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

Çeviri: Zeynep Yagci Gözden geçirme: Eren Gokce

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

Son 17 yıldır Scripps Research’de çalışma şansını yakaladım.

for the last 17 years.

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

Burası ülkedeki en büyük kâr amacı gütmeyen biyomedikal kurumdur.

And I've watched some of my colleagues,

Bir proteinin 3 boyutlu kristal yapısını tanımlamak için

who have spent two to three years

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

iki-üç yıl harcayan bazı meslektaşlarıma tanık oldum.

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

Şu anda ise aynı iş iki veya üç dakika içinde yapılabiliyor.

And that's because of the work of AlphaFold,

Bu durum, Eylül ayında Amerikan Nobel Ödülü tarafından

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

tanınan DeepMind, Demis Hassabis ve John Jumper’ın bir türevi olan

recognized by the American Nobel Prize in September.

AlphaFold’un çalışmaları sonucudur.

What's interesting, this work,

İlginç olan ise,

which is taking the amino acid sequence in one dimension

amino asit dizisini bir boyutta alan

and predicting the three-dimensional protein at atomic level,

ve atomik düzeyde üç boyutlu proteini tahmin eden bu çalışma,

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

şimdi bu protein yapısı tahmin modellerinin yanı sıra RNA ve antikorlara

as well as RNA and antibodies,

ilham verdi

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

ve hatta genomdaki tüm yanlış anlamlı mutasyonları yakalayabiliyor

and even being able to come up wit proteins

ve hatta doğada var olmayan

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

daha önce hiç keşfedilmemiş proteinleri ortaya çıkarabiliyor.

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

Şimdi, bunun hakkında düşündüğüm tek şey bunun bir transformatör modeli olması,

we'll talk about that in a moment,

bundan biraz sonra bahsedeceğiz,

in this award, since Demis and John

bu ödülde, Demis ve John

and their team of 30 scientists

ve 30 bilim adamından oluşan ekipleri

don't understand how the transformer model works,

transformatör modelinin nasıl çalıştığını anlamadığından,

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

yapay zekânın bu ödülün bir parçası olarak yıldız işareti alması gerekmez mi?

Az önce gözden geçirilen en büyük tekil katkı

I'm going to switch from life science,

which has been the singular biggest contribution just reviewed,

olan yaşam bilimlerinden

to medicine.

tıbba geçeceğim.

And in the medical community,

Tıp camiasında,

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

pek konuşmadığımız şey tıbbi teşhis hatalarıdır.

And according to the National Academy of Medicine,

Ulusal Tıp Akademisi’ne göre,

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

hepimiz hayatımız boyunca en az bir tanesini deneyimleyeceğiz.

And we know from a recent Johns Hopkins study

Ve Johns Hopkins’in yakın tarihli bir araştırmasından

that these errors have led to 800,000 Americans dead

bu hataların her yıl 800.000 Amerikalının ölümüne

or seriously disabled each year.

veya ciddi şekilde sakatlanmasına yol açtığını biliyoruz.

So this is a big problem.

Yani bu büyük bir sorun.

And the question is, can AI help us?

Ve soru şu, YZ bize yardımcı olabilir mi?

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

Ve sürekli “hassas tıp” terimini duyuyorsunuz.

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

Aynı hatayı tekrar tekrar yapmaya devam edersen, bu çok hassas olacaktır.

(Laughter)

(Kahkahalar)

We don't need that,

Buna ihtiyacımız yok,

we need accuracy and precision medicine.

doğruluğa ve hassas tıbba ihtiyacımız var.

So can we get there?

Peki bunu başarabilir miyiz?

Well, this is a picture of the retina.

Bu, retinanın bir resmi.

And this was the first major hint,

Ve bu, denetimli öğrenme ile 100.000 görüntüyü

training 100,000 images with supervised learning.

eğiten ilk önemli belirtiydi.

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

Makineler insanların göremediği şeyleri görebilir mi?

And so the question was, to the retinal experts,

Ve bu sebeple retina uzmanlarına şu soru yöneltildi:

is this from a man or a woman?

“Bu retina bir erkeğe mi yoksa bir kadına mı ait?”

And the chance of getting it accurate was 50 percent.

Ve cevabın doğru olma şansı %50′ydi.

(Laughter)

(Kahkahalar)

But the AI got it right, 97 percent.

Ama yapay zekâ %97 oranında doğru cevap verdi.

So that training,

Yani o eğitimin

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

nasıl mümkün olduğu konusunda özellikler tam olarak tanımlanmamış bile.

Well that gets then to all of medical images.

Bu durum tüm tıbbi görüntülemeler için geçerli oluyor.

This is just representative, the chest X-ray.

Bu sadece temsili bir göğüs röntgeni.

And in fact with the chest X-ray,

Ve aslında bu göğüs röntgeni ile,

the ability here for the AI to pick up,

yapay zekânın tespit etme yeteneğini görüyoruz.

the radiologists, expert radiologists missing the nodule,

Uzman radyologlar nodülü gözden kaçırdığında,

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

bu nodül yapay zekâ tarafından kanserli olarak tespit ediliyor

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

ve bu, elbette ki tüm tıbbi görüntülemeler için temsili bir örnektir.

whether it’s CT scans, MRI, ultrasound.

Buna bilgisayarlı tomografi, emar görüntüsü ve ultrason da dahildir.

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

Büyük, etiketli, açıklamalı veri setlerinin denetimli olarak öğrenilmesiyle

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

yapay zekânın uzman doktorlar kadar, hatta onlardan daha bile iyi

than expert physicians.

performans gösterdiğini görebiliriz.

And 21 randomized trials of picking up polyps --

Ve polipleri yakalamaya yönelik 21 rastgellenmiş çalışmanın hepsi

machine vision during colonoscopy -- have all shown

- kolonoskopi sırasındaki yapay görüş - gösteriyor ki,

that polyps are picked up better

polipler sadece gastroenterologlar tarafından değil

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

yapay görüş ile daha iyi tespit edildiğini göstermiştir,

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

özellikle gün geçtikçe, günün ilerleyen saatlerinde ilginç bir şekilde.

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

Tüm bu ilave polipleri toplamanın kanserlerin olağan geçmişini

changes the natural history of cancers,

değiştirip değiştirmediğini bilmiyoruz,

but it tells you about machine eyes,

ancak size makine gözlerinden,

the power of machine eyes.

makine gözlerinin gücünden bahsediyor.

Now that was interesting.

Bu ilginç bir durumdu.

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

Fakat şimdi, transformatör modellerinde değil derin öğrenme modellerinde,

we've seen and learned that the ability

bilgisayar görüşünün insan gözünün göremediği şeyleri

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

algılama yeteneğinin oldukça dikkat çekici

is quite remarkable.

olduğunu gördük ve öğrendik.

Here's the retina.

İşte retina.

Picking up the control of diabetes and blood pressure.

Diyabetin ve kan basıncının kontrolünü algılıyor.

Kidney disease.

Böbrek hastalığı.

Liver and gallbladder disease.

Karaciğer ve safra kesesi hastalığı.

The heart calcium score,

Normalde kalbin taramasından alacağınız

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

kalp kalsiyum skoru.

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

Alzheimer hastalığı, herhangi bir klinik semptom ortaya çıkmadan önce.

Predicting heart attacks and strokes.

Kalp krizlerini ve felçleri tahmin ediyor.

Hyperlipidemia.

Hiperlipidemi.

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

Ve Parkinson hastalığını, belirtilerinden yedi yıl önce

to pick that up.

tespit edebiliyor.

Now this is interesting because in the future,

Bu ilginç bir durum çünkü gelecekte

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

muayenelerde retinamızın fotoğraflarını çekiyor olacağız.

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

Bu, vücuttaki hemen hemen her sisteme açılan kapıdır.

It's really striking.

Gerçekten çarpıcı.

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

Ve buna geri döneceğiz çünkü bu çalışmaların her biri

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

denetimli öğrenmeye sahip onlarca veya yüz binlerce görüntüyle yapıldı

with supervised learning,

ve hepsi farklı

and they’re all separate studies by different investigators.

araştırmacılar tarafından yapılan ayrı çalışmalardır.

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

Bir kardiyolog olarak, kardiyogram okumayı seviyorum.

I've been doing it for over 30 years.

30 yılı aşkın bir süredir de yapıyorum.

But I couldn't see these things.

Ama bu şeyleri göremiyordum.

Like, the age and the sex of the patient,

Mesela, hastanın yaşı ve cinsiyeti

or the ejection fraction of the heart,

veya kalbin ejeksiyon fraksiyonu gibi,

making difficult diagnoses that are frequently missed.

sıklıkla gözden kaçan zor teşhisler yapmak.

Hastanın anemisi, yani ondalık noktaya kadar olan hemoglobin.

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

EKG’den

Predicting whether a person,

who's never had atrial fibrillation or stroke

hiç atriyal fibrilasyon veya

from the ECG,

felç geçirmemiş bir kişinin

whether that's going to likely occur.

bunları geçirip geçirmeyeceğini tahmin etmek.

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

Diyabet, kardiyogramdan diyabet ve prediyabet tanısı.

The filling pressure of the heart.

Kalbin dolum basıncı.

Hypothyroidism

Hipotiroidizm

and kidney disease.

ve böbrek hastalığı.

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

Elinize bir elektrokardiyogram aldığınızı ve tüm bu diğer

not really so much about the heart.

çok da kalple ilgili olmayan şeyleri öğrendiğinizi hayal edin.

Then there's the chest X-ray.

Sonra göğüs röntgeni var.

Who would have guessed that we could accurately determine

Bir hastanın ırkını, ki bunun etik sonuçları da az değildir,

the race of the patient,

makine gözleriyle

no less the ethical implications of that,

göğüs röntgeninden doğru bir şekilde

from a chest X-ray through machine eyes?

belirleyebileceğimizi kim tahmin edebilirdi?

And interestingly, picking up the diagnosis of diabetes,

Ve ilginç bir şekilde, diyabet tanısını ve diyabetin

as well as how well the diabetes is controlled,

ne kadar iyi kontrol edildiğini göğüs röntgeni

through the chest X-ray.

ile almak mümkün.

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

Ve tabii ki, kalple ilgili pek çok farklı parametre var ki

which we could never,

radyologlar veya kardiyologlar olarak, asla

radiologists or cardiologists, could never be able to come up

makine görüşünün yapabildiklerini

with what machine vision can do.

gündeme getiremezdik.

Pathologists often argue about a slide,

Patologlar genellikle bir slayt hakkında tartışırlar,

about what does it really show?

gerçekte neyi gösterir?

But with this ability of machine eyes,

Ancak makine gözlerinin bu yeteneği ile

the driver genomic mutations of the cancer can be defined,

kanserin itici genomik mutasyonları

no less the structural copy number variants

ve de bu tümörde hesaba katılan veya mevcut olan

that are accounting or present in that tumor.

yapısal kopya sayısı varyantları tanımlanabilir.

Also, where is that tumor coming from?

Ayrıca, bu tümör nereden geliyor?

For many patients, we don’t know.

Birçok hasta için bilmiyoruz.

But it can be determined through AI.

Ancak bu, yapay zekâ aracılığıyla belirlenebilir.

And also the prognosis of the patient,

Ve ayrıca hastanın prognozu,

just from the slide,

sadece slayttan

by all of the training.

ve eğitimle belirlenebilir.

Again, this is all just convolutional neural networks,

Tekrar ediyorum, bunlar transformatör modelleri değil

not transformer models.

sadece evrişimli sinir ağları.

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

Derin sinir ağlarından transformatör modellerine geçtiğimizde,

this classic pre-print,

bu klasik ön baskı, şimdiye kadarki

one of the most cited pre-prints ever,

en çok alıntı yapılan ön baskılardan biri olan

“Dikkat, İhtiyacınız Olan Tek Şeydir”

"Attention is All You Need,"

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

artık dil veya görüntü olsun

whether it be language or images,

daha birçok ögeye bakabilme

and be able to put this in context,

ve bunu bağlam içine koyabilme ve

setting up a transformational progress in many fields.

birçok alanda dönüşümsel bir ilerleme sağlayabilme yeteneği.

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

Bu prototip, GPT-4′ün doğal bir sonucudur.

With over a trillion connections.

Bir trilyondan fazla bağlantıyla.

Our human brain has 100 trillion connections or parameters.

İnsan beyninde 100 trilyon bağlantı veya parametre vardır.

But one trillion,

Ama bir trilyon,

just think of all the information, knowledge,

sadece o trilyonda toplanan tüm enformasyon

that's packed into those one trillion.

ve bilgiyi bir düşünün.

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

Ve ilginç bir şekilde, bu artık dille, görüntülerle, konuşmayla

with speech.

çok modlu bir hâle geldi.

And it involves a massive amount of graphic processing units.

Ve çok miktarda grafik işleme birimi içeriyor.

Ve bu, uzmanların görüntüleri etiketlemesini

And it's with self-supervised learning,

which is a big bottleneck in medicine

sağlayamadığımız için tıpta büyük bir darboğaz olan

because we can't get experts to label images.

kendini denetleyen öğrenmeyle oluyor.

This can be done with self-supervised learning.

Bu, kendini denetleyen öğrenme ile yapılabilir.

So what does this set up in medicine?

Peki bu, tıpta neyi ileri sürüyor?

It sets up, for example, keyboard liberation.

Örneğin klavye özgürlüğünü ileri sürüyor.

The one thing that both doctors, clinicians

Hem doktorların, hem klinisyenlerin

and patients would like to see.

hem de hastaların görmek istediği tek şey.

Everyone hates being data clerks as clinicians,

Herkes klinisyen olarak veri girişi yapmaktan nefret eder

and patients would like to see their doctor

ve hastalar nihayet uzun zamandır bekledikleri

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

ziyareti yaptıklarında doktorlarını görmek isterler.

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

Dolayısıyla, yüz yüze teması değiştirme yeteneği

is just one step along the way.

bu yoldaki adımlardan sadece biridir.

By having the liberation from keyboards with synthetic notes

Konuşmadan türetilen sentetik notlarla

that are driven, derived from the conversation,

klavyelerden kurtularak ve ardından

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

genellikle mesai dışında yapılan tüm sıradan veri işlerinden

often off-hours.

kurtularak sağlanır.

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

Şimdi Amerika Birleşik Devletleri’ndeki sağlık sistemlerinde insanların,

where people, physicians are saving many hours of time

doktorların saatlerce zamandan tasarruf ettiklerini

and heading towards ultimately keyboard liberation.

ve nihayetinde klavye özgürlüğüne doğru ilerlediklerini görüyoruz.

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

Geçenlerde, Pearse Keane liderliğindeki Moorfields Göz Enstitüsü’ndeki

led by Pearse Keane,

grupla, retinadan tıptaki

the first foundation model in medicine from the retina.

ilk temel modeli yayınladık.

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

Ve hepsi ayrı çalışmalarla yapılan sekiz farklı şeyi hatırlıyor musunuz?

This was all done with one model.

Bunların hepsi tek bir modelle yapıldı.

This is with 1.6 million retinal images

Bu, tüm bu farklı sonuç olasılıklarını

predicting all these different outcome likelihoods.

tahmin eden 1,6 milyon retina görüntüsüdür.

Ve bunların hepsi açık kaynaktır, ki bu

And this is all open-source,

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

elbette başkalarının bu modeller üzerine inşa edebilmesi için gerçekten önemlidir.

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

Şimdi sadece gerçekten ilginç olan birkaç hastayı gözden geçirmek istiyorum.

Andrew, who is now six years old.

Andrew, şu anda altı yaşında.

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

Üç yıl acımasızca artan acı çekti, büyümesi durdu.

Sol ayağını yere sürdüğü için yürürken acı çekti,

His gait suffered with a dragging of his left foot,

he had severe headaches.

şiddetli baş ağrıları vardı.

He went to 17 doctors over three years.

Üç yıl süresince 17 doktora gitti.

His mother then entered all his symptoms into ChatGPT.

Annesi daha sonra tüm semptomlarını ChatGPT’ye girdi.

It made the diagnosis of occulta spina bifida,

Spina bifida occulta tanısını koydu, bu da 17 doktorun tamamı tarafından

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

üç yıl boyunca gözden kaçırılan gergin bir omuriliğe sahip olduğu

over three years.

anlamına geliyordu.

He had surgery to release the cord.

Kordonunun serbest bırakılması için ameliyat oldu.

He's now perfectly healthy.

Andrew, artık tamamen sağlıklı.

(Applause)

(Alkış)

This is a patient that was sent to me,

Bu bana iletilen bir hasta,

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

kendisine uzun COVID’den muzdarip olduğu söylenmiş.

She saw many different physicians, neurologists,

Birçok farklı doktor, nörolog gördü

and her sister entered all her symptoms after getting nowhere,

ve hiçbir yere varamadıktan sonra kız kardeşi tüm semptomlarını girdi,

no treatment for long COVID,

uzun COVID’in tedavisi yok,

there is no treatment validated,

onaylanmış bir tedavi yok

and her sister put all her symptoms into ChatGPT.

ve kız kardeşi tüm semptomlarını ChatGPT’ye yazdı.

It found out it actually was not long COVID,

Aslında uzun COVID değil,

she had limbic encephalitis, which is treatable.

tedavi edilebilir olan limbik ensefalit geçirdiğini öğrendi.

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

Tedavi edildi ve şimdi durumu son derece iyiye gidiyor.

But these are not just anecdotes anymore.

Bunlar artık sadece anekdot değiller.

70 very difficult cases

New England Journal of Medicine’deki

that are the clinical pathologic conferences

klinik patolojik

at the New England Journal of Medicine

konferanslar olan

were compared to GPT-4,

70 çok zor vaka GPT-4 ile karşılaştırıldı

and the chatbot did as well

ve rehber robot tanı koymada

or better than the expert master clinicians

uzman usta klinisyenler kadar

in making the diagnosis.

veya daha iyi performans gösterdi.

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

Konuşmamı arkadaşımla son zamanlarda yaptığım bir sohbetle bitirmek istiyorum.

Medicine is still an apprenticeship,

Tıp hâlâ bir çırak

and Andrew Cho is 30 years old,

ve 30 yaşında olan Andrew Cho,

in his second year of cardiology fellowship.

kardiyoloji bursunun ikinci yılında.

We see all patients together in the clinic.

Tüm hastalara klinikte birlikte bakıyoruz.

And at the end of clinic the other day,

Geçen gün kliniğin sonunda

I sat down and said to him,

oturdum ve ona dedim ki,

"Andrew, you are so lucky.

“Andrew, çok şanslısın.

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

Klavye özgürlüğü çağında tıp pratiği yapacaksın.

You're going to be connecting with patients

Onlarca yıldır yapmadığımız

the way we haven't done for decades."

şekilde hastalarla bağlantı kuracaksın.”

That is the ability to have the note

Bu, notları ve çalışmayı konuşmadan elde etme yeteneğidir;

and the work from the conversation

ön yetkilendirme, faturalandırma,

to derive things like pre-authorization,

reçeteler, gelecekteki randevular

billing, prescriptions, future appointments --

gibi şeyleri çıkarmak ve hastaya

all the things that we do,

yönlendirmeler dahil olmak üzere

including nudges to the patient.

yaptığımız her şeyi içerir.

For example, did you get your blood pressure checks

Örneğin, tansiyon kontrollerinizi yaptırdınız mı

and what did they show

ve sonuçlarınız nasıldı

and all that coming back to you.

ve tüm bunlar size geri dönüyor.

But much more than that,

Ama bundan çok daha fazlası,

to help with making diagnoses.

teşhis koymaya yardımcı olmak içindir.

And the gift of time

Ve bir hastanın

that having all the data of a patient

tüm verilerini

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

hastayı görmeden önce sahip olmak zamanın armağanıdır.

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

Ve tüm bu destek, hasta-doktor ilişkisinin geleceğini değiştirerek

bringing in the gift of time.

zamanın armağanını getiriyor.

So this is really exciting.

Bu gerçekten heyecan verici.

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

Andrew’e, elbette her şeyin doğrulanması gerekir,

that the benefit greatly outweighs any risk.

faydanın herhangi bir riskten büyük ölçüde ağır bastığını söyledim.

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

Ama sağlık hizmetlerinin geleceği için gerçekten dikkate değer bir zamandayız

it's so damn exciting.

ve bu çok heyecan verici.

Thank you.

Teşekkür ederim.

(Applause)

(Alkış)