכח על שקופית זו או אחרת,

about what does it really show?

מה באמת רואים בה?

But with this ability of machine eyes,

אבל עם יכולת זו של עיני מכונה,

the driver genomic mutations of the cancer can be defined,

ניתן להגדיר את המוטציות הגנטיות היסודיות של הסרטן,

no less the structural copy number variants

ולא פחות מכך - הגרסאות של מספר העותק המבני

that are accounting or present in that tumor.

שמסבירים את הגידול או קיימים בו.

Also, where is that tumor coming from?

כמו כן, מניין בא הגידול הזה?

For many patients, we don’t know.

אצל מטופלים רבים, אנחנו לא יודעים.

But it can be determined through AI.

אבל זה יכול להיקבע בעזרת בינה מלאכותית.

And also the prognosis of the patient,

וגם הפרוגנוזה של המטופל,

just from the slide,

רק מהשקופית,

by all of the training.

תודות לכל האימונים.

Again, this is all just convolutional neural networks,

שוב, כל אלה הם רק רשתות קונבולציה,

not transformer models.

לא מודלים של טרנספורמר.

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

אז כשאנו עוברים מהרשתות העצביות העמוקות למודלים של טרנספורמר,

this classic pre-print,

הטיוטה הקלאסית הזאת,

one of the most cited pre-prints ever,

אחת מהטיוטות המוקדמות ביותר שצוטטו אי-פעם,

"Attention is All You Need,"

"צריך רק תשומת-לב",

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

היכולת להיות מסוגלים להסתכל כיום על פריטים רבים נוספים,

בין אם זו שפה או תמונות,

whether it be language or images,

and be able to put this in context,

להיות מסוגלים להכניס את זה להקשר,

setting up a transformational progress in many fields.

ולהגדיר התקדמות במודל טרנספורמר בתחומים רבים.

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

האבטיפוס הזה צמח מהג'י-פי-טי 4,

With over a trillion connections.

עם יותר מטריליון קשרים.

Our human brain has 100 trillion connections or parameters.

למוח האנושי שלנו יש מאה טריליון קשרים או פרמטרים.

But one trillion,

אבל טריליון אחד... חישבו רק על כל המידע, הידע,

just think of all the information, knowledge,

that's packed into those one trillion.

שגלומים בטריליון האחד הזה.

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

ומעניין שעכשיו זה רב-מודאלי עם שפה, עם תמונות,

with speech.

עם דיבור.

And it involves a massive amount of graphic processing units.

ומעורבת בזה כמות אדירה של יחידות עיבוד גרפי.

And it's with self-supervised learning,

וזה נעשה בלמידה בפיקוח עצמי,

which is a big bottleneck in medicine

שהיא צוואר בקבוק גדול ברפואה

because we can't get experts to label images.

כי אנחנו לא יכולים להביא מומחים לתייג תמונות.

This can be done with self-supervised learning.

זה בר-ביצוע בלמידה בפיקוח עצמי.

So what does this set up in medicine?

אז מה זה מנבא ברפואה?

It sets up, for example, keyboard liberation.

זה מנבא למשל שחרור ממקלדת.

The one thing that both doctors, clinicians

הדבר היחיד שגם רופאים, קלינאים,

and patients would like to see.

וגם מטופלים היו רוצים לראות.

Everyone hates being data clerks as clinicians,

כקלינאים, כולם שונאים להיות פקידי נתונים,

and patients would like to see their doctor

ומטופלים היו רוצים לפגוש את הרופא שלהם

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

כשמגיע סוף-סוף הביקור שלו הם חיכו זמן רב.

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

היכולת לשנות את הקשר הבלתי-אמצעי

is just one step along the way.

היא רק שלב אחד בדרך.

By having the liberation from keyboards with synthetic notes

על ידי שחרור ממקלדות עם תווים סינתטיים

that are driven, derived from the conversation,

המונעים, הנגזרים מהשיחה,

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

וכל פונקציות פקידות הנתונים הרגילות שנעשות בהמשך,

often off-hours.

בעבודה או מחוץ לשעות העבודה.

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

כעת אנו רואים במערכות בריאות ברחבי ארצות הברית

where people, physicians are saving many hours of time

שאנשים, רופאים, חוסכים שעות רבות

and heading towards ultimately keyboard liberation.

ומתקדמים בעתיד לחופש מן המקלדת.

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

לאחרונה פרסמנו, עם הקבוצה ב"מכון העין של מורפילדס",

בראשות פירס קין,

led by Pearse Keane,

the first foundation model in medicine from the retina.

את מודל היסוד הרפואי הראשון על פי הרשתית.

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

זוכרים את שמונת הדברים שכולם נעשו במחקרים נפרדים?

This was all done with one model.

כל זה נעשה עם מודל אחד,

This is with 1.6 million retinal images

ועם 1.6 מיליון תמונות רשתית

predicting all these different outcome likelihoods.

המנבאות את כל הסבירויות הללו.

And this is all open-source,

וכל זה קוד פתוח,

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

וזה כמובן מאוד חשוב, שאחרים יוכלו לבנות על המודלים האלה.

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

עכשיו אני רק רוצה לעבור על כמה מטופלים ממש מעניינים.

Andrew, who is now six years old.

אנדרו, שהוא עכשיו בן שש.

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

היו לו שלוש שנים של כאב הולך וגובר, צמיחה מעוכבת.

His gait suffered with a dragging of his left foot,

ההליכה שלו סבלה מגרירת כף הרגל השמאלית,

he had severe headaches.

היו לו כאבי ראש קשים.

He went to 17 doctors over three years.

הוא הלך ל-17 רופאים במשך שלוש שנים.

His mother then entered all his symptoms into ChatGPT.

ואז אמו הכניסה את כל התסמינים שלו לצ'אט-ג'י-פי-טי,

It made the diagnosis of occulta spina bifida,

שאבחן אותו בשדרה שסועה נסתרת,

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

כלומר, חוט שדרה קרוע, שכל 17 הרופאים החמיצו

over three years.

במשך שלוש שנים.

He had surgery to release the cord.

הוא עבר ניתוח לשחרור חוט השדרה.

He's now perfectly healthy.

ועכשיו הוא בריא לחלוטין.

(Applause)

(מחיאות כפיים)

This is a patient that was sent to me,

זו מטופלת שנשלחה אלי,

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

שסבלה, כך נאמר לה, מתסמונת פוסט-קורונה.

She saw many different physicians, neurologists,

היא ראתה כל מיני רופאים, נוירולוגים,

and her sister entered all her symptoms after getting nowhere,

ואחותה הכניסה את כל התסמינים שלה לאחר שהגיעה למבוי סתום --

no treatment for long COVID,

אין טיפול בפוסט-קורונה, אין שום טיפול מאומת --

there is no treatment validated,

and her sister put all her symptoms into ChatGPT.

אחותה הכניסה את כל הסימפטומים שלה לצ'אט-ג'י-פי-טי,

It found out it actually was not long COVID,

והתברר שזה למעשה לא פוסט-קורונה,

she had limbic encephalitis, which is treatable.

אלא דלקת מוח לימבית, שבה ניתן לטפל.

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

היא טופלה, ועכשיו היא בריאה לגמרי.

But these are not just anecdotes anymore.

אבל כבר לא מדובר בקוריוזים בלבד.

70 very difficult cases

70 מקרים קשים מאוד,

that are the clinical pathologic conferences

שנדונו בוועידות הפתולוגיות קליניות,

על פי "ניו-אינגלנד ג'ורנל אוף מדיסין",

at the New England Journal of Medicine

were compared to GPT-4,

הושוו לג'י-פי-טי 4,

and the chatbot did as well

והצ'אטבוט הצליח באותה מידה

or better than the expert master clinicians

או טוב יותר מהרופאים המומחים

in making the diagnosis.

באבחון.

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

אז אני רק רוצה לסיים בשיחה שהיתה לי לאחרונה עם החבר שלי.

Medicine is still an apprenticeship,

הרפואה היא עדיין התמחות,

and Andrew Cho is 30 years old,

ואנדרו צ'ו הוא בן 30,

in his second year of cardiology fellowship.

בשנה השנייה שלו בקרדיולוגיה.

We see all patients together in the clinic.

שנינו רואים יחד את כל החולים במרפאה.

And at the end of clinic the other day,

ובסוף היום במרפאה, לפני כמה ימים,

I sat down and said to him,

התיישבתי ואמרתי לו, "אנדרו, אתה כל כך בר מזל.

"Andrew, you are so lucky.

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

"אתה עתיד לעסוק ברפואה בעידן של שחרור מקלדת.

You're going to be connecting with patients

"אתה תיצור קשר ישיר עם מטופלים

the way we haven't done for decades."

"מה שלא עשינו במשך עשרות שנים.

That is the ability to have the note

"כלומר, תוכל לקבל הערות ולדעת מה לעשות

and the work from the conversation

"ישירות מהשיחה עם המטופל

to derive things like pre-authorization,

"כדי להזיז דברים כמו אישור מראש,

billing, prescriptions, future appointments --

"חיוב, מרשמים, פגישות עתידיות -

all the things that we do,

"כל הדברים שאנחנו עושים, כולל עידוד המטופל,

including nudges to the patient.

For example, did you get your blood pressure checks

"כמו, האם קיבלת את בדיקות לחץ הדם שלך,

and what did they show

"ומה הן הראו?

and all that coming back to you.

"אתה תקבל את כל זה,

But much more than that,

"אבל הרבה יותר מזה,

to help with making diagnoses.

"העזרה באבחון ומתנת הזמן

And the gift of time

that having all the data of a patient

"כשכל הנתונים של המטופל זמינים,

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

"שכולם נאספו עוד לפני שאתה בכלל פוגש במטופל.

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

"וכל התמיכה הזו משנה את עתיד מערכת היחסים בין מטופל לרופא,

bringing in the gift of time.

"ומעניקה את מתנת הזמן.

So this is really exciting.

"אז זה באמת מרגש",

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

אמרתי לאנדרו -- והכל צריך להיות מאומת, כמובן --

that the benefit greatly outweighs any risk.

שהיתרון עולה בהרבה על כל סיכון.

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

אבל זה באמת זמן מדהים,

ומבחינת עתיד הבריאות זה כל כך מרגש, לעזאזל.

it's so damn exciting.

Thank you.

תודה לכם.

(Applause)

(מחיאות כפיים)