grazie mille ogni generazione
le tecnologie emergenti convergono e
qualcosa di rivoluzionario accade così
il caso con intelligenza artificiale o
lo conosciamo come AI che sta per portare
su un’altra rivoluzione industriale voi
rivedi il giorno in prima Industrial
La rivoluzione era basata sul fatto
che avevamo scoperto la fonte di
potere artificiale precedente a quello in
Rivoluzione agricola tutto noi
fatto o fatto era attraverso i nostri muscoli
potere o potenza animale l’innovazione di
La rivoluzione industriale era basata sul
fatto che avevamo sfruttato la sensazione di vapore
potere fossile per scoprire cose e fare
le cose nel modo in cui lo vogliamo in seguito
strada abbiamo trovato elettricità e che
ci ha aiutato a elettrizzare tutto ora con
l’avvento dei computer internet e il
enormi quantità di dati che siamo
raccogliendo siamo in prima linea negli anni
di noi chiamiamo ancora intelligenza artificiale
un’altra fonte di potere artificiale per
migliorare ciò che facciamo ed è tutto intorno
noi lo vedi in Netflix che consiglia
film per te lo vedi in Amazon
consigliarti prodotti che vedi
quello nei tuoi snapchats che creano quelli
i filtri divertenti ai sono ancora intorno a noi
non è nei posti che deve essere
abbiamo modi migliori per scegliere i prodotti
su Amazon di quanto facciamo nel consigliare
piani di trattamento ottimali per il cancro
i pazienti e quella è un’area che AI
rivoluzionerà questa è l’ assistenza sanitaria
questa è l’immagine di una TC del torace a
L’università di Harvard studia molto
ai radiologi addestrati è stato chiesto di guardare
per segni di cancro ai polmoni in una serie di
immagini come queste sorprendentemente fuori
di 24 radiologi non è riuscito a scoprire
che c’è un gorilla peloso incorporato
in questa immagine
e questa non è un’accusa di
radiologi che sono altrimenti altamente
addestrati sono brillanti e qualificati
praticante del loro campo comunque
è un’indicazione che abbiamo inerente
in abilità e limitazioni che
fare in ostacolo su ciò che guardiamo e quello
causa la mancanza di diagnosi e in definitiva
trattamento scorretto che può essere delicato
mentale per i pazienti, quindi io sono un
scienziato del cancro computazionale cosa faccio
stiamo sviluppando un algoritmo AI che può
entra automaticamente e leggi questo
imaging medico in particolare nel mio campo
patologia digitale o tessuto patologico
diapositive e in grado non solo di fornire
diagnosi ma saltare un passo e prevedere
quale è il risultato del paziente oncologico
sarà e che ci aiuta a capire
fuori un ottimo a curato un personalizzato
piano di trattamento per i malati di cancro che
è veramente carente al momento e volontà
Parlerò un po ‘ più in dettaglio
come è il piano di trattamento al momento
quindi passiamo attraverso l’ attuale clinica
flusso di lavoro di un malato di cancro se a
il paziente è sospettato di avere un tumore o
anomalie una biopsia viene eseguita un piccolo
il campione di tessuto viene prelevato per ulteriori
indagine abbiamo significativo
progressi ora per digitalizzare quel campione
quindi non è più necessario guardare a
microscopio puoi guardare questo nel nostro
computer un patologo
quindi investiga e guarda ulteriormente
questi tessuti scivolano per capire se
c’è un cancro se c’è poi cosa
è l’estensione di questo cancro quello che loro
guardare è il cambiamento molecolare che
si manifestano sulle cellule delle cellule
cambia dimensione e forma e trama e
in alcuni casi l’orientamento e questo
processo è chiamato grading perché a
il patologo assegnerà quindi un voto
il voto migliora la prognosi più in alto
il voto più aggressivo è il
malattie quindi per esempio su una proteina
Cancro alla prostata uh c’è una rubrica
si chiama classificazione Gleason Gleason
schema potrebbe apparire un cancro di grado tre
come questo ci sono certe forme e
dimensione delle cellule e delle ghiandole che sono
osservato da un patologo allo stesso modo a
il grado quattro può essere simile a quello del grado
cinque e questo è basato su un patologo
gestito leggendo queste diapositive e
determinare il palco una volta che lo stadio è
capito che un piano di trattamento è
i medici suggeriti si riuniscono e
guardano a precedenti studi clinici o
risultato da pazienti che avevano simili
grandi e guardano alla media
risposta al trattamento di quei pazienti e
un piano di trattamento è adeguato per quello
malati di cancro pochi problemi con questo
prima di tutto sappiamo tutti che siamo tutti
la diversa biologia del cancro è complessa
ci sono migliaia di fattori
causa il cancro e questo causa il cancro
trattare la media come la chiamano
termini medici non è sempre un ottimo
piano o non sbaglia mai ma non lo fa
lavorare sempre per il paziente in secondo luogo
la lettura di queste diapositive patologiche
sono molto soggettivi, ci sono volte
dove i patologi non hanno un accordo
tra di loro in particolare sul
casi limite che dicono la forma e
le dimensioni delle cellule possono differire
aspetto a un patologo contro
altro a seconda del numero di anni
di formazione hanno l’istituzione
sono venuti fuori dal terzo posto
città nel mondo in cui l’intero
la città ha solo due patologi e allora
facciamo alla Case Western University sotto
dr. nel laboratorio di malucci manteniamo questi obiettivi
mente e trovare un’IA che può
legge automaticamente sull’imaging digitale
qui che è la patologia del tessuto e
sviluppare questo algoritmo che può valutare
esso
e non solo solo valutarlo e prevederlo
a quel punto se questo paziente sta per
diventare aggressivi o non ce ne sono due
benefici di ciò in primo luogo se il paziente
si prevede che diventerà un aggressivo
malattia possiamo trattarla di conseguenza
se il tumore non sta per diventare
aggressivo quindi potremmo semplicemente optare per un
trattamento minimo per esempio nel seno
il cancro ci sono i rapporti suggeriscono
che quasi il 50% delle donne non ha bisogno
chemioterapia e loro possono solo andare loro
potrebbe sopravvivere solo con la terapia ormonale
ma non abbiamo un tema o un
predittore che può dirci con precisione
quella
allo stesso modo nel cancro alla prostata se possiamo
prevedere se la recidiva biochimica o
il cancro sta per tornare o dentro
altre parole sarà un
malattia aggressiva quindi possiamo trattarla
di conseguenza e può e per inferiore
malattia aggressiva che non dobbiamo
fornire chemioterapia o attivo
sorveglianza che chiamano solo guardare e
aspetta così come andiamo ad allenarci
AI piace così bene che può leggere a
diapositiva patologia quindi voglio dare un
esempio da quello che voi ragazzi potreste essere
familiarità con il riconoscimento facciale
il modo in cui l’algoritmo di riconoscimento facciale
funziona è che cerca la matematica
relazioni a livello di pixel
definire un volto una volta che lo ha fatto
costruisce una relazione matematica
questo è unico per quella faccia così per
esempio genera il volto di Will Ferrell
questa firma unica che è solo
unico al suo viso e questi sono complessi
relazioni matematiche sebbene
sono solo numeri così la prossima volta in a
serie di immagini o video la sua faccia
arriva e questo è tutto ciò che sta ottenendo
taggato o riconosciuto vedi il
applicazione di questo nel tagging di Facebook
vedi questo e snapchat ora vedi
questo molti altri posti in effetti il nuovo
iPhone ha una tecnologia simile ma è così
guarda piuttosto roba tridimensionale
che bidimensionale prendendo questo ulteriormente
il primo passo per farci leggere questo
diapositive patologia è per capire dove
le cellule sono e questo è chiamato a
riconoscimento di oggetti o segmentazione dell’immagine
in IA quindi voglio dargli un generale
esempio di come l’IA lo fa o come noi
costruito questo c’è un’immagine qui e
c’è un simbolo R che è la mia alma
mater Rutgers University simboleggia un AI
inizia con una forma arbitraria ovviamente
non ha idea di cosa stia cercando ma
quando infondiamo informazioni e conoscenza
e schema matematico è in grado di andare
dentro e inizia con questa forma arbitraria
ma in realtà si conforma a R e alla via
lo sta facendo usando la fisica
termodinamica, risparmio energetico
quello che facciamo è prendere questa immagine e
trasformalo in un campo di energie e così
usiamo i principi noti di
matematica e alleniamo la nostra intelligenza artificiale a guardare
per queste fonti di energie in un
immagine e come sappiamo dalla fisica
c’è un processo di equilibrio e questo
raggiunge un equilibrio quando viene trovato
l’oggetto sta cercando e come hai visto
che si è evoluto e si è esteso a quello
oggetto
allo stesso modo in patologia ci occupiamo di a
molte cose ellittiche in natura
tuttavia sono a volte entrambi
collegato sovrapposto o appena occluso a
addestrare quello che abbiamo fatto qui è che abbiamo
un’ellisse che possiamo vedere, ma c’è a
barra che scorre attraverso un’ellisse
e questo confonde una macchina che non lo fa
avere una conoscenza di come appare l’ellisse
in questo modo siamo arrivati con un AI che
impara le forme e le dimensioni dell’ellisse
ed è in grado di generalizzare così se tu
vedi qui è in grado di evolvere e ignorare
la barra e restituisce l’ellisse indietro così
ora siamo pronti a far entrare l’intelligenza artificiale e
guarda l’intera scala di un digitale
immagine di patologia tissutale digitale e qui
è questo è immagine di tessuto un microarray
di un cancro alla prostata il colore codificato
gli oggetti che vedi sono le celle che sono
entrato e accuratamente identificato tutto
il cellulare è anche se lo sono
toccando sovrapposti e cose così sono
ingrandirò un po ‘il lato sinistro di te
vedere
nel contorno verde l’ IA è in grado di entrare e
restituiscici le cellule su questo è molto
passo importante qui ora che in realtà
conoscere la cella in cui si trovano le cellule e e
ciò che i confini sono siamo in grado di andare
e quindi eseguire misurazioni delle dimensioni della forma
il loro orientamento è la loro consistenza
proprio come farebbe un patologo , ma ora
in realtà abbiamo un modo quantitativo di
facendo questo in modo simile con la faccia
algoritmo ora possiamo generarlo
firma unica di questo tumore che è
unica per quel paziente, allora corriamo è
attraverso qualcosa chiamato macchina
algoritmo di apprendimento impara il
firma e crea un modello una volta noi
avere questo modello ora possiamo nutrirci
migliaia di casi precedenti di pazienti
chi sia sopravvissuto al cancro o chi
non sopravvissuto al cancro che erano a
il cancro ad alto rischio all’inizio erano
cancro a basso rischio e come il loro follow-up
abbiamo preso tutte queste informazioni e
AI allora impara perché è in grado di
vedere queste cellule e essere in grado di
misurandoli quantificabili siamo andati oltre
che in realtà iniziamo a guardare cosa
succede a una struttura cellulare quando quando a
il cancro scrive il tessuto o il molecolare
livello in realtà ha cambiato il loro
orientamento e questo è qualcosa di molto
difficile da vedere con l’ occhio umano tu
può vedere sul lato destro l’IA
effettivamente creato piccole frecce che
indica che orientamento questi
le celle sono e quindi questa è un’altra caratteristica
in genere è molto difficile
apprezzare con l’occhio umano ma possiamo
fai questo in modo quantificabile
in realtà un grafico di Facebook e il motivo
perché l’ho portato qui è quello
quando siamo su Facebook dove una entità
immaginiamolo come un tessuto o mondo
come immagine di un tessuto se vuoi un grande
immagine del tessuto e siamo tutti a celle
volte le nostre connessioni sono vicine a ciascuna
altri a volte siamo più lontani da ciascuno
altro quindi cosa fa Facebook è così
crea questo grafico matematico o a
Rete
proprio così e questo li aiuta
prevedere chi dovrebbe essere il tuo prossimo amico
ed è così che è in grado di dirti
bene puoi conoscere questa persona, ecco come
Netflix ti dice che bene questo è un
film ti è piaciuto bene e la rete
grafico delle cose e grande schema di
cose che ti potrebbero piacere così abbiamo preso un
pagina fuori da questo e noi così se tu vai
torniamo all’immagine qui bene questi sono
tutte le cellule ma occhio umano non possiamo dirlo
le relazioni qui ma possiamo fare
qualcosa con questo algoritmo che io
appena parlato di creato matematicamente
relazioni tra loro e questo è
esattamente quello che abbiamo fatto, questo è un altro
immagine del tessuto e lì abbiamo creato un
algoritmo qualsiasi occhio che effettivamente entra
e cerca queste reti di
relazioni matematicamente così dalla
ingrandisci un po ‘ qui puoi notare
qui in diversi colori ci sono
reti più piccole che appaiono la
interessante di questo è che ci sono
questi schemi ricorrenti che possono
prevedere se questo cancro sta per
diventare aggressivo o meno se questo cancro
sta per tornare o no e noi
può iniziare il beneficio di fare un tale
cosa
è che ora dà una vasta gamma di
opzioni per i medici non solo fare affidamento
su quel paziente medio in precedenza ma
ora possiamo prendere in considerazione questi fattori e noi
avere un modo di prevedere se questo
il paziente diventerà aggressivo e
trattali in questo modo e se del paziente
non diventerà aggressivo, no
Dare loro la chemioterapia, quindi quello che abbiamo fatto è
abbiamo fatto esperimenti come tutti gli scienziati
abbiamo eseguito su 251 immagini di cancro al seno queste
erano donne che avevano un linfonodo negativo
er cancri al seno positivi a sinistra
come immagine tessutale di una prima recidiva
la recidiva precoce significa che il cancro è tornato
abbastanza rapidamente, aggressivamente e via
il diritto abbiamo la morte lontana
ricorrenza che significa la prognosi
era buono il cancro non è tornato per
per molto tempo
ai era perfettamente in grado di identificarli
e
le immagini qui sono minuscole da apprezzare
ma questi sono tutti basati sul grafico
reti che abbiamo creato e quelle
le reti erano una che siamo in grado di creare
a causa delle cellule che eravamo in grado
per identificare e quelle misure noi
sono stati in grado di fare e le relazioni
che abbiamo costruito questi fattori nascosti
e schemi che non abbiamo mai potuto vedere
con gli occhi umani ora tutti gli occhi possono vedere
e capire le previsioni che eravamo
in grado di fare il 76% ma con il test che
abbiamo fatto e quel numero potrebbe non essere come
impressionante per altri scienziati informatici
ma questo è significativo se continui
mente che lo stato attuale di at
test di laboratorio che effettivamente fa
qualcosa di simile può fare solo fino a 66
per cento e ci vogliono circa due settimane
costano $ 4,000 ed è solo limitato a
California così devono essere i vetrini
spedito lì può essere fatto in
due ore su una rete cloud in tutto il mondo
abbiamo eseguito un’altra serie di test o
esperimenti su testa, collo e tumore
immagismo cancro faringeo orale eravamo
in grado di distinguere tra i progressi
e non progredisce aggressivo contro non
progredisce ma 90 percento e ancora così
questo era solo un altro elemento di noi
testato abbiamo anche fatto un cancro alla prostata
lo abbiamo anche fatto per il cancro ai polmoni, quindi
Alla fine voglio dire che siamo solo a
l’inizio dell’inizio siamo
solo la prima ora di questa rivoluzione
di IA e non venderemo che non lo siamo
risolverà il cancro clinicamente classico
prove ma abbiamo questo nuovo arsenale nuovo
strumento che ci aiuterà a curare e
personalizzare un piano di trattamento per ogni
malato di cancro perché ogni cancro
il paziente merita davvero di avere il proprio
equazione grazie
[Applausi]
le tecnologie emergenti convergono e
qualcosa di rivoluzionario accade così
il caso con intelligenza artificiale o
lo conosciamo come AI che sta per portare
su un’altra rivoluzione industriale voi
rivedi il giorno in prima Industrial
La rivoluzione era basata sul fatto
che avevamo scoperto la fonte di
potere artificiale precedente a quello in
Rivoluzione agricola tutto noi
fatto o fatto era attraverso i nostri muscoli
potere o potenza animale l’innovazione di
La rivoluzione industriale era basata sul
fatto che avevamo sfruttato la sensazione di vapore
potere fossile per scoprire cose e fare
le cose nel modo in cui lo vogliamo in seguito
strada abbiamo trovato elettricità e che
ci ha aiutato a elettrizzare tutto ora con
l’avvento dei computer internet e il
enormi quantità di dati che siamo
raccogliendo siamo in prima linea negli anni
di noi chiamiamo ancora intelligenza artificiale
un’altra fonte di potere artificiale per
migliorare ciò che facciamo ed è tutto intorno
noi lo vedi in Netflix che consiglia
film per te lo vedi in Amazon
consigliarti prodotti che vedi
quello nei tuoi snapchats che creano quelli
i filtri divertenti ai sono ancora intorno a noi
non è nei posti che deve essere
abbiamo modi migliori per scegliere i prodotti
su Amazon di quanto facciamo nel consigliare
piani di trattamento ottimali per il cancro
i pazienti e quella è un’area che AI
rivoluzionerà questa è l’ assistenza sanitaria
questa è l’immagine di una TC del torace a
L’università di Harvard studia molto
ai radiologi addestrati è stato chiesto di guardare
per segni di cancro ai polmoni in una serie di
immagini come queste sorprendentemente fuori
di 24 radiologi non è riuscito a scoprire
che c’è un gorilla peloso incorporato
in questa immagine
e questa non è un’accusa di
radiologi che sono altrimenti altamente
addestrati sono brillanti e qualificati
praticante del loro campo comunque
è un’indicazione che abbiamo inerente
in abilità e limitazioni che
fare in ostacolo su ciò che guardiamo e quello
causa la mancanza di diagnosi e in definitiva
trattamento scorretto che può essere delicato
mentale per i pazienti, quindi io sono un
scienziato del cancro computazionale cosa faccio
stiamo sviluppando un algoritmo AI che può
entra automaticamente e leggi questo
imaging medico in particolare nel mio campo
patologia digitale o tessuto patologico
diapositive e in grado non solo di fornire
diagnosi ma saltare un passo e prevedere
quale è il risultato del paziente oncologico
sarà e che ci aiuta a capire
fuori un ottimo a curato un personalizzato
piano di trattamento per i malati di cancro che
è veramente carente al momento e volontà
Parlerò un po ‘ più in dettaglio
come è il piano di trattamento al momento
quindi passiamo attraverso l’ attuale clinica
flusso di lavoro di un malato di cancro se a
il paziente è sospettato di avere un tumore o
anomalie una biopsia viene eseguita un piccolo
il campione di tessuto viene prelevato per ulteriori
indagine abbiamo significativo
progressi ora per digitalizzare quel campione
quindi non è più necessario guardare a
microscopio puoi guardare questo nel nostro
computer un patologo
quindi investiga e guarda ulteriormente
questi tessuti scivolano per capire se
c’è un cancro se c’è poi cosa
è l’estensione di questo cancro quello che loro
guardare è il cambiamento molecolare che
si manifestano sulle cellule delle cellule
cambia dimensione e forma e trama e
in alcuni casi l’orientamento e questo
processo è chiamato grading perché a
il patologo assegnerà quindi un voto
il voto migliora la prognosi più in alto
il voto più aggressivo è il
malattie quindi per esempio su una proteina
Cancro alla prostata uh c’è una rubrica
si chiama classificazione Gleason Gleason
schema potrebbe apparire un cancro di grado tre
come questo ci sono certe forme e
dimensione delle cellule e delle ghiandole che sono
osservato da un patologo allo stesso modo a
il grado quattro può essere simile a quello del grado
cinque e questo è basato su un patologo
gestito leggendo queste diapositive e
determinare il palco una volta che lo stadio è
capito che un piano di trattamento è
i medici suggeriti si riuniscono e
guardano a precedenti studi clinici o
risultato da pazienti che avevano simili
grandi e guardano alla media
risposta al trattamento di quei pazienti e
un piano di trattamento è adeguato per quello
malati di cancro pochi problemi con questo
prima di tutto sappiamo tutti che siamo tutti
la diversa biologia del cancro è complessa
ci sono migliaia di fattori
causa il cancro e questo causa il cancro
trattare la media come la chiamano
termini medici non è sempre un ottimo
piano o non sbaglia mai ma non lo fa
lavorare sempre per il paziente in secondo luogo
la lettura di queste diapositive patologiche
sono molto soggettivi, ci sono volte
dove i patologi non hanno un accordo
tra di loro in particolare sul
casi limite che dicono la forma e
le dimensioni delle cellule possono differire
aspetto a un patologo contro
altro a seconda del numero di anni
di formazione hanno l’istituzione
sono venuti fuori dal terzo posto
città nel mondo in cui l’intero
la città ha solo due patologi e allora
facciamo alla Case Western University sotto
dr. nel laboratorio di malucci manteniamo questi obiettivi
mente e trovare un’IA che può
legge automaticamente sull’imaging digitale
qui che è la patologia del tessuto e
sviluppare questo algoritmo che può valutare
esso
e non solo solo valutarlo e prevederlo
a quel punto se questo paziente sta per
diventare aggressivi o non ce ne sono due
benefici di ciò in primo luogo se il paziente
si prevede che diventerà un aggressivo
malattia possiamo trattarla di conseguenza
se il tumore non sta per diventare
aggressivo quindi potremmo semplicemente optare per un
trattamento minimo per esempio nel seno
il cancro ci sono i rapporti suggeriscono
che quasi il 50% delle donne non ha bisogno
chemioterapia e loro possono solo andare loro
potrebbe sopravvivere solo con la terapia ormonale
ma non abbiamo un tema o un
predittore che può dirci con precisione
quella
allo stesso modo nel cancro alla prostata se possiamo
prevedere se la recidiva biochimica o
il cancro sta per tornare o dentro
altre parole sarà un
malattia aggressiva quindi possiamo trattarla
di conseguenza e può e per inferiore
malattia aggressiva che non dobbiamo
fornire chemioterapia o attivo
sorveglianza che chiamano solo guardare e
aspetta così come andiamo ad allenarci
AI piace così bene che può leggere a
diapositiva patologia quindi voglio dare un
esempio da quello che voi ragazzi potreste essere
familiarità con il riconoscimento facciale
il modo in cui l’algoritmo di riconoscimento facciale
funziona è che cerca la matematica
relazioni a livello di pixel
definire un volto una volta che lo ha fatto
costruisce una relazione matematica
questo è unico per quella faccia così per
esempio genera il volto di Will Ferrell
questa firma unica che è solo
unico al suo viso e questi sono complessi
relazioni matematiche sebbene
sono solo numeri così la prossima volta in a
serie di immagini o video la sua faccia
arriva e questo è tutto ciò che sta ottenendo
taggato o riconosciuto vedi il
applicazione di questo nel tagging di Facebook
vedi questo e snapchat ora vedi
questo molti altri posti in effetti il nuovo
iPhone ha una tecnologia simile ma è così
guarda piuttosto roba tridimensionale
che bidimensionale prendendo questo ulteriormente
il primo passo per farci leggere questo
diapositive patologia è per capire dove
le cellule sono e questo è chiamato a
riconoscimento di oggetti o segmentazione dell’immagine
in IA quindi voglio dargli un generale
esempio di come l’IA lo fa o come noi
costruito questo c’è un’immagine qui e
c’è un simbolo R che è la mia alma
mater Rutgers University simboleggia un AI
inizia con una forma arbitraria ovviamente
non ha idea di cosa stia cercando ma
quando infondiamo informazioni e conoscenza
e schema matematico è in grado di andare
dentro e inizia con questa forma arbitraria
ma in realtà si conforma a R e alla via
lo sta facendo usando la fisica
termodinamica, risparmio energetico
quello che facciamo è prendere questa immagine e
trasformalo in un campo di energie e così
usiamo i principi noti di
matematica e alleniamo la nostra intelligenza artificiale a guardare
per queste fonti di energie in un
immagine e come sappiamo dalla fisica
c’è un processo di equilibrio e questo
raggiunge un equilibrio quando viene trovato
l’oggetto sta cercando e come hai visto
che si è evoluto e si è esteso a quello
oggetto
allo stesso modo in patologia ci occupiamo di a
molte cose ellittiche in natura
tuttavia sono a volte entrambi
collegato sovrapposto o appena occluso a
addestrare quello che abbiamo fatto qui è che abbiamo
un’ellisse che possiamo vedere, ma c’è a
barra che scorre attraverso un’ellisse
e questo confonde una macchina che non lo fa
avere una conoscenza di come appare l’ellisse
in questo modo siamo arrivati con un AI che
impara le forme e le dimensioni dell’ellisse
ed è in grado di generalizzare così se tu
vedi qui è in grado di evolvere e ignorare
la barra e restituisce l’ellisse indietro così
ora siamo pronti a far entrare l’intelligenza artificiale e
guarda l’intera scala di un digitale
immagine di patologia tissutale digitale e qui
è questo è immagine di tessuto un microarray
di un cancro alla prostata il colore codificato
gli oggetti che vedi sono le celle che sono
entrato e accuratamente identificato tutto
il cellulare è anche se lo sono
toccando sovrapposti e cose così sono
ingrandirò un po ‘il lato sinistro di te
vedere
nel contorno verde l’ IA è in grado di entrare e
restituiscici le cellule su questo è molto
passo importante qui ora che in realtà
conoscere la cella in cui si trovano le cellule e e
ciò che i confini sono siamo in grado di andare
e quindi eseguire misurazioni delle dimensioni della forma
il loro orientamento è la loro consistenza
proprio come farebbe un patologo , ma ora
in realtà abbiamo un modo quantitativo di
facendo questo in modo simile con la faccia
algoritmo ora possiamo generarlo
firma unica di questo tumore che è
unica per quel paziente, allora corriamo è
attraverso qualcosa chiamato macchina
algoritmo di apprendimento impara il
firma e crea un modello una volta noi
avere questo modello ora possiamo nutrirci
migliaia di casi precedenti di pazienti
chi sia sopravvissuto al cancro o chi
non sopravvissuto al cancro che erano a
il cancro ad alto rischio all’inizio erano
cancro a basso rischio e come il loro follow-up
abbiamo preso tutte queste informazioni e
AI allora impara perché è in grado di
vedere queste cellule e essere in grado di
misurandoli quantificabili siamo andati oltre
che in realtà iniziamo a guardare cosa
succede a una struttura cellulare quando quando a
il cancro scrive il tessuto o il molecolare
livello in realtà ha cambiato il loro
orientamento e questo è qualcosa di molto
difficile da vedere con l’ occhio umano tu
può vedere sul lato destro l’IA
effettivamente creato piccole frecce che
indica che orientamento questi
le celle sono e quindi questa è un’altra caratteristica
in genere è molto difficile
apprezzare con l’occhio umano ma possiamo
fai questo in modo quantificabile
in realtà un grafico di Facebook e il motivo
perché l’ho portato qui è quello
quando siamo su Facebook dove una entità
immaginiamolo come un tessuto o mondo
come immagine di un tessuto se vuoi un grande
immagine del tessuto e siamo tutti a celle
volte le nostre connessioni sono vicine a ciascuna
altri a volte siamo più lontani da ciascuno
altro quindi cosa fa Facebook è così
crea questo grafico matematico o a
Rete
proprio così e questo li aiuta
prevedere chi dovrebbe essere il tuo prossimo amico
ed è così che è in grado di dirti
bene puoi conoscere questa persona, ecco come
Netflix ti dice che bene questo è un
film ti è piaciuto bene e la rete
grafico delle cose e grande schema di
cose che ti potrebbero piacere così abbiamo preso un
pagina fuori da questo e noi così se tu vai
torniamo all’immagine qui bene questi sono
tutte le cellule ma occhio umano non possiamo dirlo
le relazioni qui ma possiamo fare
qualcosa con questo algoritmo che io
appena parlato di creato matematicamente
relazioni tra loro e questo è
esattamente quello che abbiamo fatto, questo è un altro
immagine del tessuto e lì abbiamo creato un
algoritmo qualsiasi occhio che effettivamente entra
e cerca queste reti di
relazioni matematicamente così dalla
ingrandisci un po ‘ qui puoi notare
qui in diversi colori ci sono
reti più piccole che appaiono la
interessante di questo è che ci sono
questi schemi ricorrenti che possono
prevedere se questo cancro sta per
diventare aggressivo o meno se questo cancro
sta per tornare o no e noi
può iniziare il beneficio di fare un tale
cosa
è che ora dà una vasta gamma di
opzioni per i medici non solo fare affidamento
su quel paziente medio in precedenza ma
ora possiamo prendere in considerazione questi fattori e noi
avere un modo di prevedere se questo
il paziente diventerà aggressivo e
trattali in questo modo e se del paziente
non diventerà aggressivo, no
Dare loro la chemioterapia, quindi quello che abbiamo fatto è
abbiamo fatto esperimenti come tutti gli scienziati
abbiamo eseguito su 251 immagini di cancro al seno queste
erano donne che avevano un linfonodo negativo
er cancri al seno positivi a sinistra
come immagine tessutale di una prima recidiva
la recidiva precoce significa che il cancro è tornato
abbastanza rapidamente, aggressivamente e via
il diritto abbiamo la morte lontana
ricorrenza che significa la prognosi
era buono il cancro non è tornato per
per molto tempo
ai era perfettamente in grado di identificarli
e
le immagini qui sono minuscole da apprezzare
ma questi sono tutti basati sul grafico
reti che abbiamo creato e quelle
le reti erano una che siamo in grado di creare
a causa delle cellule che eravamo in grado
per identificare e quelle misure noi
sono stati in grado di fare e le relazioni
che abbiamo costruito questi fattori nascosti
e schemi che non abbiamo mai potuto vedere
con gli occhi umani ora tutti gli occhi possono vedere
e capire le previsioni che eravamo
in grado di fare il 76% ma con il test che
abbiamo fatto e quel numero potrebbe non essere come
impressionante per altri scienziati informatici
ma questo è significativo se continui
mente che lo stato attuale di at
test di laboratorio che effettivamente fa
qualcosa di simile può fare solo fino a 66
per cento e ci vogliono circa due settimane
costano $ 4,000 ed è solo limitato a
California così devono essere i vetrini
spedito lì può essere fatto in
due ore su una rete cloud in tutto il mondo
abbiamo eseguito un’altra serie di test o
esperimenti su testa, collo e tumore
immagismo cancro faringeo orale eravamo
in grado di distinguere tra i progressi
e non progredisce aggressivo contro non
progredisce ma 90 percento e ancora così
questo era solo un altro elemento di noi
testato abbiamo anche fatto un cancro alla prostata
lo abbiamo anche fatto per il cancro ai polmoni, quindi
Alla fine voglio dire che siamo solo a
l’inizio dell’inizio siamo
solo la prima ora di questa rivoluzione
di IA e non venderemo che non lo siamo
risolverà il cancro clinicamente classico
prove ma abbiamo questo nuovo arsenale nuovo
strumento che ci aiuterà a curare e
personalizzare un piano di trattamento per ogni
malato di cancro perché ogni cancro
il paziente merita davvero di avere il proprio
equazione grazie
[Applausi]
Please follow and like us:
Be First to Comment