ინტერვიუები
ჯოშ მილერი, Gradient Health - ინტერვიუს სერიის აღმასრულებელი დირექტორი
ჯოშ მილერი არის აღმასრულებელი დირექტორი გრადიენტური ჯანმრთელობა, კომპანია დაფუძნებული იმ აზრზე, რომ ავტომატური დიაგნოსტიკა უნდა არსებობდეს იმისთვის, რომ ჯანდაცვა იყოს თანაბარი და ხელმისაწვდომი ყველასთვის. Gradient Health მიზნად ისახავს დააჩქაროს ავტომატური AI დიაგნოსტიკა ორგანიზებული, ეტიკეტირებული და ხელმისაწვდომი მონაცემებით.
შეგიძლიათ გაგიზიაროთ გენეზისის ისტორია Gradient Health-ის მიღმა?
მე და ჩემი თანადამფუძნებელი ოუვენი ახლახან გამოვედით ჩვენი პირველი სტარტაპიდან, FarmShots, რომელმაც გამოიყენა კომპიუტერული ხედვა სოფლის მეურნეობაში გამოყენებული პესტიციდების რაოდენობის შესამცირებლად და ჩვენ ვეძებდით ჩვენს შემდეგ გამოწვევას.
ჩვენ ყოველთვის მოტივირებული ვიყავით ტექნოლოგიით გადასაჭრელად რთული პრობლემის პოვნის სურვილით, რომელიც ა) აქვს შესაძლებლობა გააკეთოს მსოფლიოში ბევრი სიკეთე და ბ) მიგვიყვანს მყარი ბიზნესისკენ. ოუვენი მუშაობდა თავის სამედიცინო ხარისხზე და კომპიუტერულ ხედვაში ჩვენი გამოცდილებით, სამედიცინო გამოსახულება ჩვენთვის ბუნებრივი იყო. სარძევე ჯირკვლის კიბოს დამანგრეველი გავლენის გამო, ჩვენ ავირჩიეთ მამოგრაფია, როგორც პოტენციური პირველი აპლიკაცია. ასე რომ, ჩვენ ვთქვით: ”კარგი, საიდან დავიწყოთ? ჩვენ გვჭირდება მონაცემები. ათასი მამოგრაფია გვჭირდება. საიდან იღებთ ამ მასშტაბის მონაცემებს?” და პასუხი იყო "არსად". ჩვენ მაშინვე მივხვდით, რომ მონაცემების მოძიება ნამდვილად რთულია. თვეების შემდეგ, ეს იმედგაცრუება ჩვენთვის ფილოსოფიურ პრობლემად გადაიზარდა, ჩვენ ვიფიქრეთ, რომ „ვინც ცდილობს ამ სივრცეში სიკეთის გაკეთებას, არ უნდა იბრძოლოს და იბრძოლოს იმ მონაცემების მისაღებად, რაც საჭიროა სიცოცხლის გადარჩენის ალგორითმების შესაქმნელად“. ასე რომ, ჩვენ ვთქვით "ჰეი, იქნებ ეს არის რეალურად ჩვენი პრობლემის გადაჭრა".
რა არის ამჟამინდელი რისკები ბაზარზე არაწარმომადგენლობითი მონაცემებით?
უთვალავი კვლევებიდან და რეალურ სამყაროში არსებული მაგალითებიდან ვიცით, რომ თუ ავაშენებთ ალგორითმს მხოლოდ დასავლეთ სანაპიროს მონაცემების გამოყენებით და თქვენ მას სამხრეთ-აღმოსავლეთში მიიყვანთ, ის უბრალოდ არ იმუშავებს. დროდადრო ჩვენ გვესმის AI-ის ისტორიები, რომელიც მშვენივრად მუშაობს ჩრდილო-აღმოსავლეთ საავადმყოფოში, სადაც ის შეიქმნა და შემდეგ, როდესაც ისინი სხვაგან განათავსებენ, სიზუსტე 50%-ზე ნაკლებს ეცემა.
მე მჯერა, რომ ხელოვნური ინტელექტის ფუნდამენტური მიზანი, ეთიკურ დონეზე, არის ის, რომ მან უნდა შეამციროს ჯანმრთელობის შეუსაბამობები. მიზანია გახადოს ხარისხიანი მომსახურება ყველასთვის ხელმისაწვდომი და ხელმისაწვდომი. მაგრამ პრობლემა ის არის, რომ როდესაც ის აგებულია ცუდ მონაცემებზე, თქვენ რეალურად გაზრდით შეუსაბამობებს. ჩვენ ვერ შევასრულებთ ჯანდაცვის ხელოვნური ინტელექტის დავალებას, თუ დავუშვებთ, რომ ის მხოლოდ სანაპიროდან თეთრკანიან ბიჭებზე მუშაობს. ნაკლებად წარმომადგენლობითი ფენის ადამიანები რეალურად განიცდიან მეტ დისკრიმინაციას შედეგად, არანაკლებ.
შეგიძლიათ განიხილოთ, როგორ აწვდის Gradient Health მონაცემებს?
რა თქმა უნდა, ჩვენ ვთანამშრომლობთ ყველა ტიპის ჯანდაცვის სისტემასთან მთელს მსოფლიოში, რომელთა მონაცემები სხვაგვარად ინახება, რაც მათ ფულს უჯდება და არავის სარგებელს არ მოუტანს. ჩვენ საფუძვლიანად ვაშორებთ მათ მონაცემებს წყაროში და შემდეგ გულდასმით ვაწყობთ მას მკვლევარებისთვის.
როგორ უზრუნველყოფს Gradient Health, რომ მონაცემები იყოს მიუკერძოებელი და რაც შეიძლება მრავალფეროვანი?
უამრავი გზა არსებობს. მაგალითად, როდესაც ჩვენ ვაგროვებთ მონაცემებს, ჩვენ ვზრუნავთ, რომ მოიცავს უამრავ საზოგადოებრივ კლინიკას, სადაც ხშირად გაქვთ ბევრად უფრო წარმომადგენლობითი მონაცემები, ისევე როგორც უფრო დიდი საავადმყოფოები. ჩვენ ასევე ვაგროვებთ ჩვენს მონაცემებს მრავალი კლინიკური საიტიდან. ჩვენ ვცდილობთ მივიღოთ რაც შეიძლება მეტი საიტი პოპულაციების რაც შეიძლება ფართო სპექტრისგან. ასე რომ, არა მხოლოდ საიტების დიდი რაოდენობა, არამედ გეოგრაფიულად და სოციალურ-ეკონომიკურად მრავალფეროვანი. იმის გამო, რომ თუ თქვენი ყველა საიტი არის ცენტრის საავადმყოფოებიდან, ეს ჯერ კიდევ არ არის წარმომადგენლობითი მონაცემები, არა?
ამ ყველაფრის დასადასტურებლად, ჩვენ ვაწარმოებთ სტატისტიკას ყველა ამ მონაცემთა ნაკრებში და ვამუშავებთ მას კლიენტისთვის, რათა დავრწმუნდეთ, რომ ისინი იღებენ მრავალფეროვან მონაცემებს ტექნოლოგიისა და დემოგრაფიული თვალსაზრისით.
რატომ არის მონაცემთა კონტროლის ეს დონე ასე მნიშვნელოვანი ძლიერი AI ალგორითმების შესაქმნელად?
არსებობს მრავალი ცვლადი, რომელსაც AI შეიძლება შეხვდეს რეალურ სამყაროში და ჩვენი მიზანია უზრუნველყოს ალგორითმი რაც შეიძლება ძლიერი იყოს. საქმეების გასამარტივებლად, ჩვენ ვფიქრობთ ხუთ ძირითად ცვლადზე ჩვენს მონაცემებში. პირველი ცვლადი, რომელზეც ჩვენ ვფიქრობთ არის "აღჭურვილობის მწარმოებელი". ეს აშკარაა, მაგრამ თუ ალგორითმს მხოლოდ GE სკანერების მონაცემების გამოყენებით ქმნით, ის ვერ იმუშავებს ისე კარგად Hitachi-ზე, ვთქვათ.
მსგავსი ხაზების გასწვრივ არის "აღჭურვილობის მოდელი" ცვლადი. ეს მართლაც საკმაოდ საინტერესოა ჯანმრთელობის უთანასწორობის თვალსაზრისით. ჩვენ ვიცით, რომ დიდ, კარგად დაფინანსებულ კვლევით საავადმყოფოებს აქვთ სკანერების უახლესი და საუკეთესო ვერსიები. და თუ ისინი მხოლოდ 2022 წლის საკუთარ მოდელებზე ავარჯიშებენ თავიანთ AI-ს, ეს არ იმუშავებს ისე, როგორც ძველ 2010 წლის მოდელზე. ეს ძველი სისტემები არის ზუსტად ის, რაც გვხვდება ნაკლებად შეძლებულ და სოფლად. ასე რომ, მხოლოდ ახალი მოდელების მონაცემების გამოყენებით, ისინი უნებლიედ ახორციელებენ შემდგომ მიკერძოებას ამ თემების ადამიანების მიმართ.
სხვა საკვანძო ცვლადები არის სქესი, ეთნიკური წარმომავლობა და ასაკი და ჩვენ ყველაფერს ვაკეთებთ იმისათვის, რომ დავრწმუნდეთ, რომ ჩვენი მონაცემები პროპორციულად დაბალანსებულია ყველა მათგანში.
რა მარეგულირებელი დაბრკოლებების წინაშე დგანან MedTech კომპანიები?
ჩვენ ვიწყებთ იმის ხილვას, რომ FDA ნამდვილად იკვლევს მიკერძოებას მონაცემთა ნაკრებებში. ჩვენთან მოვიდნენ მკვლევარები და თქვეს: „FDA-მ უარყო ჩვენი ალგორითმი, რადგან მას აკლდა 15% აფროამერიკელი მოსახლეობა“ (აფროამერიკელების დაახლოებით პროცენტი, რომლებიც აშშ-ს მოსახლეობის ნაწილია). ჩვენ ასევე გვსმენია დეველოპერზე, რომელსაც უთხრეს, რომ მათ სასწავლო მონაცემებში უნდა ჩართონ წყნარი ოკეანის ჰავაის კუნძულების 1%.
ასე რომ, FDA იწყებს იმის გაცნობიერებას, რომ ეს ალგორითმები, რომლებიც მხოლოდ ერთ საავადმყოფოში იყო მომზადებული, არ მუშაობს რეალურ სამყაროში. ფაქტია, რომ თუ გსურთ CE მარკირება და FDA კლირენსი, თქვენ უნდა მოიყვანოთ მონაცემთა ნაკრები, რომელიც წარმოადგენს მოსახლეობას. სამართლიანად აღარ არის მისაღები AI-ის მომზადება მცირე ან არაწარმომადგენლობით ჯგუფზე.
MedTechs-ის რისკი ის არის, რომ ისინი მილიონობით დოლარის ინვესტიციას ახორციელებენ, რომ ტექნოლოგიით მიიტანონ ისეთ ადგილას, სადაც ფიქრობენ, რომ მზად არიან მარეგულირებელი კლირენსისთვის, შემდეგ კი, თუ ისინი ვერ შეძლებენ მას, ვერასდროს მიიღებენ ანაზღაურებას ან შემოსავალს. საბოლოო ჯამში, კომერციალიზაციისკენ მიმავალი გზა და ჯანდაცვაზე ისეთი სასარგებლო ზემოქმედებისკენ მიმავალი გზა, რომელიც მათ სურთ, მოითხოვს მათ იზრუნონ მონაცემთა მიკერძოებაზე.
რა არის ამ დაბრკოლებების გადალახვის რამდენიმე ვარიანტი მონაცემთა პერსპექტივიდან?
ბოლო წლების განმავლობაში, მონაცემთა მართვის მეთოდები განვითარდა და AI დეველოპერებს ახლა უფრო მეტი ვარიანტი აქვთ ხელმისაწვდომი, ვიდრე ოდესმე. მონაცემთა შუამავლებიდან და პარტნიორებიდან დაწყებული ფედერაციულ სწავლებამდე და სინთეზურ მონაცემებამდე, არსებობს ახალი მიდგომები ამ დაბრკოლებების მიმართ. როგორი მეთოდიც არ უნდა აირჩიონ, ჩვენ ყოველთვის მოვუწოდებთ დეველოპერებს განიხილონ, არის თუ არა მათი მონაცემები რეალურად წარმომადგენლობითი მოსახლეობისთვის, რომელიც გამოიყენებს პროდუქტს. ეს მონაცემების მოპოვების ყველაზე რთული ასპექტია.
გამოსავალი, რომელსაც Gradient Health გვთავაზობს, არის Gradient Label, რა არის ეს გამოსავალი და როგორ რთავს მას მონაცემების მარკირებას მასშტაბით?
სამედიცინო ვიზუალიზაციის ხელოვნური ინტელექტი არ მოითხოვს მხოლოდ მონაცემებს, არამედ ექსპერტთა ანოტაციებს. და ჩვენ ვეხმარებით კომპანიებს მიიღონ ეს ექსპერტული ანოტაციები, მათ შორის რადიოლოგებისგან.
როგორია თქვენი ხედვა ხელოვნური ინტელექტისა და მონაცემების მომავლის შესახებ ჯანდაცვის სფეროში?
უკვე არსებობს ათასობით ხელოვნური ინტელექტის ინსტრუმენტი, რომელიც ათვალიერებს ყველაფერს თითების წვერებიდან ფეხის თითებამდე და ვფიქრობ, ეს გაგრძელდება. მე ვფიქრობ, რომ სამედიცინო სახელმძღვანელოში ყოველი მდგომარეობისთვის იქნება მინიმუმ 10 ალგორითმი. თითოეულ მათგანს ექნება მრავალი, ალბათ კონკურენტუნარიანი ინსტრუმენტი, რომელიც დაეხმარება კლინიკებს საუკეთესო მოვლის უზრუნველყოფაში.
არა მგონია, ჩვენ საბოლოოდ დავინახოთ Star Trek სტილის ტრიკორდერი, რომელიც სკანირებს ვინმეს და აგვარებს ყველა შესაძლო პრობლემას თავიდან ფეხებამდე. ამის ნაცვლად, ჩვენ გვექნება სპეციალური აპლიკაციები თითოეული ქვეჯგუფისთვის.
არის კიდევ რაიმე, რისი გაზიარებაც გსურთ Gradient Health-ის შესახებ?
აღფრთოვანებული ვარ მომავალით. მე ვფიქრობ, რომ ჩვენ მივდივართ იმ ადგილისაკენ, სადაც ჯანდაცვა არის იაფი, თანაბარი და ხელმისაწვდომი ყველასთვის, და მე მსურს, რომ Gradient-ს მიეცეს შანსი, ითამაშოს ფუნდამენტური როლი ამის განხორციელებაში. მთელ გუნდს აქ ჭეშმარიტად სჯერა ამ მისიის და მათში არის ერთიანი ვნება, რომელსაც ყველა კომპანიაში ვერ ხვდები. Და მე მიყვარს ეს!
გმადლობთ შესანიშნავი ინტერვიუსთვის, მკითხველს, ვისაც სურს მეტი გაიგოს, უნდა ეწვიოს გრადიენტური ჯანმრთელობა.
