जोश मिलर, ग्रेडिएंट हेल्थ के सीईओ – साक्षात्कार श्रृंखला

जोश मिलर ग्रेडिएंट हेल्थ के सीईओ हैं, एक कंपनी जो इस विचार पर आधारित है कि स्वचालित निदान स्वास्थ्य सेवा को सभी के लिए समान और उपलब्ध होने के लिए अस्तित्व में होना चाहिए। ग्रेडिएंट हेल्थ स्वचालित एआई निदान को तेज करने के लिए डेटा का उपयोग करता है जो संगठित, लेबल और उपलब्ध है।

क्या आप ग्रेडिएंट हेल्थ के पीछे की उत्पत्ति की कहानी साझा कर सकते हैं?

मेरे सह-संस्थापक ओउवेन और मैंने अपनी पहली स्टार्टअप, फार्मशॉट्स से बाहर निकलने के बाद, जो कि कंप्यूटर विजन का उपयोग करके कृषि में कीटनाशकों की मात्रा को कम करने में मदद करता था, और हम अपनी अगली चुनौती की तलाश में थे।

हमेशा हमें यह प्रेरणा मिली है कि हम एक कठिन समस्या का समाधान करने के लिए प्रौद्योगिकी का उपयोग करें, जो दुनिया में बहुत अच्छा कर सकती है और एक ठोस व्यवसाय का नेतृत्व कर सकती है। ओउवेन चिकित्सा डिग्री पर काम कर रहे थे, और हमारे कंप्यूटर विजन के अनुभव के साथ, चिकित्सा इमेजिंग एक प्राकृतिक फिट थी हमारे लिए। स्तन कैंसर के विनाशकारी प्रभाव के कारण, हमने मैमोग्राफी को एक संभावित पहले अनुप्रयोग के रूप में चुना। इसलिए हमने कहा, “ठीक है, हम कहां से शुरू करें? हमें डेटा की आवश्यकता है। हमें एक हजार मैमोग्राम की आवश्यकता है। यह डेटा कहां से मिल सकता है?” और उत्तर था “कहीं नहीं”। हमने तुरंत महसूस किया, यह वास्तव में मुश्किल है डेटा प्राप्त करने के लिए। महीनों के बाद, यह हमारे लिए एक दार्शनिक समस्या बन गई, हमने सोचा “कोई भी जो इस स्थान में अच्छा करने की कोशिश कर रहा है, उन्हें डेटा प्राप्त करने के लिए लड़ना और संघर्ष करना नहीं चाहिए जो उन्हें जीवन रक्षक एल्गोरिदम बनाने की आवश्यकता है”। और इसलिए हमने कहा “हे، शायद यह वास्तव में हमारी समस्या है जो हल करने की जरूरत है”।

बाजार में असमान डेटा के साथ वर्तमान जोखिम क्या हैं?

अनगिनत अध्ययनों और वास्तविक दुनिया के उदाहरणों से, हम जानते हैं कि यदि हम एक एल्गोरिदम बनाते हैं, जो केवल पश्चिमी तट से डेटा का उपयोग करता है, और आप इसे दक्षिणपूर्व में ले जाते हैं, तो यह काम नहीं करेगा। बार-बार हम सुनते हैं कि एआई की कहानियां जो उत्तरपूर्वी अस्पताल में बनाई गई थीं, और जब वे इसे कहीं और तैनात करते हैं तो सटीकता 50% से कम हो जाती है।

मुझे लगता है कि एआई का मूल उद्देश्य, नैतिक स्तर पर, यह है कि यह स्वास्थ्य विसंगतियों को कम करना चाहिए। उद्देश्य यह है कि गुणवत्तापूर्ण देखभाल को सभी के लिए सस्ता और उपलब्ध बनाना है। लेकिन समस्या यह है कि जब आप इसे खराब डेटा पर बनाते हैं, तो आप वास्तव में विसंगतियों को बढ़ाते हैं। हम स्वास्थ्य सेवा एआई के मिशन में विफल हो रहे हैं यदि हम इसे केवल सफेद पुरुषों के लिए काम करने देते हैं जो तटों से हैं। कम प्रतिनिधित्व वाले पृष्ठभूमि के लोग वास्तव में परिणामस्वरूप अधिक भेदभाव का सामना करेंगे, कम नहीं।

क्या आप बता सकते हैं कि ग्रेडिएंट हेल्थ डेटा कैसे स्रोत करता है?

हाँ, हम दुनिया भर के सभी प्रकार के स्वास्थ्य प्रणालियों के साथ साझेदारी करते हैं जिनका डेटा अन्यथा दूरस्थ है, जो उन्हें पैसे खर्च करता है और किसी को भी लाभ नहीं पहुंचाता है। हम उनके डेटा को स्रोत पर पूरी तरह से डी-आईडी करते हैं और फिर हम इसे शोधकर्ताओं के लिए सावधानीपूर्वक व्यवस्थित करते हैं।

ग्रेडिएंट हेल्थ डेटा को निष्पक्ष और विविध बनाने के लिए कैसे सुनिश्चित करता है?

कई तरीकों से। उदाहरण के लिए, जब हम डेटा एकत्र कर रहे होते हैं, तो हम सुनिश्चित करते हैं कि हम समुदाय क्लिनिकों को शामिल करते हैं, जहां अक्सर अधिक प्रतिनिधित्व वाला डेटा होता है, साथ ही बड़े अस्पतालों को भी। हम कई नैदानिक साइटों से भी डेटा प्राप्त करते हैं। हम जितना संभव हो उतने साइटों को प्राप्त करने का प्रयास करते हैं जो विभिन्न आबादी से हैं। इसलिए केवल साइटों की संख्या नहीं है, बल्कि उन्हें भौगोलिक और सामाजिक-आर्थिक रूप से विविध बनाना है। क्योंकि यदि सभी साइटें डाउनटाउन अस्पतालों से हैं तो यह अभी भी प्रतिनिधित्व वाला डेटा नहीं है, है ना?

इसे मान्य करने के लिए, हम इन सभी डेटासेट पर आंकड़े चलाते हैं, और हम इसे ग्राहक के लिए अनुकूलित करते हैं, ताकि वे सुनिश्चित कर सकें कि वे डेटा प्राप्त कर रहे हैं जो प्रौद्योगिकी और जनसांख्यिकी दोनों के मामले में विविध है।

डेटा नियंत्रण का यह स्तर क्यों महत्वपूर्ण है ताकि मजबूत एआई एल्गोरिदम का डिज़ाइन किया जा सके?

वास्तविक दुनिया में कई переменiable हैं जिनका सामना एक एआई कर सकता है, और हमारा उद्देश्य यह सुनिश्चित करना है कि एल्गोरिदम जितना संभव हो उतना मजबूत हो। इसे सरल बनाने के लिए, हम अपने डेटा में पांच मुख्य переменiable के बारे में सोचते हैं। पहला переменiable जिसके बारे में हम सोचते हैं वह है “उपकरण निर्माता”। यह स्पष्ट है, लेकिन यदि आप केवल जीई स्कैनरों से डेटा का उपयोग करके एक एल्गोरिदम बनाते हैं, तो यह हिटाची पर उतना अच्छा प्रदर्शन नहीं करेगा।

इसी तरह का एक और переменiable है “उपकरण मॉडल”। यह वास्तव में स्वास्थ्य असमानता के दृष्टिकोण से दिलचस्प है। हम जानते हैं कि बड़े, अच्छी तरह से वित्तपोषित शोध अस्पतालों में अक्सर नवीनतम और सबसे अच्छे स्कैनर होते हैं। और, यदि वे केवल अपने 2022 मॉडल पर अपने एआई को प्रशिक्षित करते हैं, तो यह 2010 मॉडल पर उतना अच्छा प्रदर्शन नहीं करेगा। ये पुराने सिस्टम वास्तव में कम संपन्न और ग्रामीण क्षेत्रों में पाए जाते हैं। इसलिए, केवल नए मॉडल से डेटा का उपयोग करके वे अनजाने में इन समुदायों के लोगों के खिलाफ और अधिक पूर्वाग्रह पेश करते हैं।

अन्य मुख्य переменiable हैं लिंग, जाति, और आयु, और हम अपने डेटा को इन सभी में संतुलित बनाने के लिए बहुत कुछ करते हैं।

मेडटेक कंपनियों का सामना करने वाले कुछ नियामक बाधाएं क्या हैं?

हम देख रहे हैं कि एफडीए डेटासेट में पूर्वाग्रह की जांच कर रहा है। हमने शोधकर्ताओं को यह कहते हुए सुना है कि “एफडीए ने हमारे एल्गोरिदम को अस्वीकार कर दिया क्योंकि यह 15% अफ्रीकी अमेरिकी आबादी को शामिल नहीं करता था” (अमेरिकी आबादी का लगभग प्रतिशत जो अफ्रीकी अमेरिकी हैं)। हमने सुना है कि एक डेवलपर को बताया गया था कि उन्हें अपने प्रशिक्षण डेटा में 1% प्रशांत हवाई द्वीपवासी शामिल करने की आवश्यकता है।

एफडीए यह महसूस करना शुरू कर रहा है कि ये एल्गोरिदम, जो केवल एक अस्पताल में प्रशिक्षित किए गए थे, वास्तविक दुनिया में काम नहीं करते हैं। यह तथ्य है कि यदि आप सीई मार्किंग और एफडीए मंजूरी प्राप्त करना चाहते हैं, तो आपको एक ऐसे डेटासेट के साथ आने की आवश्यकता है जो आबादी का प्रतिनिधित्व करता है। यह, सही तरीके से, अब स्वीकार्य नहीं है कि एक एआई को केवल एक छोटे या प्रतिनिधित्व वाले समूह पर प्रशिक्षित किया जाए।

मेडटेक के लिए जोखिम यह है कि वे अपनी प्रौद्योगिकी को नियामक मंजूरी प्राप्त करने के लिए तैयार करने में लाखों डॉलर का निवेश करते हैं, और फिर यदि वे इसे प्राप्त नहीं कर सकते हैं, तो वे कभी भी प्रतिपूर्ति या राजस्व प्राप्त नहीं करेंगे। अंततः, व्यावसायीकरण और स्वास्थ्य सेवा पर लाभकारी प्रभाव डालने के लिए जो वे करना चाहते हैं, उन्हें डेटा पूर्वाग्रह की परवाह करनी होगी।

इन बाधाओं को पार करने के लिए डेटा के दृष्टिकोण से कुछ विकल्प क्या हैं?

हाल के वर्षों में, डेटा प्रबंधन विधियों में विकास हुआ है, और एआई डेवलपर्स के पास अब पहले से अधिक विकल्प उपलब्ध हैं। डेटा मध्यस्थों और भागीदारों से लेकर संघीय सीखने और सिंथेटिक डेटा तक, इन बाधाओं के लिए नए दृष्टिकोण हैं। जोever विधि वे चुनते हैं, हम हमेशा उन्हें प्रोत्साहित करते हैं कि वे सोचें कि क्या उनका डेटा वास्तव में उस आबादी का प्रतिनिधित्व करता है जो उत्पाद का उपयोग करेगी। यह सबसे कठिन पहलू है जो डेटा स्रोत के लिए है।

ग्रेडिएंट हेल्थ द्वारा पेश किए गए एक समाधान ग्रेडिएंट लेबल है, यह समाधान क्या है और यह बड़े पैमाने पर डेटा लेबल करने में कैसे सक्षम बनाता है?

चिकित्सा इमेजिंग एआई को न केवल डेटा की आवश्यकता होती है, बल्कि विशेषज्ञ अनोटेशन भी होते हैं। और हम कंपनियों को विशेषज्ञ अनोटेशन प्राप्त करने में मदद करते हैं, जिनमें रेडियोलॉजिस्ट भी शामिल हैं।

स्वास्थ्य सेवा में एआई और डेटा के भविष्य के लिए आपकी दृष्टि क्या है?

स्वास्थ्य सेवा में पहले से ही हजारों एआई टूल हैं जो उंगलियों के सिरे से लेकर पैर के सिरे तक सब कुछ देखते हैं, और मुझे लगता है कि यह जारी रहेगा। मुझे लगता है कि प्रत्येक चिकित्सा पाठ्यपुस्तक में प्रत्येक स्थिति के लिए कम से कम 10 एल्गोरिदम होंगे। प्रत्येक के लिए कई, शायद प्रतिस्पर्धी उपकरण होंगे जो चिकित्सकों को सर्वोत्तम देखभाल प्रदान करने में मदद करेंगे।

मुझे लगता है कि हम एक स्टार ट्रेक शैली के ट्राइकोर्डर को देखने की संभावना नहीं है जो किसी को स्कैन करता है और सिर से पैर तक हर संभावित समस्या को संबोधित करता है। इसके बजाय, हमें विशेषज्ञ अनुप्रयोग मिलेंगे जो प्रत्येक उप-समूह के लिए होंगे।

क्या ग्रेडिएंट हेल्थ के बारे में और कुछ है जो आप साझा करना चाहेंगे?

मैं भविष्य के बारे में उत्साहित हूं। मुझे लगता है कि हम एक ऐसे स्थान की ओर बढ़ रहे हैं जहां स्वास्थ्य सेवा सस्ती, समान और सभी के लिए उपलब्ध होगी, और मैं उत्साहित हूं कि ग्रेडिएंट इसे संभव बनाने में एक मूलभूत भूमिका निभाने का मौका प्राप्त करेगा। यहां की पूरी टीम वास्तव में इस मिशन में विश्वास करती है, और उनमें एक संयुक्त जुनून है जो हर कंपनी में नहीं मिलता है। और मुझे यह पसंद है!

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें ग्रेडिएंट हेल्थ पर जाना चाहिए।