Иттай Даян, Анагаах ухаан, Rhino Health компанийн үүсгэн байгуулагч, гүйцэтгэх захирал – Цуврал ярилцлага

Анагаах ухааны доктор Итай Даян нь үүсгэн байгуулагч бөгөөд гүйцэтгэх захирал юм Хирс эрүүл мэнд. Түүний суурь нь хиймэл оюун ухаан, оношлогоо, эмнэлзүйн анагаах ухаан, судалгааны чиглэлээр ажилладаг. Тэрээр өмнө нь BCG-ийн эрүүл мэндийн тусламж үйлчилгээний үндсэн гишүүн, эмнэлгийн удирдах ажилтан юм. Тэрээр одоогоор эрүүл мэнд, амьдралын шинжлэх ухааны салбарт аюулгүй, тэгш, үр дүнтэй хиймэл оюун ухааныг хөгжүүлэхэд хувь нэмрээ оруулахад анхаарлаа хандуулж байна. Rhino Health-д тэд тархсан тооцоолол, Холбооны сургалтыг өвчтөний нууцлалыг хадгалах, эрүүл мэндийн салбар дахь хамтын ажиллагааг дэмжих хэрэгсэл болгон ашиглаж байна.

Тэрээр IDF - тусгай хүчинд алба хааж, дэлхийн хамгийн том Эрдэм-эмнэлгийн төвд суурилсан орчуулгын хиймэл оюун ухааны төвийг удирдаж байжээ. Тэрээр хиймэл оюун ухааны хөгжил, арилжааны чиглэлээр мэргэшсэн мэргэжилтэн бөгөөд холын зайн гүйлтийн тамирчин юм.

Та Rhino Health-ийн үүслийн түүхийг хуваалцаж болох уу?

Сэтгэцийн эмгэгийн эмчилгээний хариу урвалыг хэмжихийн тулд "дижитал биомаркер"-ийн эртний хэлбэрийг ашиглан эмч, судлаач байхдаа хиймэл оюун ухаанд зориулсан миний аялал эхэлсэн. Дараа нь би Масс генерал Бригам дахь Клиникийн Мэдээллийн Шинжлэх Ухааны Төвийг (CCDS) удирдах болсон. Тэнд би олон арван эмнэлзүйн хиймэл оюун ухааны хэрэглээний хөгжүүлэлтийг хянаж, зохицуулалтын зэрэглэлийн хиймэл оюун ухааны бүтээгдэхүүнийг хөгжүүлэх, сургахад шаардлагатай өгөгдөлд хандах, "идэвхжүүлэх"-тэй холбоотой үндсэн сорилтуудыг өөрийн нүдээр харсан.

Эрүүл мэндийн хиймэл оюун ухаанд олон дэвшил гарсан хэдий ч хөгжүүлэлтээс бүтээгдэхүүнээ зах зээлд гаргах хүртэлх зам урт бөгөөд ихэвчлэн бартаатай байдаг. Шийдэл эмнэлзүйн хувьд нэгэнт унадаг (эсвэл зүгээр л урам хугарах) бөгөөд AI-ийн амьдралын мөчлөгийг бүрэн дэмжих нь эмнэлзүйн мэдээлэлд тасралтгүй нэвтрэхгүйгээр бараг боломжгүй юм. Сорилт нь өөрөөсөө өөрчлөгдсөн үүсгэх загварууд, to засварлах тэд. Энэхүү сорилтод хариулахын тулд би Масс генерал Бригам системийг арилжааны олон хөгжүүлэгчдийн алгоритмуудыг турших өөрийн "AI-ийн мэргэшсэн CRO" (CRO = Clinical Research Org)-тай байхын үнэ цэнийг ойлгуулсан.

Гэсэн хэдий ч асуудал хэвээр байсаар байна - эрүүл мэндийн мэдээлэл маш нууцлагдмал хэвээр байгаа бөгөөд нэг сүлжээнээс их хэмжээний мэдээлэл ч гэсэн эмнэлгийн хиймэл оюун ухааны улам нарийссан зорилтуудтай тэмцэхэд хангалтгүй юм. 2020 оны зун би (NVIDIA-н доктор Мона Флорестэй хамт) тухайн үеийн дэлхийн хамгийн том эрүүл мэндийн нэгдсэн сургалтын (FL) судалгаа болох ШАЛГАЛТ-ыг санаачилж, удирдан явуулсан. Бид ямар ч өгөгдөл хуваалцахгүйгээр дэлхийн өнцөг булан бүрээс авсан өгөгдлийг ашиглан COVID-ийн үр дүнг урьдчилан таамаглах загварыг бий болгохын тулд FL-г ашигласан.. Дараа нь нийтэлсэн. Байгалийн анагаах ухаан, энэхүү судалгаа нь олон янзын болон ялгаатай өгөгдлийн багцыг ашиглах нь эерэг нөлөөг харуулж, эрүүл мэндийн салбарт нэгдсэн сургалтыг илүү өргөнөөр ашиглах боломжийг онцолсон.

Гэсэн хэдий ч энэ туршлага нь хэд хэдэн бэрхшээлийг тодруулсан. Эдгээрт хамтран ажиллаж буй сайтууд дээр өгөгдлийг зохион байгуулах, өгөгдлийг хянах, зохих шинж чанарыг хангах, түүнчлэн дасаагүй хамгийн сүүлийн үеийн технологид суралцах ёстой байгууллага бүрийн мэдээллийн технологийн хэлтэст үүрэг хүлээх зэрэг багтсан. Энэ нь эдгээр шинэ 'тархагдсан өгөгдөл' хамтын ажиллагааг дэмжих шинэ платформыг шаарддаг. Би үүсгэн байгуулагч Ювал Барортой хамтран хувийн нууцыг хамгаалах хамтын ажиллагааг дэмжих эцсийн платформыг бий болгохоор шийдсэн. Энэхүү платформ нь FL болон захын тооцооллыг ашигладаг "Rhino Health Platform" юм.

Та яагаад хиймэл оюун ухаантай загварууд эрүүл мэндийн салбарт хүлээгдэж буй үр дүнгээ өгдөггүй гэдэгт итгэдэг вэ?

Эмнэлгийн хиймэл оюун ухааныг ихэвчлэн нэг байгууллага эсвэл газарзүйн бүс нутгийн мэдээллийн багц гэх мэт жижиг нарийн өгөгдлийн багц дээр сургадаг бөгөөд энэ нь зөвхөн үзсэн өгөгдлийн төрлөөр сайн ажиллахад хүргэдэг. Нарийхан сургалтын өгөгдлийн багцаас ялгаатай өвчтөнүүд эсвэл хувилбаруудад алгоритмыг хэрэглэсний дараа гүйцэтгэлд ноцтой нөлөөлнө.

Эндрю Нг хэлэхдээ, "Бид Стэнфордын эмнэлгээс мэдээлэл цуглуулах үед бид [алгоритмуудыг] тодорхой нөхцөл байдлыг илрүүлэхэд хүний ​​радиологичтой харьцуулж болохуйц баримт бичгүүдийг нийтлэх боломжтой болж байна. ... [Хэрэв] та ижил загвартай, ижил хиймэл оюун ухааны системийг гудамжинд байгаа хуучин эмнэлэгт, хуучин машинтай авч явахад техникч нь арай өөр дүрс бичлэгийн протокол ашиглах үед AI системийн гүйцэтгэлийг доройтуулахын тулд өгөгдөл дамжих болно. мэдэгдэхүйц."³

Энгийнээр хэлбэл, ихэнх хиймэл оюун ухааны загварууд хангалттай олон янзын, өндөр чанартай өгөгдөлд сургагдаагүй тул "бодит ертөнц"-ийн гүйцэтгэл муу байдаг. Энэ асуудлыг шинжлэх ухааны болон үндсэн хүрээний аль алинд нь сайн баримтжуулсан байдаг Шинжлэх ухаан болон улс төр.

Төрөл бүрийн өвчтөний бүлэгт шинжилгээ хийх нь хэр чухал вэ?

Төрөл бүрийн өвчтөний бүлгүүдэд туршилт хийх нь AI бүтээгдэхүүн нь үр дүнтэй, гүйцэтгэлтэй төдийгүй аюулгүй байхын тулд маш чухал юм. Хангалттай олон янзын өвчтөний бүлгүүдэд сургагдаагүй эсвэл туршигдаагүй алгоритмууд нь алгоритмын гажуудлаас болж зовж шаналж магадгүй бөгөөд энэ нь эрүүл мэнд, эрүүл мэндийн технологийн ноцтой асуудал юм. Ийм алгоритмууд нь сургалтын өгөгдөлд байсан өрөөсгөл байдлыг тусгах төдийгүй эрүүл мэндийн үйлчилгээнд байгаа арьс өнгө, үндэс угсаа, шашин шүтлэг, хүйс зэрэг тэгш бус байдлыг улам хурцатгана. Төрөл бүрийн өвчтөний бүлэгт туршилт хийхгүй бол аюултай бүтээгдэхүүн гарч болзошгүй.

Саяхан хэвлэгдсэн судалгаа⁵, Rhino Health Platform-ийг ашиглан янз бүрийн төрлийн сканнер бүхий дөрвөн өөр сайт дээр нэг цэг дээр боловсруулсан тархины аневризмыг илрүүлэх AI алгоритмын гүйцэтгэлийг судалсан. Үр дүн нь янз бүрийн төрлийн сканнер бүхий сайтуудын гүйцэтгэлийн ихээхэн хэлбэлзлийг харуулж, олон төрлийн мэдээллийн багц дээр сургалт, туршилт хийх нь чухал болохыг онцолсон.

Дэд популяци төлөөлдөггүй бол яаж тодорхойлох вэ?

Нийтлэг арга бол янз бүрийн өгөгдлийн багц дахь хувьсагчдын тархалтыг тусад нь болон хослуулан шинжлэх явдал юм. Энэ нь "сургалт" өгөгдлийн багц болон баталгаажуулалтын өгөгдлийн багц бэлтгэх үед хөгжүүлэгчдэд мэдээлэл өгөх боломжтой. Rhino Health Platform нь танд үүнийг хийх боломжийг олгодог бөгөөд үүнээс гадна хэрэглэгчид дэд популяциудад ерөнхий болон тогтвортой гүйцэтгэлийг хангахын тулд загвар нь янз бүрийн бүлэгт хэрхэн ажилладагийг харж болно.

Холбооны сургалт гэж юу болох, эдгээр асуудлуудын заримыг хэрхэн шийдэж байгааг тайлбарлаж өгөхгүй юу?

Federated Learning (FL) гэдэг нь хиймэл оюун ухааны загваруудыг сургаж, дараа нь өгөгдөл хуваалцах, төвлөрүүлэх шаардлагагүй, харилцан адилгүй өгөгдлийг ашиглан цаг хугацааны явцад үргэлжлүүлэн сайжруулах үйл явц гэж ерөнхийд нь тодорхойлж болно. Энэ бол хиймэл оюун ухааны хөгжилд асар том үсрэлт юм. Түүхээс харахад олон сайттай хамтран ажиллахыг хүссэн аливаа хэрэглэгч энэ өгөгдлийг нэгтгэх ёстой бөгөөд энэ нь хууль эрх зүй, эрсдэл, дагаж мөрдөх олон тооны хүнд хэцүү, зардал ихтэй, цаг хугацаа шаарддаг.

Өнөөдөр Rhino Health Platform гэх мэт програм хангамжийн тусламжтайгаар FL нь эрүүл мэнд, амьдралын шинжлэх ухаанд өдөр тутмын бодит байдал болж байна. Холбооны сургалт нь хэрэглэгчдэд өгөгдлийг судлах, засах, баталгаажуулах боломжийг олгодог бөгөөд энэ өгөгдөл нь хамтран ажиллагсдын дотоод сервер дээр үлдэх болно. AI/ML алгоритм эсвэл аналитик програм зэрэг контейнержүүлсэн кодыг локал сервер рүү илгээж, AI/ML алгоритмыг сургах эсвэл баталгаажуулах гэх мэт кодыг гүйцэтгэх ажлыг "орон нутагт" гүйцэтгэдэг. Тиймээс өгөгдөл нь "өгөгдлийн хадгалагч"-д үргэлж үлддэг.

Ялангуяа эмнэлгүүд өвчтөний эмзэг мэдээллийг нэгтгэхтэй холбоотой эрсдэлд санаа зовдог. Энэ нь аль хэдийн эвгүй байдалд хүргэсэн бөгөөд эрүүл мэндийн байгууллагууд өөрсдийн мэдээллийн ашиглалтыг яг таг ойлгохгүйгээр үйлдвэртэй хамтран ажилладаг нь тодорхой болсон. Тэд эргээд салбарын болон эрдэм шинжилгээний судлаачдын хийж чадах хамтын ажиллагааны хэмжээг хязгаарлаж, R&D-ийг удаашруулж, эрүүл мэндийн салбарын бүтээгдэхүүний чанарт нөлөөлж байна. FL нь эдгээр хамтын ажиллагаатай холбоотой эрсдлийг хянахын зэрэгцээ үүнийг багасгаж, урьд өмнө хэзээ ч байгаагүй өгөгдлийн хамтын ажиллагааг идэвхжүүлж чадна.

Та илүү олон төрлийн өгөгдлийг ашиглан хурдан загвар бүтээх боломжийг олгох Rhino Health-ийн алсын харааг хуваалцаж болох уу?

Бид хиймэл оюун ухаан хөгжүүлэгчид болон хэрэглэгчдийн экосистемийг төсөөлж, айдас, хязгаарлалтгүйгээр, дүрэм журмын хил хязгаарыг хүндэтгэн хамтран ажилладаг.. Хамтран ажиллагчид газарзүйн байршлаас шаардлагатай сургалт, туршилтын өгөгдлийг хурдан тодорхойлж, тэдгээр өгөгдөлд хандаж, тэдгээртэй харьцаж, загвар дээр давтах боломжтой. хангалттай ерөнхий ойлголт, гүйцэтгэл, аюулгүй байдлыг хангах зорилгоор хөгжүүлэлт.

Үүний гол цөм нь хиймэл оюун ухааны хөгжүүлэгчдэд асар том, олон төрлийн өгөгдлийн багц бүтээх, хиймэл оюун ухааны алгоритмуудыг сургах, баталгаажуулах, суурилуулсан хиймэл оюун ухааны бүтээгдэхүүнийг байнга хянаж, засвар үйлчилгээ хийх "нэг цэгийн үйлчилгээ"-ээр хангадаг Rhino Health Platform юм.

Rhino Health платформ нь хиймэл оюун ухаанаас хэрхэн урьдчилан сэргийлж, AI-г тайлбарлах боломжийг санал болгодог вэ?

Өгөгдлийн хамтын ажиллагааны түгжээг тайлж, оновчтой болгосноор AI хөгжүүлэгчид өөрсдийн хэрэглээний программуудыг сургах, туршихдаа илүү том, илүү олон төрлийн өгөгдлийн багцыг ашиглах боломжтой болдог. Илүү бат бөх өгөгдлийн багцын үр дүн нь нэг байгууллага эсвэл нарийн өгөгдлийн багцад дарамт учруулахгүй, илүү ерөнхийлсөн бүтээгдэхүүн юм. Хиймэл оюун ухааныг тайлбарлах чадварыг дэмжихийн тулд манай платформ нь өгөгдлийн гарал үүсэл, үнэ цэнийн тархалт болон бусад гол хэмжигдэхүүнүүдэд дүн шинжилгээ хийх чадвартай, өгөгдлийн хангалттай олон талт байдал, чанарыг хангахын тулд хөгжүүлэлтийн явцад ашигласан өгөгдлийн талаар тодорхой ойлголт өгдөг. Нэмж дурдахад, манай платформ нь учир шалтгааны дүгнэлтийг судалж, будлианыг багасгахын тулд одоо байгаа өгөгдлийн цэгүүдээс тооцоолсон гэх мэт нэмэлт хувьсагчаар өгөгдлийн багцаа сайжруулах боломжийг хэрэглэгчдэд олгох зэрэг өгөгдлийг зүгээр нэг нэгтгэх тохиолдолд боломжгүй функцийг идэвхжүүлдэг.

Хиймэл оюун ухаанд хэт найдах нь бие даан батлагдаагүй өрөөсгөл үр дүнд хүргэж болзошгүй гэж санаа зовж буй эмч нарт та хэрхэн хариулах вэ?

Бид энэ санаа зовнилыг ойлгож, өнөөдөр зах зээл дээр байгаа хэд хэдэн програмууд үнэн хэрэгтээ өрөөсгөл байж болохыг хүлээн зөвшөөрч байна. Бид ийм өрөөсгөл ойлголтоос урьдчилан сэргийлэх, аюулгүй, үр дүнтэй хиймэл оюун ухааны хэрэглээг хангах бодлого, журмыг тодорхойлохын тулд юуны түрүүнд өвчтөний аюулгүй байдалд санаа тавьдаг салбар, эрүүл мэндийн нийгэмлэгийн хувьд нэгдэх ёстой гэж бид хариулж байна. AI хөгжүүлэгчид эрүүл мэндийн мэргэжилтнүүд болон өвчтөнүүдийн итгэлийг олж авахын тулд зах зээлд гаргасан хиймэл оюун ухааны бүтээгдэхүүнээ бие даан баталгаажуулах үүрэгтэй. Rhino Health нь аюулгүй, найдвартай хиймэл оюун ухааны бүтээгдэхүүнийг дэмжихэд зориулагдсан бөгөөд шаардлагатай баталгаажуулалтын өгөгдөлд саад тотгорыг арилгах замаар эмнэлзүйн нөхцөлд ашиглахаас өмнө хиймэл оюун ухааны хэрэглээний бие даасан баталгаажуулалтыг идэвхжүүлж, оновчтой болгохын тулд түншүүдтэй хамтран ажиллаж байна.

Эрүүл мэндийн салбарт хиймэл оюун ухааны ирээдүйн талаар та ямар төсөөлөлтэй байна вэ?

Rhino Health-ийн алсын хараа нь хиймэл оюун ухаан нь эрүүл мэндийн салбарт бүрэн хүчин чадлаараа хүрч чадсан ертөнц юм. Бид энэ ертөнцийг идэвхжүүлэхийн тулд хувийн нууцыг баталгаажуулж, ил тод байдлыг бий болгож, хамтын ажиллагааг хөгжүүлэхийн төлөө хичээнгүйлэн ажиллаж байна. Бид галт хана, газарзүйн байршил эсвэл зохицуулалтын хязгаарлалтаар хязгаарлагдахгүй эрүүл мэндийн хиймэл оюун ухааныг төсөөлдөг. AI хөгжүүлэгчид хүчирхэг, ерөнхий загваруудыг бүтээхэд шаардлагатай бүх өгөгдөлд хяналттай хандах боломжтой бөгөөд тэдгээрийг бодит цаг хугацаанд өгөгдлийн урсгалаар тасралтгүй хянаж, сайжруулах болно. Үйлчилгээ үзүүлэгчид болон өвчтөнүүд өгөгдлөө хянах чадвараа алдахгүй гэдгээ мэдэж, үүнийг сайн сайхны төлөө ашиглаж чадна гэдэгт итгэлтэй байх болно. Зохицуулагчид эм, төхөөрөмж боловсруулахад ашигласан загваруудын үр нөлөөг бодит цаг хугацаанд хянах боломжтой болно. Нийгмийн эрүүл мэндийн байгууллагууд хиймэл оюун ухаан дахь эдгээр дэвшлийн үр шимийг хүртэх бөгөөд өвчтөн болон үйлчилгээ үзүүлэгчид хувийн нууцлал хамгаалагдсан гэдгийг мэдэж амар амгалан байх болно.

Сайхан ярилцлага өгсөнд баярлалаа, илүү ихийг мэдэхийг хүссэн уншигчид маань зочлоорой Хирс эрүүл мэнд.