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

Translator: Thanh Vân Phan Reviewer: Thái Hưng Trần

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

Tôi cảm thấy thực sự may mắn được làm việc tại Scripps Research

for the last 17 years.

trong 17 năm qua.

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

Đây là tổ chức y sinh phi lợi nhuận lớn nhất trong cả nước.

And I've watched some of my colleagues,

Và tôi đã theo dõi một số đồng nghiệp của mình,

who have spent two to three years

những người đã dành hai đến ba năm

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

để xác định cấu trúc tinh thể 3-D của một protein.

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

Vâng, bây giờ điều đó có thể được thực hiện trong hai hoặc ba phút.

And that's because of the work of AlphaFold,

Và đó là vì công việc của AlphaFold,

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

một phái sinh của DeepMind, Demis Hassabis và John Jumper,

recognized by the American Nobel Prize in September.

được công nhận bởi giải Nobel của Mỹ vào tháng 9.

What's interesting, this work,

Điều thú vị là, công trình này,

which is taking the amino acid sequence in one dimension

lấy trình tự axit amin trong một chiều

and predicting the three-dimensional protein at atomic level,

và dự đoán protein ba chiều ở cấp độ nguyên tử,

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

[đã] truyền cảm hứng cho nhiều mô hình dự đoán cấu trúc protein khác, cũng

as well as RNA and antibodies,

như RNA và kháng thể,

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

và thậm chí có thể nhận được tất cả các đột biến sai lệch trong bộ gen,

and even being able to come up wit proteins

và thậm chí có thể tạo ra

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

các protein chưa từng được phát minh trước đây, không tồn tại trong tự nhiên.

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

Bây giờ, điều duy nhất tôi nghĩ là nó là một mô hình máy biến áp,

we'll talk about that in a moment,

chúng ta sẽ nói về điều đó trong giây lát,

in this award, since Demis and John

trong giải thưởng này, vì Demis và John

and their team of 30 scientists

và nhóm 30 nhà khoa học của họ

don't understand how the transformer model works,

không hiểu mô hình máy biến áp hoạt động như thế nào, không

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

nên AI có được dấu hoa thị như một phần của giải thưởng đó?

I'm going to switch from life science,

Tôi sẽ chuyển từ khoa học đời sống,

which has been the singular biggest contribution just reviewed,

vốn là đóng góp lớn nhất duy nhất vừa được xem xét,

to medicine.

sang y học.

And in the medical community,

Và trong cộng đồng y tế,

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

điều mà chúng ta không nói nhiều đến là các lỗi chẩn đoán y tế.

And according to the National Academy of Medicine,

Và theo Học viện Y khoa Quốc gia,

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

tất cả chúng ta sẽ trải nghiệm ít nhất một trong cuộc đời.

And we know from a recent Johns Hopkins study

Từ nghiên cứu gần đây của Johns Hopkins,

that these errors have led to 800,000 Americans dead

ta đều rõ rằng những sai lầm này đã dẫn đến 800.000 người Mỹ chết

or seriously disabled each year.

hoặc tàn tật nghiêm trọng mỗi năm.

So this is a big problem.

Vì vậy, đây là một vấn đề lớn.

And the question is, can AI help us?

Câu hỏi là, AI có thể giúp chúng ta không?

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

Và bạn tiếp tục nghe về thuật ngữ “y học chính xác.”

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

Chà, nếu bạn cứ lặp đi lặp lại cùng một sai lầm, điều đó rất chính xác.

(Laughter)

(Cười)

We don't need that,

Ta không cần điều đó,

we need accuracy and precision medicine.

mà ta cần sự tuyệt đối và y học chính xác.

So can we get there?

Vậy chúng ta có thể đến đó không?

Well, this is a picture of the retina.

Vâng, đây là một hình ảnh của võng mạc.

And this was the first major hint,

Và đây là gợi ý chính đầu tiên,

training 100,000 images with supervised learning.

đào tạo 100.000 hình ảnh với việc học có giám sát.

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

Máy có thể nhìn thấy những thứ mà mọi người không thể nhìn thấy?

And so the question was, to the retinal experts,

Và vì vậy câu hỏi đặt ra là, đối với các chuyên gia võng mạc,

is this from a man or a woman?

đây là từ một người đàn ông hay phụ nữ?

And the chance of getting it accurate was 50 percent.

Và cơ hội để có được nó chính xác là 50 phần trăm.

(Laughter)

(Cười)

But the AI got it right, 97 percent.

Nhưng AI đã đúng, 97%.

So that training,

Vì vậy, việc đào tạo đó,

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

các tính năng còn không thể giải thích đầy đủ về tính khả thi của việc đó

Well that gets then to all of medical images.

Sau đó, điều đó sẽ xảy ra với tất cả các hình ảnh y tế.

This is just representative, the chest X-ray.

Đây chỉ là đại diện, X-quang ngực.

And in fact with the chest X-ray,

Và trên thực tế với X-quang ngực,

the ability here for the AI to pick up,

khả năng AI tìm ra, các bác sĩ X quang,

the radiologists, expert radiologists missing the nodule,

chuyên gia X quang đã bỏ sót nốt sần,

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

hóa ra được AI nhận ra là ung thư,

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

và điều này, tất nhiên, đại diện cho tất cả các hình ảnh chụp y tế, cho

whether it’s CT scans, MRI, ultrasound.

dù đó là chụp CT, MRI, siêu âm.

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

Bằng việc học tập có giám sát các tệp dữ liệu lớn, được dán nhãn, có chú thích,

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

chúng ta có thể thấy AI hoạt động ít nhất, nếu không muốn nói là tốt

than expert physicians.

hơn, so với các bác sĩ chuyên nghiệp.

And 21 randomized trials of picking up polyps --

Và 21 thử nghiệm ngẫu nhiên về việc lấy polyp - thị giác

machine vision during colonoscopy -- have all shown

máy trong nội soi - tất cả đều cho

that polyps are picked up better

thấy polyp được phát hiện tốt hơn

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

với sự hỗ trợ của thị giác máy so với chỉ riêng bác sĩ tiêu hóa,

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

đặc biệt là khi ngày trôi qua, sau đó trong ngày, thật thú vị.

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

Chúng ta không biết liệu việc lấy tất cả các polyp bổ sung này, liệu

changes the natural history of cancers,

có thay đổi lịch sử của bệnh ung thư

but it tells you about machine eyes,

nhưng nó cho bạn biết về mắt máy,

the power of machine eyes.

sức mạnh của mắt máy.

Now that was interesting.

Bây giờ điều đó thật thú vị.

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

Nhưng bây giờ vẫn với các mô hình học sâu, không phải mô hình máy biến áp,

we've seen and learned that the ability

chúng ta đã thấy và học được rằng khả năng

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

thị giác máy tính thu nhận những thứ mà mắt người không thể nhìn thấy

is quite remarkable.

là khá đáng chú ý.

Here's the retina.

Đây là võng mạc.

Picking up the control of diabetes and blood pressure.

Kiểm soát bệnh tiểu đường và huyết áp.

Kidney disease.

Bệnh thận.

Liver and gallbladder disease.

Bệnh gan và túi mật.

The heart calcium score,

Điểm canxi tim,

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

mà bạn thường nhận được thông qua quá trình quét tim.

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

Bệnh Alzheimer trước khi có bất kỳ triệu chứng lâm sàng nào được biểu hiện.

Predicting heart attacks and strokes.

Dự đoán các cơn đau tim và đột quỵ.

Hyperlipidemia.

Tăng lipid máu.

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

Và bảy năm trước khi có bất kỳ triệu chứng nào của bệnh Parkinson,

to pick that up.

phải nhận ra điều đó.

Now this is interesting because in the future,

Bây giờ điều này thật thú vị bởi vì trong tương lai,

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

chúng ta sẽ chụp ảnh võng mạc của chúng ta khi kiểm tra.

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

Đây là cửa ngõ đến hầu hết mọi hệ thống trong cơ thể.

It's really striking.

Nó thực sự nổi bật.

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

Và chúng ta sẽ quay trở lại vấn đề này bởi vì mỗi nghiên cứu này

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

được thực hiện với hàng chục hoặc hàng trăm nghìn hình ảnh

with supervised learning,

với học tập có giám sát,

and they’re all separate studies by different investigators.

và chúng đều là những nghiên cứu riêng biệt của các nhà điều tra khác nhau.

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

Bây giờ, là một bác sĩ tim mạch, tôi thích đọc đồ tim.

I've been doing it for over 30 years.

Tôi đã làm điều đó hơn 30 năm.

But I couldn't see these things.

Nhưng tôi không thể nhìn thấy những thứ

Like, the age and the sex of the patient,

như tuổi và giới tính của bệnh nhân,

or the ejection fraction of the heart,

hoặc phần tống máu của tim,

making difficult diagnoses that are frequently missed.

khiến các chẩn đoán khó khăn thường bị bỏ qua.

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

Thiếu máu của bệnh nhân, nghĩa là huyết sắc tố đến dấu thập phân.

Predicting whether a person,

Dự đoán liệu một người,

who's never had atrial fibrillation or stroke

người chưa bao giờ bị rung tâm nhĩ hoặc đột quỵ

from the ECG,

từ ECG,

whether that's going to likely occur.

liệu điều đó có khả năng xảy ra hay không.

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

Bệnh tiểu đường, chẩn đoán bệnh tiểu đường và tiền tiểu đường, từ đồ tim.

The filling pressure of the heart.

Áp lực làm đầy của tim.

Hypothyroidism

Suy giáp

and kidney disease.

và bệnh thận.

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

Hãy tưởng tượng bạn lấy điện tâm đồ để cho bạn biết về tất cả những điều khác,

not really so much about the heart.

không thực sự nhiều về tim.

Then there's the chest X-ray.

Sau đó là chụp X-quang ngực.

Who would have guessed that we could accurately determine

Ai có thể đoán được rằng chúng ta có thể xác định chính xác

the race of the patient,

chủng tộc của bệnh nhân,

no less the ethical implications of that,

không kém những tác động đạo đức,

from a chest X-ray through machine eyes?

từ chụp X-quang ngực thông qua mắt máy?

And interestingly, picking up the diagnosis of diabetes,

Và thật thú vị, chọn chẩn đoán bệnh tiểu đường, cũng

as well as how well the diabetes is controlled,

như cách kiểm soát bệnh tiểu đường,

through the chest X-ray.

thông qua X-quang ngực.

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

Và tất nhiên, rất nhiều thông số khác nhau về tim,

which we could never,

mà chúng ta không bao giờ có thể, bác sĩ

radiologists or cardiologists, could never be able to come up

X quang hay bác sĩ tim mạch, không bao giờ có thể đưa

with what machine vision can do.

ra những gì thị giác máy có thể làm được.

Pathologists often argue about a slide,

Các nhà bệnh lý học thường tranh luận

about what does it really show?

về những gì nó thực sự hiển thị?

But with this ability of machine eyes,

Nhưng với khả năng này của mắt máy,

the driver genomic mutations of the cancer can be defined,

các đột biến gen điều khiển của ung thư có thể được xác định,

no less the structural copy number variants

không kém các biến thể số bản sao cấu trúc

that are accounting or present in that tumor.

đang tính toán hoặc hiện diện trong khối u đó.

Also, where is that tumor coming from?

Ngoài ra, khối u đó đến từ đâu?

For many patients, we don’t know.

Với nhiều bệnh nhân, chúng tôi không rõ

But it can be determined through AI.

Nhưng lại có thể xác định được bằng AI.

And also the prognosis of the patient,

Và cả tiên lượng của bệnh nhân,

just from the slide,

chỉ từ slide,

by all of the training.

bằng tất cả các khóa đào tạo.

Again, this is all just convolutional neural networks,

Một lần nữa, đây chỉ là mạng nơ- ron chập chập,

not transformer models.

không phải mô hình máy biến áp.

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

Vì vậy, khi chúng ta chuyển từ mạng nơron sâu sang mô hình biến áp,

this classic pre-print,

bản in trước cổ điển này,

one of the most cited pre-prints ever,

một trong những bản in trước được trích dẫn nhiều nhất,

"Attention is All You Need,"

“Sự chú ý là mọi thứ bạn cần”

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

khả năng bây giờ có thể xem xét nhiều mục hơn, cho

whether it be language or images,

dù đó là ngôn ngữ hay hình ảnh,

and be able to put this in context,

và có thể đặt điều này vào bối cảnh,

setting up a transformational progress in many fields.

thiết lập một tiến bộ chuyển đổi trong nhiều lĩnh vực.

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

Nguyên mẫu là, phần phát triển của nó là GPT-4.

With over a trillion connections.

Với hơn một nghìn tỷ kết nối.

Our human brain has 100 trillion connections or parameters.

Bộ não con người của chúng ta có 100 nghìn tỷ kết nối hoặc thông số.

But one trillion,

Nhưng một nghìn tỷ,

just think of all the information, knowledge,

chỉ cần nghĩ đến tất cả thông tin, kiến thức,

that's packed into those one trillion.

được đóng gói trong một nghìn tỷ đó.

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

Và thật thú vị, điều này bây giờ là đa phương thức với ngôn ngữ, với hình ảnh,

with speech.

với lời nói.

And it involves a massive amount of graphic processing units.

Và nó liên quan đến một số lượng lớn các đơn vị xử lý đồ họa.

And it's with self-supervised learning,

Và đó là với việc học tập tự giám sát, đây

which is a big bottleneck in medicine

là một nút thắt lớn trong y học

because we can't get experts to label images.

vì chúng ta không thể khiến các chuyên gia dán nhãn hình ảnh .

This can be done with self-supervised learning.

Điều này có thể được thực hiện với việc học tự giám sát.

So what does this set up in medicine?

Vậy nó thiết lập điều gì trong y học?

It sets up, for example, keyboard liberation.

Nó thiết lập, ví dụ, giải phóng bàn phím.

The one thing that both doctors, clinicians

Một điều mà cả bác sĩ, bác sĩ lâm sàng

and patients would like to see.

và bệnh nhân đều muốn thấy.

Everyone hates being data clerks as clinicians,

Mọi người đều ghét làm nhân viên dữ liệu với tư cách là bác sĩ

and patients would like to see their doctor

lâm sàng và bệnh nhân muốn gặp bác sĩ của họ

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

khi cuối cùng họ có chuyến thăm mà họ đã chờ đợi trong một thời gian dài.

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

Vì vậy, khả năng thay đổi tiếp xúc trực tiếp chỉ

is just one step along the way.

là một bước trên đường đi.

By having the liberation from keyboards with synthetic notes

Bằng cách giải phóng khỏi bàn phím với các ghi chú tổng hợp được

that are driven, derived from the conversation,

điều khiển, bắt nguồn từ cuộc trò chuyện,

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

và sau đó là tất cả các chức năng thư ký dữ liệu ở hạ nguồn được thực hiện,

often off-hours.

thường là ngoài giờ.

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

Bây giờ chúng ta đang thấy trong các hệ thống y tế trên khắp Hoa Kỳ,

where people, physicians are saving many hours of time

nơi mọi người, bác sĩ đang tiết kiệm nhiều giờ thời gian

and heading towards ultimately keyboard liberation.

và hướng tới giải phóng bàn phím cuối cùng.

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

Gần đây, chúng tôi đã xuất bản, với nhóm tại Viện Mắt Moorfields,

led by Pearse Keane,

dẫn đầu bởi Pearse Keane,

the first foundation model in medicine from the retina.

mô hình nền tảng đầu tiên trong y học từ võng mạc.

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

Bạn có nhớ tám điều khác nhau đều được thực hiện bởi các nghiên cứu riêng biệt?

This was all done with one model.

Tất cả đều được thực hiện với một mô hình.

This is with 1.6 million retinal images

Đây là với 1,6 triệu hình ảnh võng mạc

predicting all these different outcome likelihoods.

dự đoán tất cả các khả năng kết quả khác nhau này.

And this is all open-source,

Và tất cả đều là mã nguồn mở,

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

điều tất nhiên quan trọng vì người khác có thể phát triển dựa trên chúng

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

Bây giờ tôi chỉ muốn xem xét một vài bệnh nhân thực sự thú vị.

Andrew, who is now six years old.

Andrew, hiện đã sáu tuổi.

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

Ông đã trải qua ba năm đau đớn không ngừng gia tăng, ngừng tăng trưởng.

His gait suffered with a dragging of his left foot,

Dáng đi của anh bị ảnh hưởng bởi một cú kéo chân trái,

he had severe headaches.

anh bị đau đầu dữ dội.

He went to 17 doctors over three years.

Ông đã đi khám 17 bác sĩ trong ba năm.

His mother then entered all his symptoms into ChatGPT.

Mẹ anh sau đó đã nhập tất cả các triệu chứng của anh vào ChatGPT.

It made the diagnosis of occulta spina bifida,

Nó đưa ra chẩn đoán mắc chứng occulta spina bifida, điều

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

nghĩa là anh ta có một tủy sống cố định và đã bị 17 bác sĩ bỏ qua

over three years.

tận ba năm

He had surgery to release the cord.

Anh ta đã phẫu thuật để thả dây thừng.

He's now perfectly healthy.

Bây giờ anh ấy hoàn toàn khỏe mạnh.

(Applause)

(Vỗ tay)

This is a patient that was sent to me,

Đây là một bệnh nhân được gửi đến cho tôi,

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

người đã phải chịu đựng, cô ấy được cho biết, đã bị COVID kéo dài.

She saw many different physicians, neurologists,

Cô đã gặp nhiều bác sĩ, bác sĩ thần kinh khác nhau

and her sister entered all her symptoms after getting nowhere,

và em gái cô đã nhập tất cả các triệu chứng sau khi không đến đâu,

no treatment for long COVID,

không điều trị COVID lâu dài

there is no treatment validated,

không phương pháp nào phê chuẩn

and her sister put all her symptoms into ChatGPT.

và em gái cô đã đưa tất cả các triệu chứng của mình vào ChatGPT.

It found out it actually was not long COVID,

Nó phát hiện ra thực sự không lâu COVID,

she had limbic encephalitis, which is treatable.

cô ấy bị viêm não limbic, có thể điều trị được.

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

Cô ấy đã được đối xử, và bây giờ cô ấy đang làm rất tốt.

But these are not just anecdotes anymore.

Nhưng đây không chỉ là giai thoại nữa.

70 very difficult cases

70 trường hợp rất khó khăn

that are the clinical pathologic conferences

là các hội nghị bệnh lý lâm sàng

at the New England Journal of Medicine

tại Tạp chí Y học New England

were compared to GPT-4,

đã được so sánh với GPT-4

and the chatbot did as well

và chatbot đã làm tốt hơn

or better than the expert master clinicians

hoặc tốt hơn các bác sĩ lâm sàng chuyên gia trong việc chẩn đoán

in making the diagnosis.

.

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

Vì vậy tôi muốn kết thúc bài nói bằng cuộc trò chuyện gần đây với đồng nghiệp

Medicine is still an apprenticeship,

Y học vẫn là một khóa học nghề,

and Andrew Cho is 30 years old,

và Andrew Cho đã 30 tuổi,

in his second year of cardiology fellowship.

trong năm thứ hai học bổng tim mạch.

We see all patients together in the clinic.

Chúng tôi gặp tất cả bệnh nhân trong phòng khám.

And at the end of clinic the other day,

Và vào cuối phòng khám hôm trước,

I sat down and said to him,

tôi ngồi xuống và nói với anh ấy,

"Andrew, you are so lucky.

“Andrew, anh thật may mắn.

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

Bạn sẽ thực hành y học trong thời đại giải phóng bàn phím.

You're going to be connecting with patients

Bạn sẽ kết nối với bệnh nhân theo cách

the way we haven't done for decades."

chúng tôi đã không làm trong nhiều năm”.

That is the ability to have the note

Đó là khả năng ghi chú

and the work from the conversation

và công việc từ cuộc trò chuyện

to derive things like pre-authorization,

để rút ra những thứ như ủy quyền trước,

billing, prescriptions, future appointments --

thanh toán, kê đơn, các cuộc hẹn trong tương lai -

all the things that we do,

mọi việc chúng tôi làm,

including nudges to the patient.

bao gồm việc thúc đẩy bệnh nhân.

For example, did you get your blood pressure checks

Ví dụ, bạn có kiểm tra huyết áp không

and what did they show

và chúng cho thấy gì

and all that coming back to you.

và tất cả chúng sẽ đến với bạn.

But much more than that,

Nhưng hơn thế nữa,

to help with making diagnoses.

để giúp chẩn đoán.

And the gift of time

Và món quà của thời gian

that having all the data of a patient

là có tất cả dữ liệu của một bệnh nhân

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

được thu thập trước khi gặp bệnh nhân.

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

Tất cả sự hỗ trợ này thay đổi tương lai của mối quan hệ bệnh nhân-bác sĩ,

bringing in the gift of time.

mang lại món quà của thời gian.

So this is really exciting.

Vì vậy, điều này thực sự thú vị.

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

Tôi nói với Andrew, tất nhiên mọi thứ phải được xác nhận

that the benefit greatly outweighs any risk.

rằng lợi ích vượt trội hơn bất kỳ rủi ro nào.

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

Đây thực sự là một thời điểm đáng chú ý cho tương lai của ngành chăm sóc sức khỏe,

it's so damn exciting.

nó thật thú vị.

Thank you.

Cảm ơn bạn.

(Applause)

(Vỗ tay)