Akilesh Bapu, zakladatel a generální ředitel DeepScribe – rozhovor

Akilesh Bapu je zakladatel a generální ředitel DeepScribe, který využívá zpracování přirozeného jazyka (NLP) a pokročilé hluboké učení k generování přesných, souladných a zabezpečených poznámek z rozhovorů mezi lékaři a pacienty.

Co vás přivedlo k zájmu o umělou inteligenci a zpracování přirozeného jazyka?

Pokud si dobře vzpomínám, Jarvis z „Iron Man“ byl první věc, která mě真的 přivedla k zájmu o svět zpracování přirozeného jazyka a umělou inteligenci. Zvláště mě fascinovalo, jak rychle člověk mohl zpracovat úkoly a jak hluboko mohl proniknout do určitých úkolů a odhalit informace, které by jinak nevěděl, kdyby nebylo této umělé inteligence.

Byla to koncepce „Umělá inteligence sama o sobě nebude tak dobrá jako lidé u většiny úkolů, ale když spojíte člověka a umělou inteligenci, tato kombinace bude dominovat.“ Zpracování přirozeného jazyka je nejefektivnějším způsobem, jak této kombinace docílit.

Od té doby jsem byl posedlý Siri, Google (GOOGL ) Now, Alexa a dalšími. Ačkoli nefungovaly tak bezproblémově jako Jarvis, chtěl jsem je udělat fungovat jako Jarvis. Zvláště mě bylo zřejmé, že příkazy jako „Alexa, udělej tohle“, „Alexa, udělej tamto“ byly poměrně snadno a přesně proveditelné pomocí současné technologie. Ale když šlo o něco jako Jarvis, který mohl skutečně naučit se a porozumět, filtrovat a vybrat důležité téma během jiného konverzačního výměnu – to nebylo dosud uděláno. To přímo souvisí s jednou z mých hlavních motivací pro založení DeepScribe. Zatímco řešíme problém dokumentace pro lékaře, snažíme se o novou vlnu inteligence: ambientní inteligenci. Umělou inteligenci, která může procházet vaším denním rozhovorem, najít užitečné informace a použít je k vaší pomoci.

V minulosti jste prováděl výzkum pomocí hlubokého učení a NLP na UC Berkeley College of Engineering. O čem byl váš výzkum?

V laboratoři umělé inteligence na Berkeley jsem pracoval na projektu anotátoru genové ontologie, kde jsme shrnovali články z PubMed s konkrétními výstupními parametry.

Hlavní přehled: Vezměte si úkol jako shrnutí článků z CNN. V tomto úkolu shrnujete články do několika vět. Na vaši stranu máte data a schopnost trénovat modely na více než milion článků. Ale problémový prostor je enormní, protože máte omezenou strukturu shrnutí. Kromě toho je málo struktury ve skutečných článcích. Ačkoli došlo k beberapa vylepšením od doby, kdy jsem na tomto projektu pracoval, stále je to nevyřešený problém.

V našem výzkumném projektu jsme vyvíjeli strukturovaná shrnutí článků. Strukturované shrnutí v tomto případě je podobné jako běžné shrnutí, ale známe přesně strukturu výstupního shrnutí. To je užitečné, protože dramaticky snižuje výstupní možnosti pro náš model strojového učení – výzvou bylo, že nebylo dostatečné anotované trénovací data pro spuštění datově hladového hlubokého učení a získání použitelných výsledků.

Jádro práce, kterou jsem na tomto projektu provedl, spočívalo v využití znalostí, které máme o vstupních datech, a vývoji souboru mělkých modelů strojového učení, které jej podporují – technika, kterou jsme vynalezli a nazvali ji 2-krokový anotátor. 2-krokový anotátor dosáhl téměř 20krát vyšší přesnosti než předchozí nejlepší (54 procent vs 3,6 procenta).

Zatímco vedle sebe, tento projekt a DeepScribe mohou znít zcela odlišně, byly velmi podobné v tom, jak používaly 2-krokovou anotaci k dramatickému zlepšení výsledků na omezeném datasetu.

Co vás inspirovalo k založení DeepScribe?

Všechno začalo s mým otcem, který byl lékařem-onkologem. Předtím, než se elektronické zdravotnické záznamy staly populární ve zdravotnictví, lékaři si zapisovali věci na papír a trávili velmi málo času psaním poznámek. Ale když se elektronické zdravotnické záznamy staly populární jako součást zákona HITECH z roku 2009, začal jsem si všímat, že můj otec tráví více a více času u počítače. Přestal chodit pro mě do školy nebo na tréninky basketbalu, protože většinu večerních hodin tráví dikcí poznámek.

Jako nerd, který vyrůstal, snažil jsem se najít řešení pro něj tím, že jsem procházel web a zkoušel různé věci. Bohužel, nic nefungovalo dostatečně dobře, aby mu ušetřilo dlouhé hodiny dokumentace.

O několik let později, v létě 2017, jsem byl výzkumníkem, který pracoval v laboratoři umělé inteligence na Berkeley, a pracoval na projektech souvisejících se shrnutím dokumentů. Jedno léto, kdy jsem byl doma, jsem si všiml, že můj otec stále tráví spoustu času dokumentací. Zeptal jsem se: „Co je nového ve světě dokumentace? Alexa je všude, Google Assistant je tak dobrý teď. Řekněte mi, co je nového v medicínském prostoru?“ A jeho odpověď byla: „Nic se nezměnilo.“ myslel jsem, že to bylo jen on, ale když jsem šel a zeptal se několika jeho kolegů, byla to stejná věc: ne co je最新 v léčbě rakoviny nebo nových problémech, se kterými se setkávají jejich pacienti – ale dokumentace. „Jak se mohu zbavit dokumentace? Jak mohu ušetřit čas na dokumentaci? Trvá to tolik mého času.“

Také jsem si všiml, že několik společností se pokusilo vyřešit problém dokumentace. Ale buď byly příliš drahé (tisíce dolarů měsíčně), nebo měly příliš málo technologií. Lékaři v té době měli velmi málo možností. To byla chvíle, kdy se otevřela příležitost, že pokud bychom mohli vytvořit umělou inteligenci, která by mohla doprovázet lékaře na návštěvách pacientů a shrnovat je, a nabízet to za cenu, která by byla dostupná pro každého, mohla by to skutečně vrátit radost z péče o pacienty do medicíny.

Byl jste pouze 22 let, když jste založil DeepScribe. Můžete popsat svou cestu jako podnikatel?

Má první zkušenost s podnikáním byla na střední škole. Začalo to, když můj kamarád a já, kteří znali základy JavaScriptu, jsme se setkali s ředitelem centra pro děti s poruchami učení. Řekli nám, jak i jednoduché nástroje mohou mít velký dopad na děti s dyslexií. Nakonec jsme vytvořili dyslexie čtečku pro Chrome. Byla to opravdu základní věc – jednoduše upravila font podle vědeckých pokynů pro usnadnění čtení pro dyslexické lidi. Ačkoli byla koncepce jednoduchá, získali jsme více než 5000 aktivních uživatelů za několik měsíců. Byl jsem ohromen, jak základní technologie může mít takový dopad na lidi.

Na Berkeley, jsem pokračoval ve zkoumání světa podnikání, především prostřednictvím jejich široké škály kurzů. Mými oblíbenými byly:

1. Newtonova přednášková série – lidé jako Jessica Mah z InDinero nebo Diane Greene z VMWare, kteří byli absolventy Cal, poskytli velmi srozumitelné přednášky o svém čase na Berkeley a o tom, jak založili své vlastní společnosti
2. Challenge Lab – setkal jsem se se svým spoluzakladatelem Mattem Ko prostřednictvím tohoto kurzu. Byli jsme rozděleni do skupin a prošli jsme semestrální cestu vytváření produktu a byli jsme mentorováni o tom, co je potřeba v raných fázích, aby se idea rozjela.
3. Lean Launchpad – můj nejoblíbenější z trojice; to byla náročná a přísná procedura, kde jsme byli vedeni Stevem Blankem (renomovaným miliardářem a mužem za hnutím lean startup) k tomu, abychom vzali ideu, ověřili ji prostřednictvím 100 rozhovorů se zákazníky, vytvořili finanční model a více. To byla taková třída, kde jsme prezentovali naši „společnost“ pouze proto, abychom byli zastaveni na slide 1 nebo 2 a byli jsme podrobeni přísnému výslechu. Pokud to nebylo dostatečně těžké, očekávalo se od nás, že budeme interviewovat 10 zákazníků týdně. Naše idea v té době byla vytvořit patentový vyhledávač, který by poskytoval podobné výsledky jako drahý předchozí umělecký vyhledávač, což znamenalo, že jsme prezentovali 10 podnikovým zákazníkům týdně. Bylo to skvělé, protože nás to naučilo myslet rychle a být extra zdatní.

DeepScribe začal, když investiční skupina The House Fund psala šeky studentům, kteří by odmítli své letní stáže a strávili léto budováním své společnosti. Právě jsme ukončili Delphi (patentový vyhledávač) a Matt a já jsme neustále mluvili o medicínské dokumentaci a všechno se spojilo, protože to byla ideální chvíle, aby se to pokusili.

S DeepScribe, jsme měli štěstí, že jsme právě dokončili Lean Launchpad, protože jedním z nej důležitějších faktorů při budování produktu pro lékaře bylo iterovat a vylepšovat produkt na základě zpětné vazby zákazníků. Historicky, problémem zdravotnického průmyslu bylo, že software má zřídka lékaře ve fázi návrhu, což vede k softwaru, který není optimalizován pro koncového uživatele.

Pokud se DeepScribe udál ve stejnou dobu jako můj poslední rok na Berkeley, byla to těžká rovnováha. Přicházel jsem do třídy v obleku, abych mohl být včas na zákaznickém demo hned po. Používal jsem všechny EE zařízení a profesory ne pro nic, co souviselo s třídou, ale 100 procent pro DeepScribe. Moje setkání s mým výzkumným mentorem se dokonce změnily v brainstormingové sezení pro DeepScribe.

Ohlédnu-li se zpět, kdybych musel změnit jednu věc na své cestě, bylo by to, že bych raději pozastavil studium, abych mohl strávit 150 procent svého času na DeepScribe.

Můžete popsat pro zdravotnického odborníka výhody používání DeepScribe oproti tradiční metodě hlasové dikce nebo dokonce poznámek?

Používání DeepScribe je podobné jako použití skutečného lidského písaře. Zatímco mluvíte přirozeně se svým pacientem, DeepScribe bude naslouchat a zachytit medicínsky relevantní řeč, která obvykle vstupuje do vašich poznámek, a vloží je tam pro vás, pomocí stejného medicínského jazyka, který sami používáte. Můžeme si to představit jako nového člena vašeho zdravotnického týmu, kterého můžete trénovat, aby vám pomáhal s dokumentací ve vašem elektronickém zdravotnickém systému, jak byste chtěli. Je to velmi odlišné od používání služby hlasové dikce, protože eliminuje celý krok zpětného dokumentování. Zatímco typické služby dikce změní 10 minut dokumentace na 7-8 minut, DeepScribe změní to na několik sekund. Naši lékaři hlásí, že ušetří od 1,5 do 3 hodin denně, v závislosti na počtu pacientů, které vidí.

DeepScribe je nezávislý na zařízení, může být spuštěn z iPhone, Apple Watch, prohlížeče (pro telemedicínu) nebo hardwarového zařízení.

Jaké jsou některé výzvy zpracování řeči nebo NLP, se kterými se DeepScribe může setkat kvůli komplexní medicínské terminologii?

Na rozdíl od obecného mínění je komplexní medicínská terminologie vlastně nejjednodušší částí pro DeepScribe. Nejobtížnější částí pro DeepScribe je zachytit jedinečné kontextové výpovědi, které může pacient učinit lékaři. Čím více se odchylují od typického rozhovoru, tím více vidíme, že umělá inteligence zakolísá. Ale když shromažďujeme více konverzačních dat, vidíme, že se to dramaticky zlepšuje každý den.

Jaké jsou další technologie strojového učení, které se používají s DeepScribe?

Velké kategorie rozpoznávání řeči a NLP pokrývají většinu strojového učení, které děláme v DeepScribe.

Můžete jmenovat některé nemocnice, neziskové organizace nebo akademické instituce, které používají DeepScribe?

DeepScribe začal prostřednictvím pilotního programu s UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center a Cedar Valley Medical Specialists jsou beberapa z větších systémů, se kterými DeepScribe spolupracuje.

Ale větší procento uživatelů DeepScribe jsou 50 soukromých ordinací z Aljašky po Floridu. Naši nejoblíbenější specializace jsou primární péče, ortopedie, gastroenterologie, kardiologie, psychiatrie a onkologie, ale podporujeme i několik dalších specializací.

DeepScribe nedávno spustil program, který pomáhá s COVID-19. Můžete nás provést tímto programem?

COVID-19 tvrdě zasáhl naše lékaře. Praxe vidí pouze 30-40 procent své pacientské zátěže, personál písařů je snížen a poskytovatelé jsou nuceni rychle přejít všechny své pacienty na telemedicínu. To vše vede k více úřednické práci pro poskytovatele – my v DeepScribe pevně věříme, že aby se tato pandemie zastavila, musí lékaři věnovat 100 procent své pozornosti a času péči o pacienty.

Abychom pomohli této věci, jsme hrdí na to, že spustíme bezplatné řešení telemedicíny pro zdravotnické odborníky, kteří bojují s touto pandemií. Naše řešení telemedicíny je plně integrováno s našim řešením AI-písaře, což eliminuje potřebu klinické dokumentace pro setkání na naší platformě.

Také nabízíme naše služby písaře zdarma během pandemie. To znamená, že jakýkoli lékař může získat přístup k písaři zdarma, aby zpracoval svou dokumentaci. Naši naděje jsou, že takto lékaři budou moci věnovat více své pozornosti pacientům a strávit méně času思考ením o dokumentaci, což povede k rychlejšímu zastavení pandemie COVID-19.

Děkuji za skvělý rozhovor, opravdu jsem si užil učení o DeepScribe a vaší podnikatelské cestě. Každý, kdo chce se dozvědět více, by měl navštívit DeepScribe.