I've had the real fortune of working at Scripps Research for the last 17 years. It's the largest nonprofit biomedical institution in the country. And I've watched some of my colleagues, who have spent two to three years to define the crystal 3-D structure of a protein.
Az elmúlt 17 évben szerencsém volt a Scripps Researchnél dolgozni. Ez az ország legnagyobb nonprofit orvosbiológiai intézménye. Néhány kollégám két-három évet töltött fehérje 3D-s kristályszerkezetének meghatározásával.
Well, now that can be done in two or three minutes. And that's because of the work of AlphaFold, which is a derivative of DeepMind, Demis Hassabis and John Jumper, recognized by the American Nobel Prize in September.
Ez két-három perc alatt elvégezhető. Ez az AlphaFold munkájának köszönhető, amely a DeepMind-os Demis Hassabis és John Jumper fejlesztése, amelyet szeptemberben Albert Lasker-díjjal ismertek el.
What's interesting, this work, which is taking the amino acid sequence in one dimension and predicting the three-dimensional protein at atomic level, [has] now inspired many other of these protein structure prediction models, as well as RNA and antibodies, and even being able to pick up all the missense mutations in the genome, and even being able to come up wit proteins that have never been invented before, that don't exist in nature.
Érdekes, hogy ez a munka, amely az egydimenziós aminosav-szekvenciából atomi szinten jósolja meg a háromdimenziós fehérjét, mára már sok más modellt megihletett fehérjeszerkezetek, RNS és antitestek előrejelzésére, sőt még a genomban lévő összes misszensz mutációt is képes kimutatni, de még a korábban ismeretlen, a természetben nem is létező fehérjéket is felfedezi.
Now, the only thing I think about this is it was a transformer model, we'll talk about that in a moment, in this award, since Demis and John and their team of 30 scientists don't understand how the transformer model works, shouldn't the AI get an asterisk as part of that award?
Arra gondolok, hogy ez átalakító modell volt. Mindjárt beszélünk róla, mivel Demis, John és 30 fős tudóscsoportjuk nem teljesen érti a modell működését. Nem az MI-t illeti a díj egy része?
I'm going to switch from life science, which has been the singular biggest contribution just reviewed, to medicine. And in the medical community, the thing that we don't talk much about are diagnostic medical errors. And according to the National Academy of Medicine, all of us will experience at least one in our lifetime. And we know from a recent Johns Hopkins study that these errors have led to 800,000 Americans dead or seriously disabled each year. So this is a big problem. And the question is, can AI help us? And you keep hearing about the term “precision medicine.” Well, if you keep making the same mistake over and over again, that's very precise.
Az élettudományról, amely óriásit fejlődött, áttérek az orvostudományra. Orvosközösségekben nem sokat beszélünk orvosdiagnosztikai hibákról. Az Országos Orvostudományi Akadémia szerint életünk során legalább egyszer mindenkivel előfordul. Egy nem régi Johns Hopkins kutatásból tudjuk, hogy ezek a hibák évente 800 000 amerikai halálához vagy súlyos fogyatékosságához vezetnek. Tehát ez nagy gond. Kérdés, hogy segíthet-e rajtunk az MI? Folyamatosan hallunk a precíz, személyre szabott orvoslásról. Ha minduntalan ugyanazt a hibát követjük el, az tényleg precíz.
(Laughter)
(Nevetés)
We don't need that, we need accuracy and precision medicine. So can we get there?
Nem erre van szükségünk, hanem pontosságra és személyre szabott orvoslásra. Képesek vagyunk rá?
Well, this is a picture of the retina. And this was the first major hint, training 100,000 images with supervised learning. Could the machine see things that people couldn't see? And so the question was, to the retinal experts, is this from a man or a woman? And the chance of getting it accurate was 50 percent.
Ez a recehártya, a retina képe. Ez volt az első nagy tipp: 100 000 kép oktatása felügyelt tanulással. Megláthat-e a gép olyan dolgokat, amelyeket az emberek nem? A retinaszakértőknek feltett kérdés ez volt: a retina férfitől vagy nőtől származik-e? A pontosság esélye 50% volt.
(Laughter)
(Nevetés)
But the AI got it right, 97 percent. So that training, the features are not even fully defined of how that was possible. Well that gets then to all of medical images. This is just representative, the chest X-ray. And in fact with the chest X-ray, the ability here for the AI to pick up, the radiologists, expert radiologists missing the nodule, which turned out to be picked up by the AI as cancerous, and this is, of course, representative of all of medical scans, whether it’s CT scans, MRI, ultrasound. That through supervised learning of large, labeled, annotated data sets, we can see AI do at least as well, if not better, than expert physicians.
De az MI 97%-ban jól felelt. E tanulás jellemzői nincsenek teljesen meghatározva, hogy miként volt ez lehetséges. Ez az összes orvosi képre vonatkozik. Tipikus eset a mellkasröntgen. Alkalmaztuk az MI felismerési képességét a mellkasi röntgenfelvételre. Tapasztalt radiológusok nem ismerték fel a göböt, amelyet az MI aztán rákosnak talált. Ez minden orvosi vizsgálatra jellemző, legyen szó CT-ről, MRI-ről, ultrahangról. Nagy, címkézett, megjegyzésekkel ellátott adatkészletek felügyelt tanulásából látható, hogy az MI legalább olyan jól végzi a dolgát, ha nem jobban, mint a tapasztalt orvosok.
And 21 randomized trials of picking up polyps -- machine vision during colonoscopy -- have all shown that polyps are picked up better with the aid of machine vision than by the gastroenterologist alone, especially as the day goes on, later in the day, interestingly. We don't know whether picking up all these additional polyps changes the natural history of cancers, but it tells you about machine eyes, the power of machine eyes.
21 véletlenszerű polipfelvétel vizsgálata a kolonoszkópia során végzett gépi látással mind kimutatta, hogy gépi látással a polipok jobban felismerhetők, mint ha szabad szemmel gasztroenterológus végzi, különösen a munkanapja végén. Nem tudjuk, hogy e további polipok kimutatása miatt változik-e a rák természetes lefolyása, de ez sokat mond a gépi látásról, a gépi látás alaposságáról.
Now that was interesting. But now still with deep learning models, not transformer models, we've seen and learned that the ability for computer vision to pick up things that human eyes can't see is quite remarkable. Here's the retina. Picking up the control of diabetes and blood pressure. Kidney disease. Liver and gallbladder disease. The heart calcium score, which you would normally get through a scan of the heart. Alzheimer's disease before any clinical symptoms have been manifest. Predicting heart attacks and strokes. Hyperlipidemia. And seven years before any symptoms of Parkinson's disease, to pick that up. Now this is interesting because in the future, we'll be taking pictures of our retina at checkups. This is the gateway to almost every system in the body. It's really striking. And we'll come back to this because each one of these studies was done with tens or hundreds [of] thousands of images with supervised learning, and they’re all separate studies by different investigators.
Lenyűgöző! De mély tanulási modellekkel, nem átalakító modellekkel, láttuk és megtanultuk, hogy a számítógépes látás olyan dolgok kimutatására képes, amelyeket az emberi szem nem lát, meglehetősen figyelemre méltó. Ez a recehártya, a retina. Ellenőrizhetjük vele a cukorbetegséget és a vérnyomást, a vesebetegséget, a máj- és epehólyag-betegséget. A koszorúerek falában lévő meszes felrakódásokat, amelyeket a szív CT-vizsgálatával szoktak végezni. Az Alzheimer-kórt a klinikai tünetek megnyilvánulása előtt. Szívrohamok és stroke előrejelzését. A magas vérzsírszintet. Hét évvel a Parkinson-kór tünetei előtt a kór felismerhető. Ez érdekes, mert a jövőben vizsgálatkor retinánkról fényképet készítünk. Ez a kapu a test szinte minden rendszeréhez. Tényleg megdöbbentő. Erről még szó lesz, mert a vizsgálatok felügyelt tanulással több tíz- vagy százezer képpel készültek, és mindegyik tanulmányt más-más kutatók végezték.
Now, as a cardiologist, I love to read cardiograms. I've been doing it for over 30 years. But I couldn't see these things. Like, the age and the sex of the patient, or the ejection fraction of the heart, making difficult diagnoses that are frequently missed. The anemia of the patient, that is, the hemoglobin to the decimal point. Predicting whether a person, who's never had atrial fibrillation or stroke from the ECG, whether that's going to likely occur. Diabetes, a diagnosis of diabetes and prediabetes, from the cardiogram. The filling pressure of the heart. Hypothyroidism and kidney disease. Imagine getting an electrocardiogram to tell you about all these other things, not really so much about the heart.
Kardiológusként szeretek kardiogramokat olvasni. Több mint 30 éve csinálom. De néhány dolgot még nem láttam, pl. a beteg korát és nemét, vagy a szív kilökődési frakcióját. Összetett diagnózisokat végeztettünk, melyekben gyakran van hiba. A beteg vérszegénységét, vagyis hemoglobint tizedes pontossággal. Annak előrejelzése, hogy akinek az EKG szerint sosem volt pitvar-fibrillációja vagy sztrókja, ez valószínűleg bekövetkezne-e. Cukorbetegség és a prediabétesz diagnózisa a kardiogramból. A szív töltőnyomása. A pajzsmirigy alulműködése és a vesebetegség. Képzeljék el, hogy az EKG-felvétel ezekről is tájékoztatást nyújt, nem csak a szívről.
Then there's the chest X-ray. Who would have guessed that we could accurately determine the race of the patient, no less the ethical implications of that, from a chest X-ray through machine eyes? And interestingly, picking up the diagnosis of diabetes, as well as how well the diabetes is controlled, through the chest X-ray. And of course, so many different parameters about the heart, which we could never, radiologists or cardiologists, could never be able to come up with what machine vision can do.
Aztán a mellkasröntgen. Ki sejtette volna, hogy gépi látással a mellkas röntgenfelvételéből a beteg rasszát, sőt annak etikai következményeit is pontosan meg tudjuk határozni? Vagy megállapítjuk a cukorbetegséget, és hogy mennyire hatékony a cukorbetegség szabályozása csupán a mellkas röntgenfelvételéből. És persze sok más paramétert is a szívvel kapcsolatban, amelyeket mi, radiológusok vagy kardiológusok soha nem tudnánk meghatározni a gépi látás képessége nélkül.
Pathologists often argue about a slide, about what does it really show? But with this ability of machine eyes, the driver genomic mutations of the cancer can be defined, no less the structural copy number variants that are accounting or present in that tumor. Also, where is that tumor coming from? For many patients, we don’t know. But it can be determined through AI. And also the prognosis of the patient, just from the slide, by all of the training. Again, this is all just convolutional neural networks, not transformer models.
Patológusok gyakran vitáznak egy diáról, hogy az valójában mit mutat? De a gépi látás e képességével meghatározhatjuk a rákot okozó genommutációkat, valamint a daganatban lévő szerkezeti eltérések számát. Azt is, honnan származik a tumor. Sok beteg esetében ezt nem tudjuk. De az MI-vel megállapítható. És a betegre vonatkozó prognózis is, csupán a diáról, az összes tanulás során. Hangsúlyozom, hogy ezek csak konvolúciós neurális hálózatok, nem átalakító modellek.
So when we go from the deep neural networks to transformer models, this classic pre-print, one of the most cited pre-prints ever, "Attention is All You Need," the ability to now be able to look at many more items, whether it be language or images, and be able to put this in context, setting up a transformational progress in many fields.
Amikor a mély neurális hálózatokról átalakító modellekre térünk át, ez a klasszikus preprint, egyik leginkább idézett preprint, a „Csak figyelemre van szükség” lehetővé teszi, hogy sok más elemet is megnézzünk, legyen szó nyelvről vagy képről, és ezt kontextusba illesztve sok területen átalakító haladást eredményez.
The prototype is, the outgrowth of this is GPT-4. With over a trillion connections. Our human brain has 100 trillion connections or parameters. But one trillion, just think of all the information, knowledge, that's packed into those one trillion. And interestingly, this is now multimodal with language, with images, with speech. And it involves a massive amount of graphic processing units. And it's with self-supervised learning, which is a big bottleneck in medicine because we can't get experts to label images. This can be done with self-supervised learning.
Megjelent a GPT-4 prototípus. Több mint egybillió kapcsolatra képes. Emberi agyunknak 100 billió kapcsolata vagy paramétere van. De az egybillió, csak gondoljunk az összes információra, tudásra, amely az egybillióba belefér! E multimodális modell nyelvek, képek és beszéd feldolgozására is alkalmas. Hatalmas mennyiségű grafikus feldolgozó egységet tartalmaz. Az önfelügyelt tanulás elhárítja az orvostudomány egyik nehézségét: hogy szakértők megjegyzéseket fűzzenek a képekhez. Önfelügyelt tanulással ez megoldható.
So what does this set up in medicine? It sets up, for example, keyboard liberation. The one thing that both doctors, clinicians and patients would like to see. Everyone hates being data clerks as clinicians, and patients would like to see their doctor when they finally have the visit they've waited for a long time. So the ability to change the face-to-face contact is just one step along the way. By having the liberation from keyboards with synthetic notes that are driven, derived from the conversation, and then all the downstream normal data clerk functions that are done, often off-hours. Now we're seeing in health systems across the United States where people, physicians are saving many hours of time and heading towards ultimately keyboard liberation.
Mit hoz létre ez az orvostudományban? Pl. megszabadulhatunk a billentyűzettől, a kézi adatrögzítéstől. Ezt az orvosok és a betegek is szívesen vennék. Mindenki utálja, hogy orvosként adatkezelő legyen, és a betegek orvosukkal szeretnék tölteni a rendelési időt, amikor hosszú várakozás után végre bejutnak hozzá. A közvetlen személyes kapcsolat megváltozása csak egy lépés az úton: megszabadulunk a beszélgetésből leszűrt összefoglaló jegyzetkészítéstől, majd a későbbi adatkezeléstől, amelyeket gyakran túlórában szoktunk végezni. Az USA egészségügyi rendszereiben látjuk, hogy az orvosok rengeteg időt takarítanak meg, és végső soron a billentyűzet elhagyása felé haladnak.
We recently published, with the group at Moorfields Eye Institute, led by Pearse Keane, the first foundation model in medicine from the retina. And remember those eight different things that were all done by separate studies? This was all done with one model. This is with 1.6 million retinal images predicting all these different outcome likelihoods. And this is all open-source, which is of course really important that others can build on these models.
Nemrég a Moorfields Eye Institute Pearse Keane vezette csoportjával közzétettük a retináról az orvostudomány első alapmodelljét. Emlékeznek rá, mikor nyolc dolgot nyolc tanulmánnyal végeztek? Mindez egy modellel történt. Ez 1,6 millió retinaképpel jelzi előre a kimeneteli valószínűségeket. Ezek mind nyílt forráskódúak, ami azért fontos, hogy mások e modellekre alapozhassanak.
Now I just want to review a couple of really interesting patients. Andrew, who is now six years old. He had three years of relentlessly increasing pain, arrested growth. His gait suffered with a dragging of his left foot, he had severe headaches. He went to 17 doctors over three years. His mother then entered all his symptoms into ChatGPT. It made the diagnosis of occulta spina bifida, which meant he had a tethered spinal cord that was missed by all 17 doctors over three years. He had surgery to release the cord. He's now perfectly healthy.
Most csak néhány igazán érdekes beteget szeretnék bemutatni. Andrew most hatéves. Három éve könyörtelenül növekvő fájdalma van, növekedése megállt. Járáskor bal lábát húzza, súlyos fejfájás kínozza. A három év alatt 17 orvosnál járt. Édesanyja ezután minden tünetét beírta a ChatGPT-be. A ChatGPT rejtett nyitott gerincet, spina bifida occultát diagnosztizált, amelyet a 17 orvos egyike sem vett észre három év alatt. A zárást gerinvelő-műtéttel oldották meg. Most már tökéletesen egészséges.
(Applause)
(Taps)
This is a patient that was sent to me, who was suffering with, she was told, long COVID. She saw many different physicians, neurologists, and her sister entered all her symptoms after getting nowhere, no treatment for long COVID, there is no treatment validated, and her sister put all her symptoms into ChatGPT. It found out it actually was not long COVID, she had limbic encephalitis, which is treatable. She was treated, and now she's doing extremely well.
Ez a páciens hozzám került. Azt mondták neki, hogy ún. hosszú COVID-tól szenved. Sok orvosnál, neurológusnál járt, sikertelenül, mígnem nővére beírta az összes tünetét. A hosszú COVID-ot nem kezelték, mivel nincs rá hatékony gyógymód. Nővére minden tünetét a ChatGPT-be írta. Kiderült, hogy valójában nem hosszú COVID-ban, hanem limbikus agyvelőgyulladásban szenved, amely kezelhető. Meggyógyították, és most kiválóan érzi magát.
But these are not just anecdotes anymore. 70 very difficult cases that are the clinical pathologic conferences at the New England Journal of Medicine were compared to GPT-4, and the chatbot did as well or better than the expert master clinicians in making the diagnosis.
De ezek már nem csak anekdoták. A New England Journal of Medicine klinikai kórtani konferenciáján 70 nagyon nehéz esetet hasonlítottak össze GPT-4-gyel. A chatbot a diagnózis felállításában ugyanolyan jól vagy még jobban teljesített, mint a legjobb, legtapasztaltabb orvosok.
So I just want to close with a recent conversation with my fellow. Medicine is still an apprenticeship, and Andrew Cho is 30 years old, in his second year of cardiology fellowship. We see all patients together in the clinic. And at the end of clinic the other day, I sat down and said to him, "Andrew, you are so lucky. You're going to be practicing medicine in an era of keyboard liberation. You're going to be connecting with patients the way we haven't done for decades." That is the ability to have the note and the work from the conversation to derive things like pre-authorization, billing, prescriptions, future appointments -- all the things that we do, including nudges to the patient. For example, did you get your blood pressure checks and what did they show and all that coming back to you. But much more than that, to help with making diagnoses. And the gift of time that having all the data of a patient that's all teed up before even seeing the patient. And all this support changes the future of the patient-doctor relationship, bringing in the gift of time. So this is really exciting. I said to Andrew, everything has to be validated, of course, that the benefit greatly outweighs any risk. But it is really a remarkable time for the future of health care, it's so damn exciting.
Végül egy beszélgetés a társammal. Az orvostudomány még mindig gyakornoki képzés. A 30 éves Andrew Chónak ez a második éve, hogy rezidensként kardiológiát tanul. Minden beteget együtt vizsgálunk a klinikán. A minap a munkanap végén leültem, és azt mondtam neki: „Andrew, annyira szerencsés vagy! Az orvosláshoz hamarosan nem kell adatrögzítéssel bíbelődnöd. Betegeiddel úgy fogsz kapcsolatba lépni , ahogy évtizedek óta nem lehetett.” Ha rögzítve vannak a páciens adatai, a rendelésen személyesen beszélgethetünk vele, és a gépre bízhatjuk előzetes engedélyek, számlák, receptek kiállítását, kontrollra időpontfoglalást, mindazt, amit ma magunk végzünk, ide értve a páciens noszogatását is: „Megkapta a vérnyomáseredményét, és mit mutat?” Rögtön az eredményhez jutunk. Ez sokkal több, minthogy segítsen diagnózisok felállításában. Az idő ajándéka, hogy a beteg összes adata megvan, mielőtt még a pácienst látnánk. E támogatás megváltoztatja a beteg-orvos kapcsolat jövőjét, ha felhasználjuk ezt az ajándékot. Ez roppant izgalmas. Azt mondtam Andrew-nak, hogy persze, mindent meg kell erősíteni, hogy az előny lényegesen haladja meg a kockázatokat. De ez tényleg figyelemre méltó időszak az orvoslás jövője szempontjából, átkozottul izgalmas!
Thank you.
Köszönöm.
(Applause)
(Taps)