Josh Miller, Gradient Health의 CEO – 인터뷰 시리즈

Josh Miller는 Gradient Health의 CEO입니다. Gradient Health는 의료 서비스가 모든 사람에게 평등하고 이용 가능하도록 자동화된 진단이 존재해야 한다는 아이디어로 설립되었습니다. Gradient Health는 조직화된 데이터, 레이블이 지정된 데이터 및 사용 가능한 데이터로 자동화된 AI 진단을 가속화하는 것을 목표로 합니다.

Gradient Health의 기원 이야기를 공유해 줄 수 있나요?

제 동업자 Ouwen과 저는 첫 번째 스타트업인 FarmShots에서 탈퇴한 후에 새로운 도전을 찾고 있었습니다. FarmShots는 농업에서 살충제 사용량을 줄이는 데 컴퓨터 비전을 사용했습니다.

우리는 항상 기술로 해결할 수 있는 어려운 문제를 찾고 싶었으며, 그것이 세계에 많은 도움이 되고 또한 сол직한 비즈니스로 이어질 수 있는 것을 찾고 있었습니다. Ouwen은 의학 학위를 취득하고 있었으며, 우리가 컴퓨터 비전에 대한 경험을 가지고 있었기 때문에 의료 영상은 우리에게 자연스러운 적합이었습니다. 유방암의 파괴적인 영향으로 인해 우리는 유방암을 첫 번째 적용으로 선택했습니다. 그래서 우리는 “-ok, 어디서 시작할까? 우리는 데이터가 필요합니다. 1,000개의 유방암 검사 결과가 필요합니다. 어디서 그 정도의 데이터를 얻을 수 있을까?”라고 물었습니다. 그리고答案은 “없다”였습니다. 우리는 즉시, 데이터를 얻는 것이 정말 어렵다는 것을 깨달았습니다. 몇 개월 후, 이 좌절은 우리에게 철학적인 문제가 되었습니다. 우리는 “누구든지 이 영역에서 좋은 일을 하려는 사람은 데이터를 얻기 위해 싸우고 어려움을 겪을 필요가 없어야 한다”고 생각했습니다. 그래서 우리는 “아, 어쩌면 그것이 실제로 우리가 해결해야 할 문제일까?”라고 말했습니다.

시장에서 대표성이 없는 데이터의 현재 위험은 무엇인가요?

수많은 연구와 실제 예시에서, 우리는 알고리즘을 서부 해안의 데이터만 사용하여 구축하고, 동남부로 가져가면 작동하지 않는다는 것을 압니다. 북동부 병원에서 생성된 알고리즘이 다른 곳에서 배포될 때 정확도가 50% 미만으로 떨어지는 이야기를 여러 번 들었습니다.

저는 AI의 기본적인 목적이 건강의 불균형을 줄이는 것이라는 것을 믿습니다. 목표는 모든 사람에게 질 좋은 치료를 저렴하고 접근하기 쉽게 만드는 것입니다. 그러나 문제는 데이터가 부족해서 알고리즘이 작동하지 않을 때, 실제로 불균형을 증가시킵니다. 우리는 서부 해안의 백인 남성만을 위해 작동하는 AI를 만들면, 의료 AI의 임무에 실패합니다. 대표성이 없는 배경의 사람들은 실제로 더 많은 차별을 받게 될 것입니다.

Gradient Health가 데이터를 어떻게 수집하는지 설명해 주시겠습니까?

네, 우리는 전 세계의 모든 유형의 의료 시스템과 협력하여 데이터를 수집합니다. 그들의 데이터는 저장되어 있지만, 아무에게도 도움이 되지 않으며, 비용만 증가시킵니다. 우리는 데이터를 철저하게匿名化하고, 연구자에게 조직화합니다.

Gradient Health가 데이터가 편향되지 않고 가능한 한 다양하게 유지되는 방법은 무엇인가요?

여러 가지 방법이 있습니다. 예를 들어, 데이터를 수집할 때, 우리는 많은 커뮤니티 클리닉을 포함하여, 대표성이 더 높은 데이터를 포함하도록 노력합니다. 우리는 또한 다양한 임상 사이트에서 데이터를 수집합니다. 우리는 가능한 한 많은 사이트를 다양한 인구에서 얻으려고 노력합니다. 그래서 사이트가 많을 뿐만 아니라, 지리적으로 및 사회 경제적으로 다양한 사이트를 포함합니다. 모든 사이트가 다운타운 병원에서만 있으면, 여전히 대표성이 없는 데이터입니다.

이 모든 것을 검증하기 위해, 우리는 모든 데이터 세트에 대한 통계를 실행하고, 고객에게 맞춤형으로 제공합니다. 데이터가 기술 및 인구 통계적으로 다양한지 확인합니다.

강력한 AI 알고리즘을 설계하기 위해 이러한 수준의 데이터 제어가 중요한 이유는 무엇인가요?

실제 세계에서 AI가遭遇할 수 있는 많은 변수가 있으며, 우리의 목표는 알고리즘이 가능한 한 강력하도록 만드는 것입니다. 간단히 말해서, 우리는 데이터에 5개의 주요 변수를 생각합니다. 첫 번째 변수는 “장비 제조업체”입니다. 이는 명백한데, GE 스캐너의 데이터만 사용하여 알고리즘을 구축하면, 히타치에서 작동하지 않을 것입니다.

비슷한 방식으로, “장비 모델” 변수가 있습니다. 이는 건강의 불균형 관점에서 흥미로운데, 우리는 잘 자금이 되는 연구 병원이 최신 및 최고의 스캐너를 가지고 있다는 것을 압니다. 그리고, 만약 그들이 자신의 2022 모델만 사용하여 AI를 훈련한다면, 2010 모델에서 작동하지 않을 것입니다. 이러한 이전 시스템은 정작 부유하지 못한 지역에서 발견됩니다. 그래서, 새로운 모델의 데이터만 사용하여 훈련하면, 그들은 실제로 이러한 커뮤니티에 대한 편향을 더 введ습니다.

다른 주요 변수는 성별, 인종 및 연령이며, 우리는 데이터가 모든 변수에 걸쳐 비례적으로 균형을 유지하도록 최선을 다합니다.

의료 기술 회사들이 직면하는 규제 장벽은 무엇인가요?

우리는 FDA가 데이터 세트의 편향을 조사하기 시작하는 것을 보고 있습니다. 우리는 연구자들이 “FDA가 알고리즘이 아프리카계 미국인 인구가 15% 미만이므로 거부했다”고 말하는 것을 들었습니다. 우리는 개발자가 “그들의 훈련 데이터에 1%의 태평양 하와이 원주민을 포함해야 한다”고 말하는 것도 들었습니다.

FDA는 실제 세계에서 작동하지 않는 단일 병원에서 생성된 알고리즘을 깨닫기 시작했습니다. 사실, CE 마크 및 FDA 승인을 받으려면, 인구를 대표하는 데이터 세트가 필요합니다. 이제는 작동하지 않는 작은 또는 대표성이 없는 그룹으로 AI를 훈련하는 것이 더 이상 받아들여지지 않습니다.

의료 기술 회사들이 직면하는 위험은, 그들이 기술을 개발하여 규제 승인을 받으려는 곳까지 투자하지만, 승인을 받을 수 없으면, 결국 수입을 얻을 수 없다는 것입니다. 궁극적으로, 상업화 및 의료에 유익한 영향을 미치기 위한 경로는 데이터 편향에 대해 관심을 가져야 합니다.

데이터 관점에서 이러한 장벽을 극복하기 위한 옵션은 무엇인가요?

최근 몇 년 동안, 데이터 관리 방법이 발전했으며, AI 개발자들은 이전보다 더 많은 옵션을 가지고 있습니다. 데이터 중개자 및 파트너, 분산 학습 및 합성 데이터와 같은 접근 방식이 있습니다. 개발자가 선택하는 방법은 무엇이든, 우리는 항상 대표성이 있는지 확인하도록 권장합니다.

Gradient Health가 제공하는 솔루션 중 하나는 Gradient Label입니다. 이 솔루션은 무엇이며, 어떻게 대규모 레이블링을 가능하게 합니까?

의료 영상 AI는 데이터뿐만 아니라 전문가 주석도 필요합니다. 우리는 회사들이 이러한 전문가 주석, 특히 방사선과를 얻는 것을 도와줍니다.

의료 분야에서 AI와 데이터의 미래에 대한 비전은 무엇인가요?

이미 수천 개의 AI 도구가 있으며, 이는 손가락 끝부터 발가락 끝까지 모든 것을 살펴봅니다. 이러한 전문 응용 프로그램이 각 질병에 대해 10개 이상의 알고리즘이 있을 것입니다. 각 알고리즘은 여러 가지 경쟁적인 도구를 가지고 있을 것입니다.

저는 스타트렉 스타일의 트라이코더가 모든 가능한 문제를 해결하는 것을 보지 않을 것입니다. 대신, 우리는 각 하위 집합에 대한 전문 응용 프로그램을 가질 것입니다.

Gradient Health에 대해 더 공유하고 싶은 것이 있나요?

저는 미래에 대해 흥분합니다. 저는 의료가 저렴하고, 평등하고, 모든 사람에게 이용 가능하도록 가는 곳으로 이동하고 있으며, Gradient가 이것을 실현하는 데 기본적인 역할을 할 수 있는 기회를 얻기를 바랍니다. 여기 있는 모든 팀이 진정으로 이 임무를 믿으며, 회사마다 없는 통일된 열정을 가지고 있습니다. 그리고 저는 그것을 사랑합니다!

이 훌륭한 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 Gradient Health를 방문하십시오.