Akilesh Bapu, stofnandi og forstjóri DeepScribe – Interview Series

Akilesh Bapu er stofnandi og forstjóri DeepScribe, sem notar náttúrulega málvinnslu (NLP) og háþróaða djúpt nám til að búa til nákvæmar, samhæfðar og öruggar athugasemdir um samtöl læknis og sjúklings.

Hvað var það sem kynnti og laðaði þig að gervigreind og náttúrulegri málvinnslu?

Ef ég man rétt þá var Jarvis úr „Iron Man“ það fyrsta sem laðaði mig virkilega að heimi náttúrulegrar málvinnslu og gervigreindar. Sérstaklega fannst mér það heillandi hversu miklu hraðar maðurinn gat ekki aðeins farið í gegnum verkefni heldur líka farið í ótrúlega dýpt í ákveðin verkefni og afhjúpað ákveðnar upplýsingar sem þeir hefðu ekki einu sinni vitað um ef það væri ekki fyrir þetta gervigreind.

Það var þetta hugtak um "AI sjálft mun ekki vera eins gott og menn í flestum verkefnum en setja mann og gervigreind saman og sú samsetning mun ráða ríkjum." Náttúruleg málvinnsla er skilvirkasta leiðin fyrir þessa samsetningu manneskju og gervigreindar.

Upp frá því var ég heltekinn af Siri, Google Now, Alexa og hinum. Þó að þeir virkuðu ekki eins óaðfinnanlega og Jarvis, langaði mig svo mikið til að láta þá vinna eins og Jarvis gerði. Sérstaklega, það sem kom í ljós var að skipanir eins og „Alexa gerðu þetta,“ „Alexa gerðu það,“ voru frekar auðvelt og nákvæmar að gera með núverandi stöðu tækninnar. En þegar það kemur að einhverju eins og Jarvis, þar sem það getur í raun og veru lært og skilið, síað og tekið upp mikilvæg efni í annarri samræðuskipti — þá hafði það í raun ekki verið gert áður. Þetta tengist í raun beint einni af kjarnahvötunum mínum við að stofna DeepScribe. Á meðan við erum að leysa vandamálið um skjöl fyrir lækna, erum við að reyna alveg nýja bylgju upplýsinga á meðan við gerum það: umhverfisgreind. AI sem getur grafið í gegnum dagleg orð þín, fundið gagnlegar upplýsingar og notað þær upplýsingar til að hjálpa þér.

Þú gerðir áður nokkrar rannsóknir með því að nota djúpt nám og NLP við UC Berkeley College of Engineering. Á hverju voru rannsóknir þínar?

Aftur á Berkeley AI Research Lab var ég að vinna að genaverufræðiritaverkefni þar sem við vorum að draga saman PubMed greinar með sérstökum úttaksbreytum.

Yfirlitið á háu stigi: Taktu verkefni eins og samantekt fréttagreina CNN. Í því verkefni ertu að taka fréttagreinar og draga þær saman í nokkurn veginn nokkrar setningar. Þér í hag hefurðu gögn og getu til að þjálfa þessar gerðir á yfir milljón greinum. Hins vegar er vandamálið gríðarlegt þar sem þú hefur takmarkaða uppbyggingu á samantektunum. Auk þess er varla uppbygging á hinum raunverulegu greinum. Þó að það hafi verið töluvert um endurbætur síðan fyrir 2.5 árum þegar ég var að vinna að þessu verkefni, þá er þetta enn óleyst vandamál.

Í rannsóknarverkefninu okkar vorum við hins vegar að þróa skipulögð samantekt greina. Skipulögð samantekt í þessu tilfelli er svipuð dæmigerðri samantekt nema við vitum nákvæmlega uppbyggingu framleiðsluyfirlitsins. Þetta er gagnlegt þar sem það dregur verulega úr framleiðslumöguleikum fyrir vélanámslíkanið okkar - áskorunin var sú að það var ekki næg skýringarþjálfun til að keyra gagnaþungt djúpnámslíkan og fá nothæfar niðurstöður.

Kjarninn í vinnunni sem ég vann í þessu verkefni var að nýta þekkinguna sem við höfum í kringum inntaksgögnin og þróa samstæðu grunnra ML líkana til að styðja það - tækni sem við fundum upp sem kallast 2-þrepa annotator. Tveggja þrepa ritskýrandinn mælti með næstum 2x nákvæmni eins og fyrri bestu (20 prósent á móti 54 prósentum).

Þó að þetta verkefni og DeepScribe gætu hljómað allt öðruvísi hlið við hlið, voru þau mjög lík í því hvernig þau notuðu tveggja þrepa skýringaraðferðina til að bæta verulega niðurstöður á takmörkuðu gagnasafni.

Hver var innblásturinn á bak við kynningu á DeepScribe?

Þetta byrjaði allt með föður mínum, sem var krabbameinslæknir. Áður en rafræn sjúkraskrárkerfi tóku yfir heilsugæsluna skrifuðu læknar hlutina niður á blað og eyddu mjög litlum tíma í minnispunkta. Hins vegar, þegar EHR byrjaði að verða vinsæll sem hluti af HITECH lögum frá 2009, fór ég að taka eftir því að pabbi minn eyddi meiri og meiri tíma við tölvuna. Hann byrjaði að koma heim seinna. Um helgar sat hann í sófanum og skrifaði nótur. Einfaldir hlutir eins og hann að sækja mig í skóla eða körfuboltaæfingu heyrðu sögunni til þar sem hann myndi eyða mestum kvöldtíma sínum í að ná í skjöl.

Sem nördalegur krakki á uppvaxtarárum myndi ég reyna að finna lausnir fyrir hann með því að leita á vefnum og láta hann prófa þær. Því miður virkaði ekkert nógu vel til að bjarga honum frá löngum tíma skjala.

Spóla áfram í nokkur ár til sumarsins 2017 — ég er fræðimaður sem starfar hjá Berkeley AI Research Lab og vinn að verkefnum í samantekt skjala. Eitt sumarið þegar ég er aftur heima tek ég eftir því að pabbi eyðir enn miklum tíma í að skrásetja. Ég spyr: „Hvað er nýtt í heimildaheiminum? Alexa er alls staðar, Google Assistant er svo góður núna. Segðu mér, hvað er það nýjasta í læknarýminu?“ Og svar hans var: "Ekkert hefur breyst." Ég hélt að þetta væri bara hann en þegar ég fór og skoðaði nokkra samstarfsmenn hans, þá var þetta sama málið: ekki það nýjasta í krabbameinsmeðferð eða nýjustu vandamálin sem sjúklingar þeirra voru með - þetta var skjöl. „Hvernig get ég losað mig við skjöl? Hvernig get ég sparað tíma í skjölum? Það tekur svo mikinn tíma minn."

Ég tók líka eftir nokkrum fyrirtækjum sem höfðu komið fram til að reyna að leysa skjöl. Hins vegar, annað hvort voru þeir of dýrir (þúsundir dollara á mánuði) eða þeir voru of lágir hvað tækni varðar. Læknarnir á þeim tíma höfðu mjög fáa valkosti. Það var þegar tækifærið opnaðist að ef við gætum búið til gervigreindan læknaritara, tækni sem gæti fylgst með sjúklingaheimsóknum lækna og dregið þær saman, og boðið upp á það á kostnaði sem gæti gert það aðgengilegt fyrir alla, gæti það sannarlega skilað umönnunargleði aftur til læknisfræðinnar.

Þú varst aðeins 22 ára þegar þú settir af stað DeepScribe. Getur þú lýst ferð þinni sem frumkvöðull?

Fyrsta kynni mín af frumkvöðlastarfi var aftur í menntaskóla. Það byrjaði með því að ég og vinur sem kunnum nokkur grunnatriði JavaScript hittum forstöðumann miðstöðvar fyrir börn með námsörðugleika. Þeir sögðu okkur hvernig einföldustu verkfærin gætu farið langt með lesblind börn. Við enduðum á því að hakka saman Chrome viðbót fyrir lesblindulesara. Það var í raun og veru bein – það lagaði letrið einfaldlega til að uppfylla vísindalegar leiðbeiningar til að auðvelda lesblindu fólki. Þó að hugmyndin væri einföld, enduðum við með því að fá yfir 5000 virka notendur á örfáum mánuðum. Mér blöskraði hvernig grunntækni getur haft svo mikil áhrif á fólk.

Hjá Berkeley hélt ég áfram að kafa inn í heim frumkvöðlastarfsins eins mikið og mögulegt var, fyrst og fremst með fjölbreyttu úrvali þeirra flokka. Mínar uppáhalds voru:

1. Newton fyrirlestraröðin - fólk eins og Jessica Mah frá InDinero eða Diane Greene frá VMWare, sem voru Cal alums, fluttu mjög tengdar fyrirlestra um tíma sinn í Berkeley og hvernig þeir stofnuðu sín eigin fyrirtæki
2. Challenge Lab—Ég hitti í raun meðstofnanda mínum Matt Ko í gegnum þennan tíma. Við vorum sett í hópa og fórum í gegnum önnarlangt ferðalag þar sem við vorum að búa til vöru og fá leiðsögn um hvað þarf á fyrstu stigum til að koma hugmynd í gang.
3. Lean Launchpad — Lang uppáhaldið mitt af þremur; þetta var gróft og strangt ferli þar sem Steve Blank (viðurkenndur milljarðamæringur og maðurinn á bak við lean startup-hreyfinguna) leiddi okkur til að taka hugmynd, sannreyna hana í gegnum 100 viðskiptavinaviðtöl, byggja upp fjármálalíkan og fleira. Þetta var tegund námskeiðs þar sem við settum upp „ræsingu“ okkar aðeins til að stoppa á glæru 1 eða 2 og grilla. Ef það var ekki nógu erfitt var líka gert ráð fyrir að við myndum taka viðtöl við 10 viðskiptavini á viku. Hugmyndin okkar á þeim tíma var að búa til einkaleyfisleit sem myndi gefa svipaðar niðurstöður og dýr fyrri tæknileit, sem þýddi að við vorum að bjóða upp á 10 fyrirtækjaviðskiptavini á viku. Það var frábært því það kenndi okkur að hugsa hratt á fætur og vera extra útsjónarsöm.

DeepScribe byrjaði þegar fjárfestahópur sem heitir The House Fund var að skrifa ávísanir fyrir nemendur sem myndu hafna sumarnáminu sínu og eyða sumrinu í að byggja fyrirtæki sitt. Við vorum nýbúin að loka Delphi (einkaleyfaleitarvélinni) og við Matt vorum stöðugt að tala um læknisfræðileg skjöl og allt féll á sínum stað þar sem það var fullkominn tími til að prófa.

Með DeepScribe vorum við heppin að vera nýkomin út úr Lean Launchpad þar sem einn mikilvægasti þátturinn við að búa til vöru fyrir lækna var að endurtaka og betrumbæta vöruna í kringum endurgjöf viðskiptavina. Sögulegt vandamál með læknaiðnaðinn hefur verið að hugbúnaður hefur sjaldan verið með lækna í hönnunarlykkjunni og hefur því leitt til hugbúnaðar sem var ekki fínstilltur fyrir endanotandann.

Þar sem DeepScribe var að gerast á sama tíma og síðasta árið mitt í Berkeley var þetta þungt jafnvægisverk. Ég myndi mæta í kennslustund í jakkafötum svo ég gæti mætt tímanlega í kynningu viðskiptavina strax á eftir. Ég myndi nota alla EE aðstöðuna og prófessorana ekki fyrir neitt sem tengist bekknum heldur 100 prósent fyrir DeepScribe. Fundir mínir með rannsóknarleiðbeinanda mínum breyttust meira að segja í DeepScribe hugmyndaflug.

Þegar ég lít til baka, ef ég hefði þurft að breyta einu varðandi ferðina mína, þá hefði það verið að setja háskólanám í bið svo ég gæti eytt 150 prósent af tíma mínum í DeepScribe.

Geturðu lýst því fyrir lækni hverjir kostir þess að nota DeepScribe eru samanborið við hefðbundnari aðferð við raddsetningu eða jafnvel að taka minnispunkta?

Notkun DeepScribe er ætlað að vera mjög lík því að nota raunverulegan mannlegan ritara. Þegar þú talar náttúrulega við sjúklinginn þinn mun DeepScribe hlusta á og taka upp læknisfræðilega viðeigandi ræðu sem venjulega fer í minnispunkta þína og setur hana þar inn fyrir þig, með því að nota sama læknisfræðilega tungumál og þú sjálfur notar. Okkur finnst gaman að líta á það sem nýjan gervigreindarstarfsmann úr læknaliðinu þínu sem þú getur þjálfað eins og þú vilt til að hjálpa til við skjöl í rafrænu sjúkraskrárkerfinu þínu eins og þú vilt. Það er mjög frábrugðið því að nota raddmæliþjónustu þar sem það útilokar allt skrefið að þurfa að fara til baka og skjalfesta. Þó dæmigerð einræðisþjónusta breyti 10 mínútum af skjölum í 7-8 mínútur, breytir DeepScribe því í nokkrar sekúndur. Læknar okkar segja frá 1.5 til 3 klukkustunda sparaðan tíma á dag eftir því hversu marga sjúklinga þeir sjá.

DeepScribe er tæki-agnostic, starfhæft úr iPhone, Apple Watch, vafra (fyrir fjarlækningar) eða vélbúnaðartæki.

Hvaða talgreiningar eða NLP áskoranir geta DeepScribe lent í vegna flókins læknisfræðilegrar hugtaka?

Andstætt almennum skoðunum er flókið læknisfræðileg hugtök í raun auðveldasta hlutinn fyrir DeepScribe að ná í. Erfiðasti hluti DeepScribe er að taka upp einstakar samhengisfullyrðingar sem sjúklingur gæti gefið lækni. Því meira sem þeir villast frá dæmigerðu samtali, því meira sjáum við gervigreindina hrasa. En eftir því sem við söfnum fleiri samtalsgögnum sjáum við að það batnar verulega á þessu á hverjum degi.

Hver er önnur vélanámstækni sem er notuð með DeepScribe?

Stóru regnhlífarnar talgreiningar og NLP hafa tilhneigingu til að ná yfir mestallan vélanámið sem við erum að gera hjá DeepScribe.

Geturðu nefnt nokkur sjúkrahús, félagasamtök eða fræðistofnanir sem nota DeepScribe?

DeepScribe byrjaði með tilraunaáætlun með UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center og Cedar Valley læknasérfræðingar eru handfylli af stærri kerfum sem DeepScribe vinnur með.

Hins vegar er stærra hlutfall DeepScribe notenda 50 einkastofur frá Alaska til Flórída. Vinsælustu sérgreinar okkar eru heilsugæslulækningar, bæklunarlækningar, meltingarlækningar, hjartalækningar, geðlækningar og krabbameinslækningar, en við styðjum handfylli af öðrum sérgreinum.

DeepScribe hefur nýlega hleypt af stokkunum forriti til að aðstoða við COVID-19. Gætirðu leiðbeint okkur í gegnum þetta forrit?

COVID-19 hefur bitnað harkalega á læknum okkar. Starfshættir sjá aðeins 30-40 prósent af sjúklingaálagi þeirra, starfsmannafjöldi er skorinn niður og veitendur neyðast til að snúa öllum sjúklingum sínum hratt yfir í fjarlækningar. Allt þetta endar með því að leiða til meira skrifstofustarfa fyrir veitendur - við hjá DeepScribe trúum því staðfastlega að til þess að þessi heimsfaraldur stöðvist verði læknar að verja 100 prósent af athygli sinni og tíma í að sjá um sjúklinga sína.

Til að hjálpa þessum málstað erum við stolt af því að setja af stað ókeypis fjarlækningarlausn fyrir heilbrigðisstarfsfólk sem berst gegn þessum heimsfaraldri. Fjarlæknalausnin okkar er að fullu samþætt við gervigreindarlausnina okkar, læknaritaralausnina okkar, sem útilokar þörfina á klínískum skjölum fyrir kynni á vettvangi okkar.

Við bjóðum einnig upp á ritaraþjónustuna okkar ókeypis á meðan á heimsfaraldri stendur. Þetta þýðir að hvaða læknir sem er getur fengið aðgang að skrifara ókeypis til að sjá um skjöl sín. Vonir okkar eru að með því að gera þetta muni læknar geta einbeitt sér meira að sjúklingum sínum og eytt minni tíma í að hugsa um skjöl, sem leiðir til þess að COVID-19 faraldurinn stöðvast hraðar.

Þakka þér fyrir frábært viðtal, mér fannst mjög gaman að læra um DeepScribe og frumkvöðlaferðina þína. Allir sem vilja fræðast meira ættu að heimsækja DeepScribe.