Anders Ynnerman: Visualizing the medical data explosion

42,206 views ・ 2011-01-21

TED


אנא לחץ פעמיים על הכתוביות באנגלית למטה כדי להפעיל את הסרטון.

מתרגם: Guy Ernest מבקר: Sigal Tifferet
00:15
I will start by posing a little bit of a challenge:
0
15260
4000
אני אתחיל על ידי הצבת אתגר קטן,
00:19
the challenge of dealing with data,
1
19260
3000
האתגר של התמודדות עם נתונים,
00:22
data that we have to deal with
2
22260
2000
נתונים איתם צריך להתמודד
00:24
in medical situations.
3
24260
2000
במצבים רפואיים.
00:26
It's really a huge challenge for us.
4
26260
2000
זה באמת אתגר אדיר עבורנו.
00:28
And this is our beast of burden --
5
28260
2000
וזוהי בהמת המשא שלנו.
00:30
this is a Computer Tomography machine,
6
30260
2000
זוהי מכונת הטומוגרפיה הממוחשבת --
00:32
a CT machine.
7
32260
2000
מכונת ה-סי-טי.
00:34
It's a fantastic device.
8
34260
2000
זהו מכשיר מדהים.
00:36
It uses X-rays, X-ray beams,
9
36260
2000
הוא משתמש באלומות של קרני רנטגן,
00:38
that are rotating very fast around the human body.
10
38260
3000
שמסתובבות מאד מהר מסביב לגוף האדם.
00:41
It takes about 30 seconds to go through the whole machine
11
41260
2000
לוקח בערך 30 שניות לעבור דרך כל המכונה
00:43
and is generating enormous amounts of information
12
43260
2000
והיא מייצרת כמויות עצומות של מידע
00:45
that comes out of the machine.
13
45260
2000
שיוצא מהמכונה.
00:47
So this is a fantastic machine
14
47260
2000
אז זוהי מכונה מדהימה
00:49
that we can use
15
49260
2000
שאנחנו יכולים להשתמש
00:51
for improving health care,
16
51260
2000
כדי לשפר את הטיפול הרפואי.
00:53
but as I said, it's also a challenge for us.
17
53260
2000
אך כפי שאמרתי, זה גם מהווה אתגר עבורנו.
00:55
And the challenge is really found in this picture here.
18
55260
3000
והאתגר נמצא באמת בתמונה הזאת כאן.
00:58
It's the medical data explosion
19
58260
2000
זוהי התפוצצות של הנתונים הרפואיים
01:00
that we're having right now.
20
60260
2000
שיש לנו עכשיו.
01:02
We're facing this problem.
21
62260
2000
אנו מתמודדים עם הבעיה הזאת.
01:04
And let me step back in time.
22
64260
2000
הרשו לי לחזור בזמן.
01:06
Let's go back a few years in time and see what happened back then.
23
66260
3000
בואו נחזור מספר שנים ונראה מה קרה אז.
01:09
These machines that came out --
24
69260
2000
המכונות האלה שיצאו --
01:11
they started coming in the 1970s --
25
71260
2000
הם התחילו לצאת בשנות ה-70 --
01:13
they would scan human bodies,
26
73260
2000
הם סרקו את גוף האדם,
01:15
and they would generate about 100 images
27
75260
2000
והם יצרו בערך 100 תמונות
01:17
of the human body.
28
77260
2000
של גוף האדם.
01:19
And I've taken the liberty, just for clarity,
29
79260
2000
הרשיתי לעצמי, לצרכי בהירות,
01:21
to translate that to data slices.
30
81260
3000
לתרגם את זה לחתכים של נתונים.
01:24
That would correspond to about 50 megabytes of data,
31
84260
2000
זה מתרגם לבערך 50 מגה בייט של נתונים,
01:26
which is small
32
86260
2000
שזה מעט
01:28
when you think about the data we can handle today
33
88260
3000
כאשר אתם חושבים על הנתונים שאנחנו מסוגלים לטפל היום
01:31
just on normal mobile devices.
34
91260
2000
אפילו במכשיר נייד נורמלי.
01:33
If you translate that to phone books,
35
93260
2000
אם אתם מתרגמים את זה לספר טלפונים,
01:35
it's about one meter of phone books in the pile.
36
95260
3000
זה בערך מטר של ספרי טלפונים בערימה.
01:38
Looking at what we're doing today
37
98260
2000
אם תביטו מה אנחנו עושים היום
01:40
with these machines that we have,
38
100260
2000
בעזרת המכונות האלה שיש לנו,
01:42
we can, just in a few seconds,
39
102260
2000
אנחנו יכולים, אפילו בשניות ספורות,
01:44
get 24,000 images out of a body,
40
104260
2000
לקבל 24,000 תמונות מתוך הגוף.
01:46
and that would correspond to about 20 gigabytes of data,
41
106260
3000
וזה מתרגם לבערך 20 ג'יגה בייט של נתונים,
01:49
or 800 phone books,
42
109260
2000
או 800 ספרי טלפונים.
01:51
and the pile would then be 200 meters of phone books.
43
111260
2000
והערימה תהיה אז 200 מטר של ספרי טלפונים.
01:53
What's about to happen --
44
113260
2000
מה שעומד לקרות --
01:55
and we're seeing this; it's beginning --
45
115260
2000
ואנחנו רואים את זה, זה מתחיל --
01:57
a technology trend that's happening right now
46
117260
2000
מגמה טכנולוגית שמתרחשת ממש עכשיו
01:59
is that we're starting to look at time-resolved situations as well.
47
119260
3000
היא שאנחנו מתחילים לראות מצבים של תוצאות זמן גם כן.
02:02
So we're getting the dynamics out of the body as well.
48
122260
3000
אז אנחנו מקבלים את הדינמיקה של הגוף גם כן.
02:05
And just assume
49
125260
2000
ורק נניח
02:07
that we will be collecting data during five seconds,
50
127260
3000
שאנחנו אוספים נתונים במשך 5 שניות,
02:10
and that would correspond to one terabyte of data --
51
130260
2000
זה יתורגם לטרה בייט של נתונים.
02:12
that's 800,000 books
52
132260
2000
שהם 800,000 ספרים
02:14
and 16 kilometers of phone books.
53
134260
2000
ו-16 ק"מ של ספרי טלפונים.
02:16
That's one patient, one data set.
54
136260
2000
וזה רק חולה אחד, רק קבוצת נתונים אחת.
02:18
And this is what we have to deal with.
55
138260
2000
ועם זה אנחנו צריכים להתמודד.
02:20
So this is really the enormous challenge that we have.
56
140260
3000
אז יש לנו באמת אתגר אדיר.
02:23
And already today -- this is 25,000 images.
57
143260
3000
וכבר היום -- זה 25,000 תמונות.
02:26
Imagine the days
58
146260
2000
דמיינו את הימים
02:28
when we had radiologists doing this.
59
148260
2000
שהיו לנו רדיולוגים שעושים את זה.
02:30
They would put up 25,000 images,
60
150260
2000
הם היו שמים 25,000 תמונות,
02:32
they would go like this, "25,0000, okay, okay.
61
152260
3000
הם היו אומרים משהו כמו, "25,000, בסדר, בסדר.
02:35
There is the problem."
62
155260
2000
הנה הבעיה."
02:37
They can't do that anymore. That's impossible.
63
157260
2000
הם לא יכולים לעשות את זה יותר, זה בלתי אפשרי.
02:39
So we have to do something that's a little bit more intelligent than doing this.
64
159260
3000
אז אנחנו צריכים לעשות משהו קצת יותר אינטלגנטי מאשר לעשות את זה.
02:43
So what we do is that we put all these slices together.
65
163260
2000
אז אנחנו שמים את כל החתכים ביחד.
02:45
Imagine that you slice your body in all these directions,
66
165260
3000
דמיינו שאתם חותכים את הגוף שלכם בכל הכיוונים האלה,
02:48
and then you try to put the slices back together again
67
168260
3000
ואז אתם מנסים לשים את החתכים ביחד בחזרה שוב
02:51
into a pile of data, into a block of data.
68
171260
2000
לתוך ערימה של נתונים, לתוך בלוק של נתונים.
02:53
So this is really what we're doing.
69
173260
2000
אז זה באמת מה שאנחנו עושים.
02:55
So this gigabyte or terabyte of data, we're putting it into this block.
70
175260
3000
אז הג'יגה בייט או הטרה בייט של נתונים, אנחנו שמים אותם לתוך הבלוק הזה.
02:58
But of course, the block of data
71
178260
2000
אבל כמובן, הבלוק של הנתונים
03:00
just contains the amount of X-ray
72
180260
2000
רק כולל את הכמות של קרני הרנטגן
03:02
that's been absorbed in each point in the human body.
73
182260
2000
שנספגו בכל נקודה בגוף האדם.
03:04
So what we need to do is to figure out a way
74
184260
2000
אז מה שאנחנו צריכים לעשות זה למצוא דרך
03:06
of looking at the things we do want to look at
75
186260
3000
להסתכל בדברים שאנחנו רוצים לראות
03:09
and make things transparent that we don't want to look at.
76
189260
3000
ולגרום לדברים שאנחנו לא רוצים לראות להיות שקופים.
03:12
So transforming the data set
77
192260
2000
אז לשנות את קבוצת הנתונים
03:14
into something that looks like this.
78
194260
2000
למשהו שנראה כמו זה.
03:16
And this is a challenge.
79
196260
2000
וזהו אתגר.
03:18
This is a huge challenge for us to do that.
80
198260
3000
זה אתגר עצום בשבילנו.
03:21
Using computers, even though they're getting faster and better all the time,
81
201260
3000
שימוש במחשבים, אפילו שהם נעשים מהירים וטובים יותר כל הזמן,
03:24
it's a challenge to deal with gigabytes of data,
82
204260
2000
זה אתגר לעבד ג'יגות בייט של נתונים,
03:26
terabytes of data
83
206260
2000
טרות בייט של נתונים
03:28
and extracting the relevant information.
84
208260
2000
ולחלץ את המידע הרלוונטי.
03:30
I want to look at the heart.
85
210260
2000
אני רוצה להסתכל על הלב,
03:32
I want to look at the blood vessels. I want to look at the liver.
86
212260
2000
אני רוצה להסתכל על עורקי הדם, אני רוצה להסתכל על הכבד,
03:34
Maybe even find a tumor,
87
214260
2000
אולי אפילו למצוא גידול
03:36
in some cases.
88
216260
2000
במקרים מסויימים.
03:39
So this is where this little dear comes into play.
89
219260
2000
אז זה המקום שהדבר הקטן והיקר הזה נכנס למשחק.
03:41
This is my daughter.
90
221260
2000
זוהי הבת שלי.
03:43
This is as of 9 a.m. this morning.
91
223260
2000
זוהי בשעה 9 בבוקר היום.
03:45
She's playing a computer game.
92
225260
2000
היא משחקת משחק מחשב.
03:47
She's only two years old,
93
227260
2000
היא רק בת שנתיים,
03:49
and she's having a blast.
94
229260
2000
והיא מאד נהנית.
03:51
So she's really the driving force
95
231260
3000
אז היא הכוח המוביל
03:54
behind the development of graphics-processing units.
96
234260
3000
מאחורי הפיתוח של יחידות העיבוד הגראפיות.
03:58
As long as kids are playing computer games,
97
238260
2000
כל עוד ילדים משחקים משחקי מחשב,
04:00
graphics is getting better and better and better.
98
240260
2000
הגראפיקה נעשית טובה יותר ויותר ויותר.
04:02
So please go back home, tell your kids to play more games,
99
242260
2000
אז אימרו בבקשה לילדכם לשחק יותר משחקים,
04:04
because that's what I need.
100
244260
2000
כי זה מה שאני צריך.
04:06
So what's inside of this machine
101
246260
2000
אז מה שיש בתוך המכונה הזאת
04:08
is what enables me to do the things that I'm doing
102
248260
2000
מאפשר לי לעשות את הדברים שאני עושה
04:10
with the medical data.
103
250260
2000
עם הנתונים הרפואיים.
04:12
So really what I'm doing is using these fantastic little devices.
104
252260
3000
אז אני משתמש במכשירים הקטנים והפנטסטים האלה.
04:15
And you know, going back
105
255260
2000
ואתם יודעים, בעבר
04:17
maybe 10 years in time
106
257260
2000
לפני אולי 10 שנים
04:19
when I got the funding
107
259260
2000
כאשר קיבלתי את המימון
04:21
to buy my first graphics computer --
108
261260
2000
לקנות את המחשב הגראפי הראשון שלי.
04:23
it was a huge machine.
109
263260
2000
זו היתה מכונה ענקית.
04:25
It was cabinets of processors and storage and everything.
110
265260
3000
ארונות של מעבדים, ואיחסון והכל.
04:28
I paid about one million dollars for that machine.
111
268260
3000
שילמתי בערך מיליון דולר עבורה.
04:32
That machine is, today, about as fast as my iPhone.
112
272260
3000
המכונה הזאת, היום, היא מהירה כמו האייפון שלי.
04:37
So every month there are new graphics cards coming out,
113
277260
2000
אז כל חודש יוצאים כרטיסים גראפיים חדשים.
04:39
and here is a few of the latest ones from the vendors --
114
279260
3000
והנה כמה מהאחרונים מהיצרנים --
04:42
NVIDIA, ATI, Intel is out there as well.
115
282260
3000
NVIDA, ATI ויש גם לאינטל.
04:45
And you know, for a few hundred bucks
116
285260
2000
ואתם יודעים, בעבור כמו מאות דולרים
04:47
you can get these things and put them into your computer,
117
287260
2000
אתם יכולים לשים את הדברים האלה בתוך המחשב שלכם,
04:49
and you can do fantastic things with these graphics cards.
118
289260
3000
ואתם יכולים לעשות דברים פנטסטיים בעזרתם.
04:52
So this is really what's enabling us
119
292260
2000
אז זה באמת מה שמאפשר לנו
04:54
to deal with the explosion of data in medicine,
120
294260
3000
להתמודד עם התפוצצות הנתונים ברפואה,
04:57
together with some really nifty work
121
297260
2000
ביחד עם כמה עבודות ממש איכותיות
04:59
in terms of algorithms --
122
299260
2000
במונחים של אלגוריתמים --
05:01
compressing data,
123
301260
2000
דחיסת נתונים,
05:03
extracting the relevant information that people are doing research on.
124
303260
3000
חילוץ המידע הרלוונטי שאנשים חוקרים.
05:06
So I'm going to show you a few examples of what we can do.
125
306260
3000
אז אני הולך להראות לכם מספר דוגמאות של מה שאנחנו יכולים לעשות.
05:09
This is a data set that was captured using a CT scanner.
126
309260
3000
זאת קבוצת נתונים שנוצרה בעזרת סורק סי-טי.
05:12
You can see that this is a full data [set].
127
312260
3000
אתם יכולים לראות שאלו נתונים מלאים.
05:15
It's a woman. You can see the hair.
128
315260
3000
זוהי אישה. אתם יכולים לראות את השיער.
05:18
You can see the individual structures of the woman.
129
318260
3000
אתם יכולים לראות את החלקים השונים של האישה.
05:21
You can see that there is [a] scattering of X-rays
130
321260
3000
אתם יכולים לראות את ההתפזרות של קרני הרנטגן
05:24
on the teeth, the metal in the teeth.
131
324260
2000
בשניים, המתכת בתוך השן.
05:26
That's where those artifacts are coming from.
132
326260
3000
זהו המקור לההפרעות האלה.
05:29
But fully interactively
133
329260
2000
אבל בצורה אינטראקטיבית לחלוטין
05:31
on standard graphics cards on a normal computer,
134
331260
3000
בעזרת כרטיס גראפי סטנדרטי של מחשב רגיל,
05:34
I can just put in a clip plane.
135
334260
2000
אני יכול להכניס משטח.
05:36
And of course all the data is inside,
136
336260
2000
וכמובן כל הנתונים בתוכו,
05:38
so I can start rotating, I can look at it from different angles,
137
338260
3000
ואז אני יכול לסובב, אני יכול להסתכל על זה מזוויות שונות,
05:41
and I can see that this woman had a problem.
138
341260
3000
ואני יכול לראות שלאישה הזאת היתה בעיה.
05:44
She had a bleeding up in the brain,
139
344260
2000
היה לה דימום במוח,
05:46
and that's been fixed with a little stent,
140
346260
2000
וזה תוקן בעזרת סטנט קטן,
05:48
a metal clamp that's tightening up the vessel.
141
348260
2000
אטב מתכת שמכווץ את כלי הדם.
05:50
And just by changing the functions,
142
350260
2000
ובעזרת שינוי הפונקציות בלבד,
05:52
then I can decide what's going to be transparent
143
352260
3000
אני יכול לקבוע מה יהיה שקוף
05:55
and what's going to be visible.
144
355260
2000
ומה יראה.
05:57
I can look at the skull structure,
145
357260
2000
אני יכול להסתכל במבנה הגולגולת,
05:59
and I can see that, okay, this is where they opened up the skull on this woman,
146
359260
3000
ואני יכול לראות היכן הם פתחו את הגולגולת של האישה הזאת,
06:02
and that's where they went in.
147
362260
2000
והיכן הם נכנסו.
06:04
So these are fantastic images.
148
364260
2000
אז אלו הם תמונות פנטסטיות.
06:06
They're really high resolution,
149
366260
2000
הן ברזולוציה גבוהה,
06:08
and they're really showing us what we can do
150
368260
2000
והן ממש מראות לנו מה אנחנו יכולים לעשות
06:10
with standard graphics cards today.
151
370260
3000
בעזרת כרטיסים גראפיים סטנדרטים היום.
06:13
Now we have really made use of this,
152
373260
2000
אנחנו באמת ניצלנו את זה,
06:15
and we have tried to squeeze a lot of data
153
375260
3000
וניסינו לדחוף הרבה נתונים
06:18
into the system.
154
378260
2000
לתוך המערכת.
06:20
And one of the applications that we've been working on --
155
380260
2000
ואחד הישומים שאנחנו עובדים עליו --
06:22
and this has gotten a little bit of traction worldwide --
156
382260
3000
שזכה לקצת הדים בעולם --
06:25
is the application of virtual autopsies.
157
385260
2000
הוא הישום של נתיחת גופות וירטואלית.
06:27
So again, looking at very, very large data sets,
158
387260
2000
בהסתכלות על קבוצות נתונים מאד גדולות,
06:29
and you saw those full-body scans that we can do.
159
389260
3000
וראיתם את סקירות הגוף המלאות שאנחנו מסוגלים לעשות.
06:32
We're just pushing the body through the whole CT scanner,
160
392260
3000
אנחנו פשוט מעבירים את הגוף דרך כל סורק ה-סי-טי,
06:35
and just in a few seconds we can get a full-body data set.
161
395260
3000
ובתוך מספר שניות אנחנו מקבלים נתונים עבור כל הגוף.
06:38
So this is from a virtual autopsy.
162
398260
2000
וזה מתוך נתיחת גופה וירטואלית.
06:40
And you can see how I'm gradually peeling off.
163
400260
2000
ואתם יכולים לראות איך אני מסיר שכבות בהדרגה.
06:42
First you saw the body bag that the body came in,
164
402260
3000
ראשית אתם רואים את שק הגופות שהגופה הגיעה בו,
06:45
then I'm peeling off the skin -- you can see the muscles --
165
405260
3000
ואז אני מסיר את שכבת העור -- אתם יכולים לראות את השרירים --
06:48
and eventually you can see the bone structure of this woman.
166
408260
3000
ולבסוף אתם יכולים לראות את מבנה העצמות של האישה הזאת.
06:51
Now at this point, I would also like to emphasize
167
411260
3000
בנקודה זאת אני רוצה להדגיש
06:54
that, with the greatest respect
168
414260
2000
שעם כל הכבוד
06:56
for the people that I'm now going to show --
169
416260
2000
לאנשים שאני אראה עכשיו --
06:58
I'm going to show you a few cases of virtual autopsies --
170
418260
2000
אני אראה לכם מספר מקרים של נתיחת גופות וירטואליות --
07:00
so it's with great respect for the people
171
420260
2000
אז עם כל הכבוד לאנשים
07:02
that have died under violent circumstances
172
422260
2000
שמתו בנסיבות אלימות
07:04
that I'm showing these pictures to you.
173
424260
3000
אני מציג לכם את התמונות האלה.
07:08
In the forensic case --
174
428260
2000
בחקירת פשעים --
07:10
and this is something
175
430260
2000
שזה משהו
07:12
that ... there's been approximately 400 cases so far
176
432260
2000
שהיו בערך 400 מקרים עד עתה
07:14
just in the part of Sweden that I come from
177
434260
2000
רק בחלק של שבדיה שאני בא ממנו
07:16
that has been undergoing virtual autopsies
178
436260
2000
שעברו נתיחת גופות וירטואלית
07:18
in the past four years.
179
438260
2000
במהלך 4 השנים האחרונות.
07:20
So this will be the typical workflow situation.
180
440260
3000
אז הנה תהליך העבודה הטיפוסי.
07:23
The police will decide --
181
443260
2000
המשטרה מחליטה --
07:25
in the evening, when there's a case coming in --
182
445260
2000
בערב כאשר המקרה מגיע --
07:27
they will decide, okay, is this a case where we need to do an autopsy?
183
447260
3000
שזהו מקרה שדורש נתיחת גופה.
07:30
So in the morning, in between six and seven in the morning,
184
450260
3000
אז בבוקר, בין שש ושבע בבוקר,
07:33
the body is then transported inside of the body bag
185
453260
2000
הגופה מועברת בתוך שק גופות
07:35
to our center
186
455260
2000
למרכז שלנו
07:37
and is being scanned through one of the CT scanners.
187
457260
2000
ונסרקת בתוך אחד מסורקי ה-סי-טי.
07:39
And then the radiologist, together with the pathologist
188
459260
2000
ואז הרדיולוג, ביחד עם הפתולוג
07:41
and sometimes the forensic scientist,
189
461260
2000
ולפעמים חוקר הפשעים המדעי,
07:43
looks at the data that's coming out,
190
463260
2000
מסתכלים בנתונים שיוצאים,
07:45
and they have a joint session.
191
465260
2000
והם מקיימים דיון משותף.
07:47
And then they decide what to do in the real physical autopsy after that.
192
467260
3000
ואז הם מחליטים מה לעשות בנתיחה הפיסית לאחר מכן.
07:52
Now looking at a few cases,
193
472260
2000
מהסתכלות במספר מקרים,
07:54
here's one of the first cases that we had.
194
474260
2000
הנה אחד המקרים הראשונים שהיו לנו.
07:56
You can really see the details of the data set.
195
476260
3000
אתם ממש יכולים לראות את הפרטים של קבוצת הנתונים,
07:59
It's very high-resolution,
196
479260
2000
זה ברזולוציה מאד גבוהה.
08:01
and it's our algorithms that allow us
197
481260
2000
ואלו האלגוריתמים שלנו שמאפשרים לנו
08:03
to zoom in on all the details.
198
483260
2000
להתמקד בכל הפרטים.
08:05
And again, it's fully interactive,
199
485260
2000
ושוב זה אינטרקטיבי לחלוטין,
08:07
so you can rotate and you can look at things in real time
200
487260
2000
אתם יכולים לסובב ואתם יכולים להביט בדברים בזמן אמיתי
08:09
on these systems here.
201
489260
2000
במערכות האלה כאן.
08:11
Without saying too much about this case,
202
491260
2000
בלי להגיד יותר מדי על המקרה הזה,
08:13
this is a traffic accident,
203
493260
2000
זוהי תאונת דרכים,
08:15
a drunk driver hit a woman.
204
495260
2000
נהג שיכור פגע באישה.
08:17
And it's very, very easy to see the damages on the bone structure.
205
497260
3000
וזה מאד מאד קל לראות את הנזקים במבנה העצמות.
08:20
And the cause of death is the broken neck.
206
500260
3000
וסיבת המוות היא צוואר שבור.
08:23
And this women also ended up under the car,
207
503260
2000
והאישה הזאת גם נמצאה מתחת למכונית,
08:25
so she's quite badly beaten up
208
505260
2000
כך שהיא נחבטה בצורה חמורה
08:27
by this injury.
209
507260
2000
בפגיעה הזאת.
08:29
Here's another case, a knifing.
210
509260
3000
הנה מקרה נוסף, דקירת סכין.
08:32
And this is also again showing us what we can do.
211
512260
2000
וזה שוב מראה מה אנחנו מסוגלים לעשות.
08:34
It's very easy to look at metal artifacts
212
514260
2000
זה מאד קל לראות את חלקי המתכת
08:36
that we can show inside of the body.
213
516260
3000
שאנחנו יכולים להציג בתוך הגוף.
08:39
You can also see some of the artifacts from the teeth --
214
519260
3000
אתם יכולים גם לראות חתיכות מהשיניים --
08:42
that's actually the filling of the teeth --
215
522260
2000
אלו באמת המילוי של השיניים --
08:44
but because I've set the functions to show me metal
216
524260
3000
אבל זה בגלל שכיוונו את הפונקציה להראות מתכת
08:47
and make everything else transparent.
217
527260
2000
ולהראות את כל השאר כשקוף.
08:49
Here's another violent case. This really didn't kill the person.
218
529260
3000
הנה עוד מקרה אלים. זה באמת לא הרג את האיש.
08:52
The person was killed by stabs in the heart,
219
532260
2000
האיש נרצח על ידי דקירות בלב,
08:54
but they just deposited the knife
220
534260
2000
אבל הם נעצו את הסכין
08:56
by putting it through one of the eyeballs.
221
536260
2000
בגלגל העין.
08:58
Here's another case.
222
538260
2000
הנה מקרה נוסף.
09:00
It's very interesting for us
223
540260
2000
זה מאד מעניין אותנו
09:02
to be able to look at things like knife stabbings.
224
542260
2000
להיות מסוגלים להביט בדברים כמו דקירות סכינים.
09:04
Here you can see that knife went through the heart.
225
544260
3000
כאן אתם יכולים לראות שהסכין עברה דרך הלב.
09:07
It's very easy to see how air has been leaking
226
547260
2000
מאד קל לראות איך האוויר התפזר
09:09
from one part to another part,
227
549260
2000
מחלק אחד לחלק אחר,
09:11
which is difficult to do in a normal, standard, physical autopsy.
228
551260
3000
דבר שהוא קשה לעשות בנתיחה פיזית רגילה וסטנדרטית.
09:14
So it really, really helps
229
554260
2000
אז זה ממש ממש עוזר
09:16
the criminal investigation
230
556260
2000
לחקירות פשעים
09:18
to establish the cause of death,
231
558260
2000
לקבוע את סיבת המוות,
09:20
and in some cases also directing the investigation in the right direction
232
560260
3000
ובמקרים מסוימים לכוון את החקירה לכיוון הנכון
09:23
to find out who the killer really was.
233
563260
2000
לגלות מי באמת היה הרוצח.
09:25
Here's another case that I think is interesting.
234
565260
2000
הנה עוד מקרה שאני חושב שהוא מעניין.
09:27
Here you can see a bullet
235
567260
2000
כאן אתם יכולים לראות קליע
09:29
that has lodged just next to the spine on this person.
236
569260
3000
שנמצא ממש ליד עמוד השדרה של האיש הזה.
09:32
And what we've done is that we've turned the bullet into a light source,
237
572260
3000
ומה שעשינו היה להפוך את הקליע למקור אור,
09:35
so that bullet is actually shining,
238
575260
2000
כך שהקליע ממש זורח,
09:37
and it makes it really easy to find these fragments.
239
577260
3000
וזה מקל על מציאת החלקיקים האלה.
09:40
During a physical autopsy,
240
580260
2000
במהלך נתיחה פיזית,
09:42
if you actually have to dig through the body to find these fragments,
241
582260
2000
אם אתם צריכים ממש לחפור בגוף כדי למצוא את החלקיקים האלה,
09:44
that's actually quite hard to do.
242
584260
2000
זה באמת די קשה.
09:48
One of the things that I'm really, really happy
243
588260
2000
אחד הדברים שממש ממש משמח אותי
09:50
to be able to show you here today
244
590260
3000
להראות לכם כיום
09:53
is our virtual autopsy table.
245
593260
2000
הוא שולחן הנתיחות הוירטואלי שלנו.
09:55
It's a touch device that we have developed
246
595260
2000
זה מכשיר מגע שפיתחנו
09:57
based on these algorithms, using standard graphics GPUs.
247
597260
3000
בהתבסס על האלגוריתמים האלה, בעזרת מעבדים גראפיים סטנדרטים.
10:00
It actually looks like this,
248
600260
2000
זה באמת נראה כך,
10:02
just to give you a feeling for what it looks like.
249
602260
3000
רק כדי לתת לכם את התחושה איך זה נראה.
10:05
It really just works like a huge iPhone.
250
605260
3000
זה עובד כמו אי-פון ענק.
10:08
So we've implemented
251
608260
2000
אנחנו ישמנו
10:10
all the gestures you can do on the table,
252
610260
3000
את כל המחוות שאתם יכולים לעשות על השולחן,
10:13
and you can think of it as an enormous touch interface.
253
613260
4000
ואתם יכולים לחשוב על זה כמו ממשק מגע ענקי.
10:17
So if you were thinking of buying an iPad,
254
617260
2000
אז אם חשבתם לקנות אי-פד,
10:19
forget about it. This is what you want instead.
255
619260
3000
תשכחו מזה, זה מה שאתם רוצים במקום.
10:22
Steve, I hope you're listening to this, all right.
256
622260
3000
סטיב, אני מקווה שאתה מקשיב לזה.
10:26
So it's a very nice little device.
257
626260
2000
אז זהו מכשיר קטן ומאד נחמד.
10:28
So if you have the opportunity, please try it out.
258
628260
2000
אז אם יש לכם הזדמנות, אנא נסו אותו.
10:30
It's really a hands-on experience.
259
630260
3000
זוהי ממש חווית מגע.
10:33
So it gained some traction, and we're trying to roll this out
260
633260
3000
אז זה מתחיל לצבור תאוצה, ואנחנו מנסים לשווק את זה
10:36
and trying to use it for educational purposes,
261
636260
2000
ומנסים להשתמש בזה לצרכים חינוכיים,
10:38
but also, perhaps in the future,
262
638260
2000
אבל גם, אולי בעתיד,
10:40
in a more clinical situation.
263
640260
3000
במצבים יותר קליניים.
10:43
There's a YouTube video that you can download and look at this,
264
643260
2000
יש סרטון יו-טיוב שאתם יכולים להוריד ולראות את זה,
10:45
if you want to convey the information to other people
265
645260
2000
אם אתם רוצים להעביר את המידע לאנשים אחרים
10:47
about virtual autopsies.
266
647260
3000
לגבי נתיחות וירטואליות.
10:50
Okay, now that we're talking about touch,
267
650260
2000
כאשר אנחנו מדברים על מגע,
10:52
let me move on to really "touching" data.
268
652260
2000
בואו ממש ניגע בנתונים.
10:54
And this is a bit of science fiction now,
269
654260
2000
וזה קצת מדע בדיוני עכשיו,
10:56
so we're moving into really the future.
270
656260
3000
ואנחנו עוברים באמת לעתיד.
10:59
This is not really what the medical doctors are using right now,
271
659260
3000
הרופאים לא באמת משתמשים בזה עכשיו,
11:02
but I hope they will in the future.
272
662260
2000
אבל אני מקווה שהם יעשו זאת בעתיד.
11:04
So what you're seeing on the left is a touch device.
273
664260
3000
אז מה שאנחנו רואים בצד שמאל הוא מכשיר מגע.
11:07
It's a little mechanical pen
274
667260
2000
זהו עט מכני קטן
11:09
that has very, very fast step motors inside of the pen.
275
669260
3000
שיש לו מנועי צעד מאד מאד מהירים בתוכו.
11:12
And so I can generate a force feedback.
276
672260
2000
כך שאני יכול ליצר משוב של לחיצה.
11:14
So when I virtually touch data,
277
674260
2000
כך שכשאני נוגע בנתונים בצורה וירטואלית,
11:16
it will generate forces in the pen, so I get a feedback.
278
676260
3000
זה ייצר כוחות מגע בעט, כך שאני מקבל משוב.
11:19
So in this particular situation,
279
679260
2000
מצב מסוים זה,
11:21
it's a scan of a living person.
280
681260
2000
הוא סריקה של אדם חי.
11:23
I have this pen, and I look at the data,
281
683260
3000
יש לי את העט, ואני מביט בנתונים,
11:26
and I move the pen towards the head,
282
686260
2000
ואני מזיז את העט לכיוון הראש,
11:28
and all of a sudden I feel resistance.
283
688260
2000
ופתאום אני מרגיש התנגדות.
11:30
So I can feel the skin.
284
690260
2000
כך שאני יכול להרגיש את העור.
11:32
If I push a little bit harder, I'll go through the skin,
285
692260
2000
אם אני לוחץ קצת יותר חזק, אני אחדור את העור,
11:34
and I can feel the bone structure inside.
286
694260
3000
ואני יכול לחוש את מבנה העצמות בפנים.
11:37
If I push even harder, I'll go through the bone structure,
287
697260
2000
אם אני לוחץ יותר חזק, אני אחדור את מבנה העצמות,
11:39
especially close to the ear where the bone is very soft.
288
699260
3000
ביחוד ליד האוזן בו העצם היא מאד רכה.
11:42
And then I can feel the brain inside, and this will be the slushy like this.
289
702260
3000
ואז אני יכול לחוש את המוח בפנים, וזה יהיה רכרוכי.
11:45
So this is really nice.
290
705260
2000
אז זה ממש נחמד.
11:47
And to take that even further, this is a heart.
291
707260
3000
וכדי לקחת את זה יותר רחוק, זהו הלב.
11:50
And this is also due to these fantastic new scanners,
292
710260
3000
וגם זה בעזרת הסורקים החדשים הפנטסטיים,
11:53
that just in 0.3 seconds,
293
713260
2000
תוך 0.3 שניות,
11:55
I can scan the whole heart,
294
715260
2000
אני יכול לסרוק את כל הלב,
11:57
and I can do that with time resolution.
295
717260
2000
ואני יכול לעשות את זה ברזולוציה של זמן.
11:59
So just looking at this heart,
296
719260
2000
ורק באמצעות הסתכלות על הלב הזה,
12:01
I can play back a video here.
297
721260
2000
אני יכול לנגן את הוידאו אחורה.
12:03
And this is Karljohan, one of my graduate students
298
723260
2000
וזהו קרליואן, אחד התלמידים שלי,
12:05
who's been working on this project.
299
725260
2000
שעבד על הפרויקט הזה.
12:07
And he's sitting there in front of the Haptic device, the force feedback system,
300
727260
3000
והוא יושב לפני מכשיר המגע הזה, מערכת משוב הכוח,
12:10
and he's moving his pen towards the heart,
301
730260
3000
והוא מזיז את העט לכיוון הלב,
12:13
and the heart is now beating in front of him,
302
733260
2000
והלב עכשיו פועם מולו,
12:15
so he can see how the heart is beating.
303
735260
2000
והוא יכול לראות כיצד הלב פועם.
12:17
He's taken the pen, and he's moving it towards the heart,
304
737260
2000
הוא לוקח את העט, ומקרב אותו ללב,
12:19
and he's putting it on the heart,
305
739260
2000
והוא מניח אותו על הלב,
12:21
and then he feels the heartbeats from the real living patient.
306
741260
3000
ואז הוא מרגיש את פעימות הלב של חולה אמיתי.
12:24
Then he can examine how the heart is moving.
307
744260
2000
ואז הוא יכול לבדוק כיצד הלב זז.
12:26
He can go inside, push inside of the heart,
308
746260
2000
הוא יכול להכנס פנימה, לתוך הלב,
12:28
and really feel how the valves are moving.
309
748260
3000
וממש לחוש כיצד המסתמים זזים.
12:31
And this, I think, is really the future for heart surgeons.
310
751260
3000
וזהו, אני חושב, העתיד של נתוחי הלב.
12:34
I mean it's probably the wet dream for a heart surgeon
311
754260
3000
זהו כנראה החלום הרטוב של מנתחי הלב
12:37
to be able to go inside of the patient's heart
312
757260
3000
להיות מסוגלים לחדור לתוך הלב של החולה
12:40
before you actually do surgery,
313
760260
2000
לפני שהם ממש עושים את הניתוח,
12:42
and do that with high-quality resolution data.
314
762260
2000
ולעשות את זה עם נתונים ברזולוציה גבוהה.
12:44
So this is really neat.
315
764260
2000
אז זה ממש מגניב.
12:47
Now we're going even further into science fiction.
316
767260
3000
עכשיו נלך אפילו יותר רחוק לתוך המדע הבדיוני.
12:50
And we heard a little bit about functional MRI.
317
770260
3000
אנחנו שומעים קצת על אמ-אר-אי פונקציונלי.
12:53
Now this is really an interesting project.
318
773260
3000
זהו באמת פרויקט מעניין.
12:56
MRI is using magnetic fields
319
776260
2000
אמ-אר-אי משתמש בשדות מגנטיים
12:58
and radio frequencies
320
778260
2000
וגלי רדיו
13:00
to scan the brain, or any part of the body.
321
780260
3000
כדי לסרוק את המוח, או כל חלק אחר בגוף.
13:03
So what we're really getting out of this
322
783260
2000
מה שאנחנו באמת מקבלים
13:05
is information of the structure of the brain,
323
785260
2000
זהו מידע על המבנה של המוח,
13:07
but we can also measure the difference
324
787260
2000
אבל אנחנו גם יכולים למדוד את ההבדלים
13:09
in magnetic properties of blood that's oxygenated
325
789260
3000
בתכונות המגנטיות של הדם המחומצן
13:12
and blood that's depleted of oxygen.
326
792260
3000
והדם שיצא ממנו החמצן.
13:15
That means that it's possible
327
795260
2000
זה אומר שניתן
13:17
to map out the activity of the brain.
328
797260
2000
למפות את פעילות המוח.
13:19
So this is something that we've been working on.
329
799260
2000
אז זהו דבר שאנחנו עובדים עליו.
13:21
And you just saw Motts the research engineer, there,
330
801260
3000
ובדיוק ראיתם את מוטס, מהנדס המחקר שם
13:24
going into the MRI system,
331
804260
2000
נכנס לתוך מערכת האמ-אר-אי,
13:26
and he was wearing goggles.
332
806260
2000
והוא לבש משקפיים.
13:28
So he could actually see things in the goggles.
333
808260
2000
כך שהוא יכול לראות דברים במשקפיים.
13:30
So I could present things to him while he's in the scanner.
334
810260
3000
אני יכול להציג לו דברים כאשר הוא בתוך הסורק.
13:33
And this is a little bit freaky,
335
813260
2000
וזה קצת מפחיד,
13:35
because what Motts is seeing is actually this.
336
815260
2000
בגלל שמה שמוטס רואה זה בעצם את זה.
13:37
He's seeing his own brain.
337
817260
3000
הוא רואה את המוח שלו.
13:40
So Motts is doing something here,
338
820260
2000
מוטס עושה כאן משהו.
13:42
and probably he is going like this with his right hand,
339
822260
2000
והוא עושה כך בידו הימנית,
13:44
because the left side is activated
340
824260
2000
בגלל שהצד השמאלי מופעל
13:46
on the motor cortex.
341
826260
2000
בקורטקס המוטורי.
13:48
And then he can see that at the same time.
342
828260
2000
ואז הוא יכול לראות את זה באותו הזמן.
13:50
These visualizations are brand new.
343
830260
2000
המחשות אלו הן חדשות לחלוטין.
13:52
And this is something that we've been researching for a little while.
344
832260
3000
זה משהו שאנחנו חוקרים כבר זמן מה.
13:55
This is another sequence of Motts' brain.
345
835260
3000
זהו רצף נוסף של מוחו של מוטס.
13:58
And here we asked Motts to calculate backwards from 100.
346
838260
3000
כאן ביקשנו ממוטס לחשב אחורנית מ-100.
14:01
So he's going "100, 97, 94."
347
841260
2000
הוא סופר "100, 97, 94."
14:03
And then he's going backwards.
348
843260
2000
והוא ממשיך אחורה.
14:05
And you can see how the little math processor is working up here in his brain
349
845260
3000
ואתם יכולים לראות כיצד המעבד החשבוני עובד כאן במוח שלו
14:08
and is lighting up the whole brain.
350
848260
2000
והוא מאיר את כל המוח.
14:10
Well this is fantastic. We can do this in real time.
351
850260
2000
זה פנטסטי. אנחנו יכולים לעשות זאת בזמן אמיתי.
14:12
We can investigate things. We can tell him to do things.
352
852260
2000
אפשר לחקור דברים. אפשר לומר לו לעשות דברים.
14:14
You can also see that his visual cortex
353
854260
2000
אפשר לראות שהקורטקס הויזואלי שלו
14:16
is activated in the back of the head,
354
856260
2000
מופעל בחלק האחורי של הראש,
14:18
because that's where he's seeing, he's seeing his own brain.
355
858260
2000
בגלל ששם הוא רואה, הוא רואה את המוח שלו עצמו.
14:20
And he's also hearing our instructions
356
860260
2000
והוא גם שומע את ההוראות שלנו
14:22
when we tell him to do things.
357
862260
2000
כשאנחנו אומרים לו לעשות דברים.
14:24
The signal is really deep inside of the brain as well,
358
864260
2000
האות הוא ממש עמוק בתוך המוח,
14:26
and it's shining through,
359
866260
2000
אבל הוא זורח החוצה,
14:28
because all of the data is inside this volume.
360
868260
2000
מאחר וכל הנתונים הם בתוך החלק הזה.
14:30
And in just a second here you will see --
361
870260
2000
ובתוך שניה אתם תוכלו לראות --
14:32
okay, here. Motts, now move your left foot.
362
872260
2000
אוקי, כאן. מוטס, הזז את הרגל השמאלית שלך.
14:34
So he's going like this.
363
874260
2000
אז הוא עושה כך.
14:36
For 20 seconds he's going like that,
364
876260
2000
במשך 20 שניות הוא עושה זאת,
14:38
and all of a sudden it lights up up here.
365
878260
2000
ופתאום זה נדלק כאן.
14:40
So we've got motor cortex activation up there.
366
880260
2000
אז יש לנו פעילות באזור המוטורי למעלה שם.
14:42
So this is really, really nice,
367
882260
2000
זה ממש ממש נחמד.
14:44
and I think this is a great tool.
368
884260
2000
ואני חושב שזה כלי נהדר.
14:46
And connecting also with the previous talk here,
369
886260
2000
ומתקשר גם לשיחה הקודמת כאן,
14:48
this is something that we could use as a tool
370
888260
2000
זהו דבר שנוכל להשתמש ככלי
14:50
to really understand
371
890260
2000
כדי להבין באמת
14:52
how the neurons are working, how the brain is working,
372
892260
2000
איך העצבים עובדים, איך המוח עובד,
14:54
and we can do this with very, very high visual quality
373
894260
3000
ואנחנו יכולים לעשות זאת באיכות חזותית מאד מאד גבוהה
14:57
and very fast resolution.
374
897260
3000
ורזולוציה מאד מהירה.
15:00
Now we're also having a bit of fun at the center.
375
900260
2000
אנחנו גם קצת מבלים במרכז.
15:02
So this is a CAT scan -- Computer Aided Tomography.
376
902260
3000
אז זוהי סריקת קאט - מיפוי בעזרת מחשב.
15:06
So this is a lion from the local zoo
377
906260
2000
אז זוהי לביאה מגן החיות המקומי
15:08
outside of Norrkoping in Kolmarden, Elsa.
378
908260
3000
מחוץ לנורקופינג בקולמרדן, באזור אלזה.
15:11
So she came to the center,
379
911260
2000
אז היא הגיעה למרכז,
15:13
and they sedated her
380
913260
2000
והם סיממו אותה
15:15
and then put her straight into the scanner.
381
915260
2000
ואז הכניסו אותה ישר לתוך הסורק.
15:17
And then, of course, I get the whole data set from the lion.
382
917260
3000
ואז, כמובן, קיבלתי את כל הנתונים מהאריה.
15:20
And I can do very nice images like this.
383
920260
2000
ואני יכול לעשות תמונות מאד יפות כמו זאת.
15:22
I can peel off the layer of the lion.
384
922260
2000
אני יכול לקלף את השכבות של האריה.
15:24
I can look inside of it.
385
924260
2000
אני יכול להביט לתוכו.
15:26
And we've been experimenting with this.
386
926260
2000
ואנחנו עושים ניסויים עם זה.
15:28
And I think this is a great application
387
928260
2000
ואני חושב שזה ישום נהדר
15:30
for the future of this technology,
388
930260
2000
לעתיד של הטכנולוגיה הזאת.
15:32
because there's very little known about the animal anatomy.
389
932260
3000
בגלל שאנחנו יודעים מעט מאד על האנטומיה של החיות.
15:35
What's known out there for veterinarians is kind of basic information.
390
935260
3000
מה שהוטרינרים יודעים זה מידע בסיסי בלבד.
15:38
We can scan all sorts of things,
391
938260
2000
אנחנו יכולים לסרוק כל מיני דברים,
15:40
all sorts of animals.
392
940260
2000
כל מיני חיות.
15:42
The only problem is to fit it into the machine.
393
942260
3000
הבעיה היחידה היא להכניס אותם לתוך המכונה.
15:45
So here's a bear.
394
945260
2000
אז הנה דב.
15:47
It was kind of hard to get it in.
395
947260
2000
זה היה די קשה להכניס אותו פנימה.
15:49
And the bear is a cuddly, friendly animal.
396
949260
3000
והדב הוא חיה ידידותית.
15:52
And here it is. Here is the nose of the bear.
397
952260
3000
הנה הוא כאן. זהו האף של הדב.
15:55
And you might want to cuddle this one,
398
955260
3000
ואתם אולי תרצו לחבק את הדב הזה,
15:58
until you change the functions and look at this.
399
958260
3000
עד שתשנו את הפונקציות כך.
16:01
So be aware of the bear.
400
961260
2000
אז תזהרו מהדב.
16:03
So with that,
401
963260
2000
וכך
16:05
I'd like to thank all the people
402
965260
2000
אני רוצה להודות לכל האנשים
16:07
who have helped me to generate these images.
403
967260
2000
שעזרו לי ליצור את התמונות האלה.
16:09
It's a huge effort that goes into doing this,
404
969260
2000
זהו מאמץ אדיר שמושקע בזה,
16:11
gathering the data and developing the algorithms,
405
971260
3000
איסוף הנתונים ופיתוח האלגוריתמים,
16:14
writing all the software.
406
974260
2000
וכתיבת כל התוכנה.
16:16
So, some very talented people.
407
976260
3000
אנשים מאד מוכשרים.
16:19
My motto is always, I only hire people that are smarter than I am
408
979260
3000
המוטו שלי הוא תמיד, אני תמיד מגייס אנשים שיותר חכמים ממני
16:22
and most of these are smarter than I am.
409
982260
2000
ורוב האנשים האלה הם חכמים יותר ממני.
16:24
So thank you very much.
410
984260
2000
אז תודה רבה לכם.
16:26
(Applause)
411
986260
4000
(מחיאות כפיים)
על אתר זה

אתר זה יציג בפניכם סרטוני YouTube המועילים ללימוד אנגלית. תוכלו לראות שיעורי אנגלית המועברים על ידי מורים מהשורה הראשונה מרחבי העולם. לחץ פעמיים על הכתוביות באנגלית המוצגות בכל דף וידאו כדי להפעיל את הסרטון משם. הכתוביות גוללות בסנכרון עם הפעלת הווידאו. אם יש לך הערות או בקשות, אנא צור איתנו קשר באמצעות טופס יצירת קשר זה.

https://forms.gle/WvT1wiN1qDtmnspy7