1
00:00:00,000 --> 00:00:04,000
Jag ska börja med att formulera en liten utmaning,

2
00:00:04,000 --> 00:00:07,000
utmaningen att hantera data,

3
00:00:07,000 --> 00:00:09,000
data som vi måste hantera

4
00:00:09,000 --> 00:00:11,000
i medicinska situationer.

5
00:00:11,000 --> 00:00:13,000
Det är verkligen en enorm utmaning för oss.

6
00:00:13,000 --> 00:00:15,000
Detta är vårt lastdjur.

7
00:00:15,000 --> 00:00:17,000
Det är en datortomograf --

8
00:00:17,000 --> 00:00:19,000
en CT-maskin.

9
00:00:19,000 --> 00:00:21,000
Det är en fantastisk apparat.

10
00:00:21,000 --> 00:00:23,000
Den använder röntgenstrålning,

11
00:00:23,000 --> 00:00:26,000
som roterar väldigt snabbt kring människokroppen.

12
00:00:26,000 --> 00:00:28,000
Det tar omkring 30 sekunder att åka igenom hela maskinen

13
00:00:28,000 --> 00:00:30,000
och det genereras enorma mängder information

14
00:00:30,000 --> 00:00:32,000
som kommer ut ur maskinen.

15
00:00:32,000 --> 00:00:34,000
Så det här är en fantastisk maskin

16
00:00:34,000 --> 00:00:36,000
som vi kan använda

17
00:00:36,000 --> 00:00:38,000
för att förbättra hälso- och sjukvården.

18
00:00:38,000 --> 00:00:40,000
Men som jag sa, det är också en utmaning för oss.

19
00:00:40,000 --> 00:00:43,000
Och utmaningen kan man se i den här bilden.

20
00:00:43,000 --> 00:00:45,000
Det är den medicinska dataexplosionen

21
00:00:45,000 --> 00:00:47,000
som vi har just nu.

22
00:00:47,000 --> 00:00:49,000
Vi ställs inför detta problem.

23
00:00:49,000 --> 00:00:51,000
Låt mig gå tillbaka i tiden.

24
00:00:51,000 --> 00:00:54,000
Låt oss gå tillbaka några år i tiden och se vad som hände då.

25
00:00:54,000 --> 00:00:56,000
De här maskinerna som kom ut --

26
00:00:56,000 --> 00:00:58,000
de började komma under 1970-talet --

27
00:00:58,000 --> 00:01:00,000
de scannade människokroppar,

28
00:01:00,000 --> 00:01:02,000
och de genererade omkring 100 bilder

29
00:01:02,000 --> 00:01:04,000
av människokroppen.

30
00:01:04,000 --> 00:01:06,000
Jag har tagit mig friheten, för tydlighets skull,

31
00:01:06,000 --> 00:01:09,000
att översätta det till dataenheter.

32
00:01:09,000 --> 00:01:11,000
Det skulle motsvara ungefär 50 MB,

33
00:01:11,000 --> 00:01:13,000
vilket är lite

34
00:01:13,000 --> 00:01:16,000
när man tänker på informationen vi kan hantera idag

35
00:01:16,000 --> 00:01:18,000
bara på vanliga mobilenheter.

36
00:01:18,000 --> 00:01:20,000
Om man översätter det till telefonkataloger,

37
00:01:20,000 --> 00:01:23,000
blir det ungefär en meterhög stapel av telefonkataloger.

38
00:01:23,000 --> 00:01:25,000
Ser man till det vi gör idag

39
00:01:25,000 --> 00:01:27,000
med de maskiner vi har,

40
00:01:27,000 --> 00:01:29,000
kan vi, på bara några sekunder,

41
00:01:29,000 --> 00:01:31,000
få 24 000 bilder av en kropp.

42
00:01:31,000 --> 00:01:34,000
Det skulle motsvara omkring 20 GB,

43
00:01:34,000 --> 00:01:36,000
eller 800 telefonkataloger.

44
00:01:36,000 --> 00:01:38,000
Högen med telefonkataloger skulle då bli 200 meter hög.

45
00:01:38,000 --> 00:01:40,000
Det som är på väg att hända --

46
00:01:40,000 --> 00:01:42,000
och vi ser att detta är på gång --

47
00:01:42,000 --> 00:01:44,000
en tekniktrend som händer just nu

48
00:01:44,000 --> 00:01:47,000
är att vi även börjar titta på resultat över tid.

49
00:01:47,000 --> 00:01:50,000
Så vi får dynamiken av kroppen också.

50
00:01:50,000 --> 00:01:52,000
Anta bara

51
00:01:52,000 --> 00:01:55,000
att vi samlar data under fem sekunder,

52
00:01:55,000 --> 00:01:57,000
det skulle motsvara en TB data.

53
00:01:57,000 --> 00:01:59,000
Det är 800 000 telefonkataloger

54
00:01:59,000 --> 00:02:01,000
som skulle utgöra en 16 km hög stapel.

55
00:02:01,000 --> 00:02:03,000
Det är en patient, en uppsättning data.

56
00:02:03,000 --> 00:02:05,000
Och det är detta vi måste handskas med.

57
00:02:05,000 --> 00:02:08,000
Så det är egentligen detta som är den enorma utmaningen vi har.

58
00:02:08,000 --> 00:02:11,000
Redan idag -- detta är 25 000 bilder.

59
00:02:11,000 --> 00:02:13,000
Föreställ er

60
00:02:13,000 --> 00:02:15,000
när vi hade röntgenläkare till detta.

61
00:02:15,000 --> 00:02:17,000
Dom skulle ha satt upp 25 000 bilder,

62
00:02:17,000 --> 00:02:20,000
och gjort så här. "25 000, okej, okej...

63
00:02:20,000 --> 00:02:22,000
Där är problemet."

64
00:02:22,000 --> 00:02:24,000
Dom kan inte göra så längre, det är omöjligt.

65
00:02:24,000 --> 00:02:27,000
Så vi måste göra nånting lite mer intelligent än detta.

66
00:02:28,000 --> 00:02:30,000
Vad vi gör är att vi sätter ihop alla dessa skikt.

67
00:02:30,000 --> 00:02:33,000
Föreställ dig att du skivar din kropp i alla riktningar,

68
00:02:33,000 --> 00:02:36,000
och sen försöker du sätta ihop alla skikt igen

69
00:02:36,000 --> 00:02:38,000
till en hög med information, till ett datablock.

70
00:02:38,000 --> 00:02:40,000
Så det är egentligen det här vi gör.

71
00:02:40,000 --> 00:02:43,000
Så den här gigabyten eller terabyten med data stoppar vi i in i ett block.

72
00:02:43,000 --> 00:02:45,000
Men självklart är det så att datablocket

73
00:02:45,000 --> 00:02:47,000
bara innehåller den mängd röntgenstrålning

74
00:02:47,000 --> 00:02:49,000
som blivit absorberad i varje punkt av människokroppen.

75
00:02:49,000 --> 00:02:51,000
Vad vi behöver göra är att komma på ett sätt

76
00:02:51,000 --> 00:02:54,000
att titta på de saker vi vill titta på

77
00:02:54,000 --> 00:02:57,000
och göra saker genomskinliga som vi inte vill titta på.

78
00:02:57,000 --> 00:02:59,000
Så att omvandla datauppsättningen

79
00:02:59,000 --> 00:03:01,000
till någonting som ser ut som detta.

80
00:03:01,000 --> 00:03:03,000
Detta är en utmaning.

81
00:03:03,000 --> 00:03:06,000
Det är en enorm utmaning för oss att göra det.

82
00:03:06,000 --> 00:03:09,000
Att använda datorer, även om dom bli snabbare och bättre hela tiden,

83
00:03:09,000 --> 00:03:11,000
så är det en utmaning att handskas med flera gigabyte,

84
00:03:11,000 --> 00:03:13,000
eller terabyte

85
00:03:13,000 --> 00:03:15,000
och att extrahera den relevanta informationen.

86
00:03:15,000 --> 00:03:17,000
Jag vill titta på hjärtat,

87
00:03:17,000 --> 00:03:19,000
Jag vill titta på blodkärlen, jag vill titta på levern,

88
00:03:19,000 --> 00:03:21,000
kanske till och med hitta en tumör

89
00:03:21,000 --> 00:03:23,000
i vissa fall.

90
00:03:24,000 --> 00:03:26,000
Låt mig visa ett exempel.

91
00:03:26,000 --> 00:03:28,000
Detta är min dotter.

92
00:03:28,000 --> 00:03:30,000
Detta var klockan nio i morse.

93
00:03:30,000 --> 00:03:32,000
Hon spelar ett dataspel.

94
00:03:32,000 --> 00:03:34,000
Hon är bara två år gammal,

95
00:03:34,000 --> 00:03:36,000
och har jätteroligt.

96
00:03:36,000 --> 00:03:39,000
Så hon är den egentliga drivkraften

97
00:03:39,000 --> 00:03:42,000
bakom utvecklingen av grafikprocessorer.

98
00:03:43,000 --> 00:03:45,000
Så länge barn spelar dataspel,

99
00:03:45,000 --> 00:03:47,000
blir grafiken bättre och bättre.

100
00:03:47,000 --> 00:03:49,000
Så var snälla att gå hem och säg åt era barn att spela mer dataspel,

101
00:03:49,000 --> 00:03:51,000
för det är det jag behöver.

102
00:03:51,000 --> 00:03:53,000
Så det som är inuti den här maskinen

103
00:03:53,000 --> 00:03:55,000
är det som gör det möjligt för mig att göra det jag gör

104
00:03:55,000 --> 00:03:57,000
med den medicinska datan.

105
00:03:57,000 --> 00:04:00,000
Så vad jag gör är att använda dessa fantastiska små enheter.

106
00:04:00,000 --> 00:04:02,000
Går man tillbaka

107
00:04:02,000 --> 00:04:04,000
omkring 10 år i tiden

108
00:04:04,000 --> 00:04:06,000
när jag fick finansiering

109
00:04:06,000 --> 00:04:08,000
till min första grafikdator.

110
00:04:08,000 --> 00:04:10,000
Det var en enorm maskin.

111
00:04:10,000 --> 00:04:13,000
Det var stora skåp med processorer, lagring och allt.

112
00:04:13,000 --> 00:04:16,000
Jag betalade ungefär en miljon dollar för den maskinen.

113
00:04:17,000 --> 00:04:20,000
Den maskinen är idag ungefär lika snabb som min iPhone.

114
00:04:22,000 --> 00:04:24,000
Varje månad kommer det ut nya grafikkort.

115
00:04:24,000 --> 00:04:27,000
Här är några av de senaste från tillverkarna --

116
00:04:27,000 --> 00:04:30,000
NVIDIA, ATI och även Intel.

117
00:04:30,000 --> 00:04:32,000
För bara några hundra dollar

118
00:04:32,000 --> 00:04:34,000
kan man köpa såna här och stoppa in i sin dator,

119
00:04:34,000 --> 00:04:37,000
och man kan göra fantastiska saker med dessa grafikkort.

120
00:04:37,000 --> 00:04:39,000
Så det är egentligen detta som gör det möjligt för oss

121
00:04:39,000 --> 00:04:42,000
att hantera med explosionen av data inom medicin,

122
00:04:42,000 --> 00:04:44,000
tillsammans med en del riktigt fiffigt arbete

123
00:04:44,000 --> 00:04:46,000
i form av algoritmer --

124
00:04:46,000 --> 00:04:48,000
datakomprimering,

125
00:04:48,000 --> 00:04:51,000
och extrahering av den relevanta informationen som folk forskar om.

126
00:04:51,000 --> 00:04:54,000
Jag ska visa er några exempel av vad vi kan göra.

127
00:04:54,000 --> 00:04:57,000
Detta är en datauppsättning som erhållits med datortomografi.

128
00:04:57,000 --> 00:05:00,000
Man kan se att det finns mycket information.

129
00:05:00,000 --> 00:05:03,000
Det är en kvinna. Man kan se håret.

130
00:05:03,000 --> 00:05:06,000
Man kan se de individuella strukturerna av kvinnan.

131
00:05:06,000 --> 00:05:09,000
Man kan se viss diffraktion av röntgenstrålar

132
00:05:09,000 --> 00:05:11,000
på tänderna, metallen i tänderna.

133
00:05:11,000 --> 00:05:14,000
Det är därifrån artefakterna kommer.

134
00:05:14,000 --> 00:05:16,000
Men helt interaktivt

135
00:05:16,000 --> 00:05:19,000
med ett vanligt grafikkort på en vanlig dator,

136
00:05:19,000 --> 00:05:21,000
kan jag bara lägga in ett beskärningsplan.

137
00:05:21,000 --> 00:05:23,000
Självklart finns all data där,

138
00:05:23,000 --> 00:05:26,000
så jag kan börja rotera, jag kan titta på det från olika vinklar,

139
00:05:26,000 --> 00:05:29,000
och jag kan se att den här kvinnan hade problem.

140
00:05:29,000 --> 00:05:31,000
Hon hade en blödning uppe i hjärnan,

141
00:05:31,000 --> 00:05:33,000
och den har blivit fixad med en liten stent,

142
00:05:33,000 --> 00:05:35,000
en metallklämma som drar ihop blodkärlet.

143
00:05:35,000 --> 00:05:37,000
Bara genom att ändra i funktionerna,

144
00:05:37,000 --> 00:05:40,000
kan jag bestämma vad som ska vara genomskinligt

145
00:05:40,000 --> 00:05:42,000
och vad som ska vara synligt.

146
00:05:42,000 --> 00:05:44,000
Jag kan titta på skallstrukturen,

147
00:05:44,000 --> 00:05:47,000
och jag kan se att det var här dom öppnade skallen på den här kvinnan,

148
00:05:47,000 --> 00:05:49,000
och det var där dom gick in.

149
00:05:49,000 --> 00:05:51,000
Så detta är fantastiska bilder.

150
00:05:51,000 --> 00:05:53,000
Dom är väldigt högupplösta

151
00:05:53,000 --> 00:05:55,000
och dom visar oss verkligen vad vi kan göra

152
00:05:55,000 --> 00:05:58,000
med vanliga grafikkort idag.

153
00:05:58,000 --> 00:06:00,000
Nu har vi verkligen dragit nytta av detta,

154
00:06:00,000 --> 00:06:03,000
och vi har försökt att klämma in massvis med data

155
00:06:03,000 --> 00:06:05,000
in i systemet.

156
00:06:05,000 --> 00:06:07,000
En av tillämpningarna som vi har arbetat på --

157
00:06:07,000 --> 00:06:10,000
och detta har fått ett visst fäste över hela världen --

158
00:06:10,000 --> 00:06:12,000
är tillämpningen med virtuella obduktioner.

159
00:06:12,000 --> 00:06:14,000
Så återigen, framför oss har vi väldigt, väldigt stora uppsättningar data,

160
00:06:14,000 --> 00:06:17,000
och ni såg helkroppsscanningarna vi kan göra.

161
00:06:17,000 --> 00:06:20,000
Vi för bara kroppen genom datortomografen,

162
00:06:20,000 --> 00:06:23,000
och på bara några sekunder kan vi få en helkroppsdatauppsättning.

163
00:06:23,000 --> 00:06:25,000
Så detta är från en virtuell obduktion.

164
00:06:25,000 --> 00:06:27,000
Ni kan se hur jag gradvis skalar av.

165
00:06:27,000 --> 00:06:30,000
Först såg ni liksäcken kroppen kom i,

166
00:06:30,000 --> 00:06:33,000
sen skalar jag av huden -- ni kan se musklerna --

167
00:06:33,000 --> 00:06:36,000
och slutligen kan ni se kvinnans skelett.

168
00:06:36,000 --> 00:06:39,000
Vid det här laget skulle jag också vilja passa på att understryka

169
00:06:39,000 --> 00:06:41,000
att, med den största respekt

170
00:06:41,000 --> 00:06:43,000
för människorna som jag nu ska visa --

171
00:06:43,000 --> 00:06:45,000
Jag ska visa några fall av virtuella obduktioner --

172
00:06:45,000 --> 00:06:47,000
så det är med största respekt för människorna

173
00:06:47,000 --> 00:06:49,000
som dött under våldsamma omständigheter

174
00:06:49,000 --> 00:06:52,000
som jag ska visa dessa bilder för er.

175
00:06:53,000 --> 00:06:55,000
I rättsmedicinska fall --

176
00:06:55,000 --> 00:06:57,000
och detta är något

177
00:06:57,000 --> 00:06:59,000
som det funnits cirka 400 fall av hittills

178
00:06:59,000 --> 00:07:01,000
bara i den delen av Sverige som jag kommer ifrån

179
00:07:01,000 --> 00:07:03,000
som har undergått virtuella obduktioner

180
00:07:03,000 --> 00:07:05,000
de senaste fyra åren.

181
00:07:05,000 --> 00:07:08,000
Så detta är den typiska arbetsgången.

182
00:07:08,000 --> 00:07:10,000
Polisen avgör --

183
00:07:10,000 --> 00:07:12,000
under kvällen, när ett fall kommer in --

184
00:07:12,000 --> 00:07:15,000
så avgör dom om detta är ett fall som kräver obduktion.

185
00:07:15,000 --> 00:07:18,000
På morgonen, mellan klockan sex och sju,

186
00:07:18,000 --> 00:07:20,000
transporteras sedan kroppen inuti liksäcken

187
00:07:20,000 --> 00:07:22,000
till vårt center

188
00:07:22,000 --> 00:07:24,000
och scannas genom en av datortomograferna.

189
00:07:24,000 --> 00:07:26,000
Sen tittar röntgenläkaren, tillsammans med rättsläkaren

190
00:07:26,000 --> 00:07:28,000
och ibland en annan rättsmedicinsk specialist,

191
00:07:28,000 --> 00:07:30,000
på datan som kommer ut,

192
00:07:30,000 --> 00:07:32,000
och dom har ett gemensamt sammanträde.

193
00:07:32,000 --> 00:07:35,000
Efter detta bestämmer dom vad som sedan ska göras i den riktiga, fysiska obduktionen.

194
00:07:37,000 --> 00:07:39,000
Låt oss titta på några fall,

195
00:07:39,000 --> 00:07:41,000
här är ett av de första fallen som vi hade.

196
00:07:41,000 --> 00:07:44,000
Man kan verkligen se detaljerna av datauppsättningen,

197
00:07:44,000 --> 00:07:46,000
det är väldigt högupplöst.

198
00:07:46,000 --> 00:07:48,000
Och det är våra algoritmer som låter oss

199
00:07:48,000 --> 00:07:50,000
zooma in på alla detaljer.

200
00:07:50,000 --> 00:07:52,000
Återigen, det är helt interaktivt,

201
00:07:52,000 --> 00:07:54,000
så man kan rotera och man kan titta på saker i realtid

202
00:07:54,000 --> 00:07:56,000
på dessa system.

203
00:07:56,000 --> 00:07:58,000
Utan att säga för mycket om detta fallet,

204
00:07:58,000 --> 00:08:00,000
det är en trafikolycka,

205
00:08:00,000 --> 00:08:02,000
en berusad förare som kört på en kvinna.

206
00:08:02,000 --> 00:08:05,000
Det är väldigt lätt att se skadorna på skelettet.

207
00:08:05,000 --> 00:08:08,000
Dödsorsaken är den brutna nacken.

208
00:08:08,000 --> 00:08:10,000
Den här kvinnan hamnade dessutom under bilen,

209
00:08:10,000 --> 00:08:12,000
så hon är i ganska dåligt skick

210
00:08:12,000 --> 00:08:14,000
på grund av olyckan.

211
00:08:14,000 --> 00:08:17,000
Här är ett annat fall, ett fall av knivvåld.

212
00:08:17,000 --> 00:08:19,000
Detta visar oss igen vad vi kan göra.

213
00:08:19,000 --> 00:08:21,000
Det är väldigt lätt att se metallartefakter

214
00:08:21,000 --> 00:08:24,000
som vi kan visa inuti kroppen.

215
00:08:24,000 --> 00:08:27,000
Man kan också se lite artefakter från tänderna --

216
00:08:27,000 --> 00:08:29,000
det är faktiskt tandfyllningarna --

217
00:08:29,000 --> 00:08:32,000
men eftersom jag har satt inställningarna att visa metall

218
00:08:32,000 --> 00:08:34,000
och göra allt annat genomskinligt.

219
00:08:34,000 --> 00:08:37,000
Här är ett annat våldsamt fall. Det här dödade inte personen.

220
00:08:37,000 --> 00:08:39,000
Personen dog av knivhugg i hjärtat,

221
00:08:39,000 --> 00:08:41,000
men dom gjorde bara sig av med kniven

222
00:08:41,000 --> 00:08:43,000
genom att sätta den i en av ögonhålorna.

223
00:08:43,000 --> 00:08:45,000
Här är ett annat fall.

224
00:08:45,000 --> 00:08:47,000
Det är väldigt intressant för oss

225
00:08:47,000 --> 00:08:49,000
att kunna undersöka saker som knivhugg.

226
00:08:49,000 --> 00:08:52,000
Här kan man se att kniven gick genom hjärtat.

227
00:08:52,000 --> 00:08:54,000
Det är väldigt lätt att se hur luften har läckt

228
00:08:54,000 --> 00:08:56,000
från en del till en annan del,

229
00:08:56,000 --> 00:08:59,000
vilket är svårt att se i en vanlig fysisk obduktion.

230
00:08:59,000 --> 00:09:01,000
Så det underlättar verkligen

231
00:09:01,000 --> 00:09:03,000
brottsutredningen

232
00:09:03,000 --> 00:09:05,000
att fastställa dödsorsaken,

233
00:09:05,000 --> 00:09:08,000
och i vissa fall att leda utredningen i rätt riktning

234
00:09:08,000 --> 00:09:10,000
för att ta reda på vem gärningsmannen egentligen var.

235
00:09:10,000 --> 00:09:12,000
Här är ett annat fall som jag tycker är intressant.

236
00:09:12,000 --> 00:09:14,000
Här kan man se en kula

237
00:09:14,000 --> 00:09:17,000
som har fastnat precis intill ryggraden på den här personen.

238
00:09:17,000 --> 00:09:20,000
Vad vi har gjort är att vi har gjort om kulan till en ljuskälla,

239
00:09:20,000 --> 00:09:22,000
så att kulan faktiskt skiner,

240
00:09:22,000 --> 00:09:25,000
och det gör det väldigt enkelt att hitta såna här fragment.

241
00:09:25,000 --> 00:09:27,000
Under en fysisk obduktion,

242
00:09:27,000 --> 00:09:29,000
om du verkligen måste gräva genom hela kroppen för att finna dessa fragment,

243
00:09:29,000 --> 00:09:31,000
så är det faktiskt rätt svårt.

244
00:09:33,000 --> 00:09:35,000
En sak som jag är väldigt glad

245
00:09:35,000 --> 00:09:38,000
att kunna visa er här idag

246
00:09:38,000 --> 00:09:40,000
är vårt virtuella obduktionsbord.

247
00:09:40,000 --> 00:09:42,000
Det är en touch-enhet som vi har utvecklat

248
00:09:42,000 --> 00:09:45,000
baserat på dom här algoritmerna och med vanliga grafikkort.

249
00:09:45,000 --> 00:09:47,000
Det ser i själva verket ut så här,

250
00:09:47,000 --> 00:09:50,000
bara för att ge er en känsla av hur det ser ut.

251
00:09:50,000 --> 00:09:53,000
Det fungerar precis som en enorm iPhone.

252
00:09:53,000 --> 00:09:55,000
Så vi har implementerat

253
00:09:55,000 --> 00:09:58,000
alla rörelser man kan göra på bordet,

254
00:09:58,000 --> 00:10:02,000
och man kan se det som ett enormt touch-gränssnitt.

255
00:10:02,000 --> 00:10:04,000
Så om du funderade på att köpa en iPad,

256
00:10:04,000 --> 00:10:07,000
glöm det - detta är vad du vill ha istället.

257
00:10:07,000 --> 00:10:10,000
Steve, jag hoppas du lyssnar på detta.

258
00:10:11,000 --> 00:10:13,000
Så det är en väldigt trevlig liten enhet.

259
00:10:13,000 --> 00:10:15,000
Om ni får tillfälle, pröva det gärna.

260
00:10:15,000 --> 00:10:18,000
Det är verkligen en fysisk känsla.

261
00:10:18,000 --> 00:10:21,000
Den har fått visst fäste och vi försöker lansera den

262
00:10:21,000 --> 00:10:23,000
och testar den i undervisningssyften,

263
00:10:23,000 --> 00:10:25,000
men också, eventuellt i framtiden,

264
00:10:25,000 --> 00:10:28,000
i mer kliniska sammanhang.

265
00:10:28,000 --> 00:10:30,000
Det finns en YouTube-video som man kan se för mer information,

266
00:10:30,000 --> 00:10:32,000
om man vill förmedla informationen till andra människor

267
00:10:32,000 --> 00:10:35,000
om virtuella obduktioner.

268
00:10:35,000 --> 00:10:37,000
Okej, nu när vi pratar om "touch",

269
00:10:37,000 --> 00:10:39,000
låt mig gå över till verkligt "rörande" data.

270
00:10:39,000 --> 00:10:41,000
Och detta är lite science fiction nu,

271
00:10:41,000 --> 00:10:44,000
så vi går verkligen in i framtiden.

272
00:10:44,000 --> 00:10:47,000
Detta är inte vad läkare egentligen använder sig av just nu,

273
00:10:47,000 --> 00:10:49,000
men jag hoppas dom gör det i framtiden.

274
00:10:49,000 --> 00:10:52,000
Det ni ser till vänster är en touch-enhet.

275
00:10:52,000 --> 00:10:54,000
Det är en liten mekanisk penna

276
00:10:54,000 --> 00:10:57,000
som har väldigt snabba stegmotorer inuti pennan.

277
00:10:57,000 --> 00:10:59,000
På så sätt kan jag skapa en "kraftåterkoppling" (force feedback).

278
00:10:59,000 --> 00:11:01,000
Så när jag virtuellt vidrör data,

279
00:11:01,000 --> 00:11:04,000
skapas rörelsekrafter i pennan, så jag får en återkoppling.

280
00:11:04,000 --> 00:11:06,000
I det här fallet

281
00:11:06,000 --> 00:11:08,000
är det en scanning av en levande person.

282
00:11:08,000 --> 00:11:11,000
Jag har den här pennan och jag tittar på datan,

283
00:11:11,000 --> 00:11:13,000
och jag rör pennan mot huvudet,

284
00:11:13,000 --> 00:11:15,000
och helt plötsligt känner jag ett motstånd.

285
00:11:15,000 --> 00:11:17,000
Så jag kan känna huden.

286
00:11:17,000 --> 00:11:19,000
Om jag trycker lite hårdare kommer jag igenom huden,

287
00:11:19,000 --> 00:11:22,000
och jag kan känna benstrukturen inuti.

288
00:11:22,000 --> 00:11:24,000
Om jag trycker ännu hårdare kommer jag igenom skelettet,

289
00:11:24,000 --> 00:11:27,000
särskilt i närheten av örat där benet är väldigt mjukt.

290
00:11:27,000 --> 00:11:30,000
Sen kan jag känna hjärnan inuti, och den kommer vara slaskig som så här.

291
00:11:30,000 --> 00:11:32,000
Så det här är väldigt trevligt.

292
00:11:32,000 --> 00:11:35,000
För att ta det ännu längre, detta är ett hjärta.

293
00:11:35,000 --> 00:11:38,000
Och detta är också tack vare dom här fantastiska nya maskinerna,

294
00:11:38,000 --> 00:11:40,000
som på bara 0,3 sekunder,

295
00:11:40,000 --> 00:11:42,000
kan scanna hela hjärtat,

296
00:11:42,000 --> 00:11:44,000
och jag kan göra det med tidsupplösning.

297
00:11:44,000 --> 00:11:46,000
Så bara genom att titta på det här hjärtat --

298
00:11:46,000 --> 00:11:48,000
Jag kan spela upp en video här.

299
00:11:48,000 --> 00:11:50,000
Detta är Karl-Johan, en av mina doktorander

300
00:11:50,000 --> 00:11:52,000
som har arbetat på det här projektet.

301
00:11:52,000 --> 00:11:55,000
Han sitter där framför haptikkontrollen, force feedback-systemet,

302
00:11:55,000 --> 00:11:58,000
och han rör pennan mot hjärtat,

303
00:11:58,000 --> 00:12:00,000
och hjärtat slår nu framför honom,

304
00:12:00,000 --> 00:12:02,000
så han kan se hur hjärtat slår.

305
00:12:02,000 --> 00:12:04,000
Han tar pennan och rör den mot hjärtat,

306
00:12:04,000 --> 00:12:06,000
och han sätter den på hjärtat,

307
00:12:06,000 --> 00:12:09,000
och sen känner han hjärtslagen från den levande patienten.

308
00:12:09,000 --> 00:12:11,000
Sedan kan han undersöka hur hjärtat rör sig.

309
00:12:11,000 --> 00:12:13,000
Han kan trycka sig in inuti hjärtat,

310
00:12:13,000 --> 00:12:16,000
och riktigt känna hur klaffarna rör sig.

311
00:12:16,000 --> 00:12:19,000
Och detta, tror jag, är framtiden för hjärtkirurger.

312
00:12:19,000 --> 00:12:22,000
Jag menar det är förmodligen en våt dröm för en hjärtkirurg

313
00:12:22,000 --> 00:12:25,000
att kunna gå inuti en patients hjärta

314
00:12:25,000 --> 00:12:27,000
innan du gör det riktiga kirurgiska ingreppet,

315
00:12:27,000 --> 00:12:29,000
och gör det med högkvalitativ, högupplöst data.

316
00:12:29,000 --> 00:12:31,000
Så det här är jättebra.

317
00:12:32,000 --> 00:12:35,000
Nu rör vi oss ännu längre in i framtidens science fiction.

318
00:12:35,000 --> 00:12:38,000
Vi hörde lite om funktionell MRI.

319
00:12:38,000 --> 00:12:41,000
Det här är ett riktigt intressant projekt.

320
00:12:41,000 --> 00:12:43,000
MRI använder sig av magnetfält

321
00:12:43,000 --> 00:12:45,000
och radiofrekvenser

322
00:12:45,000 --> 00:12:48,000
för att scanna hjärnan, eller vilken kroppsdel som helst.

323
00:12:48,000 --> 00:12:50,000
Så vad vi egentligen får ut av detta

324
00:12:50,000 --> 00:12:52,000
är information om hjärnans struktur,

325
00:12:52,000 --> 00:12:54,000
men vi kan också mäta skillnaden

326
00:12:54,000 --> 00:12:57,000
av magnetiska egenskaper mellan blod som är syresatt

327
00:12:57,000 --> 00:13:00,000
och blod som är syrefattigt.

328
00:13:00,000 --> 00:13:02,000
Det innebär att det är möjligt

329
00:13:02,000 --> 00:13:04,000
att kartlägga hjärnaktiviteten.

330
00:13:04,000 --> 00:13:06,000
Så detta är något vi har jobbat på.

331
00:13:06,000 --> 00:13:09,000
Och ni såg precis forskningsingenjören Mats

332
00:13:09,000 --> 00:13:11,000
åka in i MRI-systemet,

333
00:13:11,000 --> 00:13:13,000
och han hade på sig ett par glasögon.

334
00:13:13,000 --> 00:13:15,000
Så han kunde se saker i dom här glasögonen.

335
00:13:15,000 --> 00:13:18,000
Så jag kunde visa saker för honom medan han låg i scannern.

336
00:13:18,000 --> 00:13:20,000
Och det här är lite galet,

337
00:13:20,000 --> 00:13:22,000
för vad Mats ser är egentligen detta.

338
00:13:22,000 --> 00:13:25,000
Han ser sin egen hjärna.

339
00:13:25,000 --> 00:13:27,000
Så Mats gör någonting här.

340
00:13:27,000 --> 00:13:29,000
Troligtvis gör han så här med sin högerhand,

341
00:13:29,000 --> 00:13:31,000
för den vänstra sidan aktiveras

342
00:13:31,000 --> 00:13:33,000
på den primära motoriska barken.

343
00:13:33,000 --> 00:13:35,000
Och sen kan han se det samtidigt.

344
00:13:35,000 --> 00:13:37,000
Dessa visualiseringar är helt nya.

345
00:13:37,000 --> 00:13:40,000
Detta är något som vi har forskat i ett tag.

346
00:13:40,000 --> 00:13:43,000
Det här är en annan sekvens av Mats hjärna.

347
00:13:43,000 --> 00:13:46,000
Här bad vi Mats räkna baklänges från 100.

348
00:13:46,000 --> 00:13:48,000
Så han tänker "100, 97, 94".

349
00:13:48,000 --> 00:13:50,000
Och så fortsätter han.

350
00:13:50,000 --> 00:13:53,000
Man kan se hur den lilla matteprocessorn jobbar här uppe i hans hjärna

351
00:13:53,000 --> 00:13:55,000
och lyser upp hela hjärnan.

352
00:13:55,000 --> 00:13:57,000
Det här är fantastiskt. Vi kan göra det här i realtid.

353
00:13:57,000 --> 00:13:59,000
Vi kan undersöka saker. Vi kan be honom göra saker.

354
00:13:59,000 --> 00:14:01,000
Man kan också se att hans syncentrum

355
00:14:01,000 --> 00:14:03,000
är aktiverat på baksidan av huvudet,

356
00:14:03,000 --> 00:14:05,000
för det är där han ser, han ser sin egen hjärna.

357
00:14:05,000 --> 00:14:07,000
Han hör också våra instruktioner

358
00:14:07,000 --> 00:14:09,000
när vi ber honom göra saker.

359
00:14:09,000 --> 00:14:11,000
Signalen är väldigt djup inuti hjärnan också,

360
00:14:11,000 --> 00:14:13,000
men den skiner igenom,

361
00:14:13,000 --> 00:14:15,000
för all data är inuti den här volymen.

362
00:14:15,000 --> 00:14:17,000
Om en sekund kommer ni få se --

363
00:14:17,000 --> 00:14:19,000
Okej, här. Mats, rör på din vänsterfot.

364
00:14:19,000 --> 00:14:21,000
Så han gör så här.

365
00:14:21,000 --> 00:14:23,000
I 20 sekunder gör han så,

366
00:14:23,000 --> 00:14:25,000
och helt plötsligt lyser det upp här uppe.

367
00:14:25,000 --> 00:14:27,000
Så vi har aktivering av den motoriska barken där uppe.

368
00:14:27,000 --> 00:14:29,000
Så det här är riktigt bra.

369
00:14:29,000 --> 00:14:31,000
Och jag tycker det här är ett mycket bra redskap.

370
00:14:31,000 --> 00:14:33,000
För att knyta an till den tidigare presentationen,

371
00:14:33,000 --> 00:14:35,000
så är detta någonting vi skulle kunna använda som ett verktyg

372
00:14:35,000 --> 00:14:37,000
för att verkligen förstå

373
00:14:37,000 --> 00:14:39,000
hur neuroner fungerar, hur hjärnan fungerar,

374
00:14:39,000 --> 00:14:42,000
och vi kan göra detta med väldigt hög visuell kvalitet

375
00:14:42,000 --> 00:14:45,000
och väldigt hög tidsupplösning.

376
00:14:45,000 --> 00:14:47,000
Vi har också lite roligt på vårt center.

377
00:14:47,000 --> 00:14:50,000
Det här är en CAT scan -- "Computer Aided Tomography" (datortomografi).

378
00:14:51,000 --> 00:14:53,000
Det här är ett lejon från den lokala djurparken

379
00:14:53,000 --> 00:14:56,000
utanför Norrköping - Kolmården. Elsa.

380
00:14:56,000 --> 00:14:58,000
Så hon kom till centret,

381
00:14:58,000 --> 00:15:00,000
och dom gav henne bedövning

382
00:15:00,000 --> 00:15:02,000
innan hon åkte in i scannern.

383
00:15:02,000 --> 00:15:05,000
Sen får jag hela datauppsättningen av lejonet.

384
00:15:05,000 --> 00:15:07,000
Och jag kan göra så här fina bilder.

385
00:15:07,000 --> 00:15:09,000
Jag kan skala av lager av lejonet.

386
00:15:09,000 --> 00:15:11,000
Jag kan titta inuti det.

387
00:15:11,000 --> 00:15:13,000
Vi har experimenterat med detta

388
00:15:13,000 --> 00:15:15,000
och jag tycker det är jättebra tillämpning

389
00:15:15,000 --> 00:15:17,000
för framtiden av den här teknologin.

390
00:15:17,000 --> 00:15:20,000
För man vet väldigt lite om djurs anatomi.

391
00:15:20,000 --> 00:15:23,000
Den vetskap som finns där ute för veterinärer är ganska enkel information.

392
00:15:23,000 --> 00:15:25,000
Vi kan scanna alla möjliga saker,

393
00:15:25,000 --> 00:15:27,000
alla sorters djur.

394
00:15:27,000 --> 00:15:30,000
Det enda problemet är att få in det i maskinen.

395
00:15:30,000 --> 00:15:32,000
Här är en björn.

396
00:15:32,000 --> 00:15:34,000
Det var rätt svårt att få in den.

397
00:15:34,000 --> 00:15:37,000
Och björnen är ett gosigt, vänligt djur.

398
00:15:37,000 --> 00:15:40,000
Här är den. Här är björnens nos.

399
00:15:40,000 --> 00:15:43,000
Man vill kanske gosa med den här,

400
00:15:43,000 --> 00:15:46,000
tills man ändrar inställningarna och tittar på detta.

401
00:15:46,000 --> 00:15:48,000
Så var akta er för björnen.

402
00:15:48,000 --> 00:15:50,000
Så med det

403
00:15:50,000 --> 00:15:52,000
skulle jag vilja tacka alla de

404
00:15:52,000 --> 00:15:54,000
som har hjälpt mig skapa dessa bilder.

405
00:15:54,000 --> 00:15:56,000
Det är en enorm ansträngning som lagts på detta,

406
00:15:56,000 --> 00:15:59,000
att samla all data och utveckla algoritmerna,

407
00:15:59,000 --> 00:16:01,000
koda all mjukvara.

408
00:16:01,000 --> 00:16:04,000
Väldigt talangfulla människor.

409
00:16:04,000 --> 00:16:07,000
Mitt motto är alltid att bara anställa folk som är smartare än jag

410
00:16:07,000 --> 00:16:09,000
och dom flesta av dessa är smartare än jag.

411
00:16:09,000 --> 00:16:11,000
Tack så mycket.

412
00:16:11,000 --> 00:16:15,000
(Applåder)