Akilesh Bapu, Założyciel i Dyrektor Generalny DeepScribe – Seria Wywiadów

Akilesh Bapu jest założycielem i dyrektorem generalnym DeepScribe, który wykorzystuje przetwarzanie języka naturalnego (NLP) i zaawansowane uczenie głębokie do generowania dokładnych, zgodnych z przepisami i bezpiecznych notatek z rozmów lekarz-pacjent.

Co było tym, co wprowadziło i przyciągnęło Cię do AI i przetwarzania języka naturalnego?

Jeśli dobrze pamiętam, Jarvis z „Iron Man” był pierwszą rzeczą, która naprawdę przyciągnęła mnie do świata przetwarzania języka naturalnego i AI. Szczególnie znalazłem fascynującym, jak szybko człowiek mógł nie tylko wykonywać zadania, ale także zagłębiać się w niezwykły poziom szczegółowości i ujawniać informacje, których nie wiedziałby, gdyby nie to AI.

Było to pojęcie „AI sam w sobie nie będzie tak dobry jak ludzie w większości zadań, ale połączenie człowieka i AI będzie dominować”. Przetwarzanie języka naturalnego jest najbardziej efektywnym sposobem, aby to połączenie mogło się wydarzyć.

Od tego czasu byłem obsesjonowany Siri, Google (GOOGL ) Now, Alexa i innymi. Chociaż nie działały tak płynnie jak Jarvis, bardzo chciałem, aby działały jak Jarvis. Szczególnie to, co stało się oczywiste, to polecenia takie jak „Alexa, zrób to”, „Alexa, zrób tamto”, były dość łatwe i dokładne do wykonania z obecnym stanem techniki. Ale gdy chodzi o coś takiego jak Jarvis, gdzie może nauczyć się i zrozumieć, przefiltrować i wybrać ważne tematy podczas innej rozmowy – tego nie zrobiono wcześniej. To bezpośrednio odnosi się do jednego z moich podstawowych motywacji w założeniu DeepScribe. Podczas gdy rozwiązujemy problem dokumentacji dla lekarzy, próbujemy nowej fali inteligencji: ambientnej inteligencji. AI, która może przeszukiwać Twoje codzienne wypowiedzi, znaleźć przydatne informacje i użyć ich, aby Ci pomóc.

Wcześniej prowadziłeś badania z użyciem głębokiego uczenia i NLP na UC Berkeley College of Engineering. Co było celem Twoich badań?

W Berkeley AI Research Lab pracowałem nad projektem anotatora ontologii genów, gdzie podsumowywaliśmy artykuły z PubMed z określonymi parametrami wyjściowymi.

Przegląd na wysokim poziomie: Weźmy zadanie takie jak podsumowanie artykułów CNN. W tym zadaniu bierzemy artykuły i podsumowujemy je w kilku zdaniach. Na Twoją korzyść masz dane i możesz trenować te modele na ponad milion artykułów. Jednak problem jest ogromny, ponieważ masz ograniczoną strukturę podsumowań. Ponadto, jest mało struktury w samych artykułach. Chociaż od czasu, gdy pracowałem nad tym projektem, nastąpiły pewne ulepszenia, to nadal jest to nierozwiązany problem.

W naszym projekcie badawczym rozwijaliśmy strukturalne podsumowania artykułów. Strukturalne podsumowanie w tym przypadku jest podobne do typowego podsumowania, z tą różnicą, że wiemy dokładnie strukturę wyjściowego podsumowania. To jest pomocne, ponieważ dramatycznie redukuje opcje wyjściowe dla naszego modelu uczenia maszynowego – wyzwaniem było to, że nie było wystarczającej ilości danych treningowych, aby uzyskać użyteczne wyniki.

Podstawą pracy, którą wykonałem w tym projekcie, było wykorzystanie wiedzy, którą mamy na temat danych wejściowych, i rozwinięcie zespołu płytkich modeli ML, aby je wspierać – technikę, którą wymyśliliśmy i nazwaliśmy 2-krokowym anotatorem. 2-krokowy anotator osiągnął wynik na poziomie prawie 20-krotnie większej dokładności niż poprzedni najlepszy (54 procent vs 3,6 procent).

Chociaż obok siebie, ten projekt i DeepScribe mogą brzmieć całkowicie inaczej, były one bardzo podobne w tym, jak wykorzystywały metodę 2-krokowego anotowania, aby znacznie poprawić wyniki na ograniczonym zestawie danych.

Jaki był pomysł założenia DeepScribe?

Wszystko zaczęło się od mojego ojca, który był onkologiem. Przed wprowadzeniem systemów elektronicznych rejestrów zdrowia lekarze notowali rzeczy na papierze i spędzali bardzo mało czasu na notatkach. Jednak gdy systemy EHR zaczęły stawać się popularne w ramach ustawy HITECH z 2009 roku, zacząłem zauważać, że mój ojciec spędzał coraz więcej czasu przy komputerze. Zaczynał wracać do domu później. W weekendy siedział na kanapie i dyktował notatki. Proste rzeczy, takie jak odebranie mnie ze szkoły lub treningu koszykówki, stały się rzadkością, ponieważ spędzał większość wieczornych godzin, nadążając za dokumentacją.

Jako nerd, który dorastał, starałem się znaleźć rozwiązania dla niego, szukając w Internecie i sprawdzając różne opcje. Niestety, nic nie działało wystarczająco dobrze, aby uratować go przed długimi godzinami dokumentacji.

Przeskoczmy do lata 2017 roku – jestem badaczem pracującym w Berkeley AI Research Lab, pracującym nad projektami związanymi z podsumowaniem dokumentów. Jednego lata, gdy jestem z powrotem w domu, zauważam, że mój ojciec nadal spędza ogromne ilości czasu na dokumentacji. Pytam: „Co nowego w świecie dokumentacji? Alexa jest wszędzie, Google Assistant jest tak dobry teraz. Powiedz mi, co nowego w medycynie?” A jego odpowiedź była: „Nic się nie zmieniło”. Myślałem, że to tylko on, ale gdy pytałem kilku jego kolegów, było to samo: nie to, co nowego w leczeniu raka lub nowych problemach ich pacjentów – ale dokumentacja. „Jak mogę się pozbyć dokumentacji? Jak mogę zaoszczędzić czas na dokumentacji? Zajmuje to tak dużo mojego czasu”.

Zauważyłem również kilka firm, które pojawiły się, aby rozwiązać problem dokumentacji. Jednak albo były one zbyt drogie (tysiące dolarów miesięcznie), albo były zbyt minimalne pod względem technologii. Lekarze w tym czasie mieli bardzo mało opcji. To był moment, kiedy pojawiła się okazja, aby stworzyć sztucznego inteligentnego medyka, technologię, która mogłaby śledzić wizyty pacjentów i je podsumowywać, i zaoferować ją po cenie, która mogłaby ją uczynić dostępną dla wszystkich, co mogłoby naprawdę przywrócić radość opieki w medycynie.

Miałeś tylko 22 lata, gdy założyłeś DeepScribe. Opowiedz o swojej drodze jako przedsiębiorca.

Mój pierwszy kontakt z przedsiębiorczością był w szkole średniej. Zaczęło się, gdy mój przyjaciel i ja, którzy znali podstawy JavaScript, spotkali się z dyrektorem centrum dla dzieci z zaburzeniami uczenia. Powiedzieli nam, jak nawet najprostsze narzędzia mogą mieć ogromny wpływ na dzieci z dysleksją. W efekcie stworzyliśmy razem prosty dodatek do Chrome dla czytelników z dysleksją. Był to bardzo prosty dodatek – po prostu dostosowywał czcionkę do naukowych wytycznych dla łatwości czytania przez osoby z dysleksją. Chociaż concept był prosty, udało nam się uzyskać ponad 5000 aktywnych użytkowników w ciągu kilku miesięcy. Byłem zaskoczony, jak podstawowa technologia może mieć tak ogromny wpływ na ludzi.

Na Berkeley, kontynuowałem zagłębianie się w świat przedsiębiorczości, głównie dzięki ich szerokiej gamie klas. Moje ulubione to:

1. Wykłady Newtona – ludzie tacy jak Jessica Mah z InDinero lub Diane Greene z VMWare, którzy byli absolwentami Cal, wygłaszali bardzo przystępne wykłady o swoim czasie na Berkeley i o tym, jak założyli własne firmy
2. Challenge Lab – spotkałem tam mojego współzałożyciela Matta Ko. Zostaliśmy umieszczeni w grupach i przeszliśmy przez semestralną podróż tworzenia produktu i bycia mentorowanym na temat tego, co jest potrzebne na wczesnych etapach, aby wprowadzić pomysł w życie.
3. Lean Launchpad – zdecydowanie mój ulubiony; to był wymagający i surowy proces, w którym byliśmy prowadzeni przez Steve’a Blanka (znanego miliardera i ojca ruchu lean startup) do wzięcia pomysłu, walidacji go za pomocą 100 wywiadów z klientami, stworzenia modelu finansowego i więcej. To był taki rodzaj klasy, w której prezentowaliśmy nasz „startup” tylko po to, aby zostać zatrzymanym na slajdzie 1 lub 2 i poddani surowej ocenie. Jeśli to nie było wystarczająco trudne, oczekiwano od nas, że przeprowadzimy 10 wywiadów z klientami tygodniowo. Nasz pomysł w tym czasie polegał na stworzeniu wyszukiwania patentów, które dałoby podobne wyniki do drogiego wyszukiwania poprzednich akt. Oznaczało to, że prezentowaliśmy go firmom z sektora przedsiębiorstw tygodniowo. Było to wspaniałe, ponieważ nauczyło nas myśleć szybko i być nadzwyczajnymi.

DeepScribe zaczął się, gdy grupa inwestorów zwana The House Fund pisała czeki dla studentów, którzy zrezygnowali z letnich staży i spędzali lato na budowaniu swoich firm. Właśnie zamknęliśmy Delphi (wyszukiwarkę patentów) i Matt i ja nieustannie rozmawialiśmy o dokumentacji medycznej i wszystko wskazywało na to, że to idealny moment, aby spróbować.

Z DeepScribe byliśmy szczęśliwi, że właśnie skończyliśmy Lean Launchpad, ponieważ jeden z najważniejszych czynników w budowaniu produktu dla lekarzy polegał na iteracji i udoskonaleniu produktu wokół opinii klientów. Historycznym problemem branży medycznej było to, że oprogramowanie rzadko miało lekarzy w pętli projektowej, w wyniku czego oprogramowanie nie było zoptymalizowane dla użytkownika końcowego.

Ponieważ DeepScribe działo się w tym samym czasie, co mój ostatni rok na Berkeley, było to ciężkie balansowanie. Pojawiałem się na zajęciach w garniturze, aby móc być na czas na demo dla klienta zaraz po zajęciach. Używałem wszystkich urządzeń EE i profesorów nie dla niczego związanego z zajęciami, ale 100 procent dla DeepScribe. Moje spotkania z moim mentorem badawczym nawet przeradzały się w sesje brainstoringu dla DeepScribe.

Wracając do przeszłości, gdybym miał zmienić coś w swojej drodze, to zdecydowanie postawiłbym na to, aby zawiesić college, aby móc poświęcić 150 procent swojego czasu na DeepScribe.

Opowiedz dla profesjonalisty medycznego o zaletach korzystania z DeepScribe w porównaniu z tradycyjną metodą dyktowania lub nawet notowania.

Używanie DeepScribe ma być bardzo podobne do korzystania z prawdziwego medyka. Podczas gdy rozmawiasz naturalnie z pacjentem, DeepScribe słucha i podchwytuje medycznie istotne wypowiedzi, które zwykle trafiają do Twoich notatek, i umieszcza je tam, używając tego samego języka medycznego, który sam używasz. Lubiemy myśleć o tym jako o nowym członku Twojego zespołu medycznego, którego możesz wyszkolić, aby pomóc w dokumentacji w Twoim systemie elektronicznych rejestrów zdrowia, tak jak chcesz. Jest to zupełnie inaczej niż korzystanie z usługi dyktowania, ponieważ eliminuje cały krok powrotu i dokumentowania. Podczas gdy typowe usługi dyktowania zmieniają 10 minut dokumentacji w 7-8 minut, DeepScribe zmienia to w kilka sekund. Nasi lekarze zgłaszają oszczędność czasu od 1,5 do 3 godzin dziennie, w zależności od ilu pacjentów widzą.

DeepScribe jest niezależny od urządzenia, działa na iPhone, Apple Watch, przeglądarce (dla telemedycyny) lub urządzeniu sprzętowym.

Jakie są niektóre wyzwania rozpoznawania mowy lub NLP, z którymi DeepScribe może spotkać się z powodu złożonej terminologii medycznej?

Wbrew powszechnemu mniemaniu, złożona terminologia medyczna jest tak naprawdę najłatwiejszą częścią dla DeepScribe do podjęcia. Najtrudniejszą częścią dla DeepScribe jest podchwycenie unikalnych wypowiedzi kontekstowych, które pacjent może wygłosić do lekarza. Im bardziej odbiegają one od typowej rozmowy, tym więcej widzimy, jak AI się potyka. Ale im więcej zbieramy danych rozmów, tym widzimy, jak dramatycznie się poprawia każdego dnia.

Jakie inne technologie uczenia maszynowego są wykorzystywane wraz z DeepScribe?

Duże parasole rozpoznawania mowy i NLP obejmują większość uczenia maszynowego, które wykonujemy w DeepScribe.

Czy możesz wymienić niektóre ze szpitali, organizacji non-profit lub instytucji akademickich, które korzystają z DeepScribe?

DeepScribe rozpoczął się od pilotażowego programu z UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center i Cedar Valley Medical Specialists to tylko kilka z większych systemów, z którymi DeepScribe współpracuje.

Jednak większy odsetek użytkowników DeepScribe to 50 prywatnych praktyk od Alaski po Florydę. Nasze najpopularniejsze specjalizacje to opieka podstawowa, ortopedia, gastroenterologia, kardiologia, psychiatria i onkologia, ale wspieramy również kilka innych specjalizacji.

DeepScribe niedawno uruchomił program, aby pomóc w walce z COVID-19. Opowiedz o tym programie.

COVID-19 uderzył w naszych lekarzy bardzo hard. Praktyki widzą tylko 30-40 procent swojej zwykłej liczby pacjentów, personel medyczny jest redukowany, a dostawcy są zmuszani do szybkiego przejścia na telemedycynę. To wszystko prowadzi do większej ilości pracy biurowej dla dostawców – my w DeepScribe jesteśmy głęboko przekonani, że aby ten pandemiczny stan mógł się zakończyć, lekarze muszą poświęcić 100 procent swojej uwagi i czasu na opiekę nad pacjentami.

Aby pomóc w tej sprawie, jesteśmy dumni z uruchomienia bezpłatnego rozwiązania telemedycznego dla profesjonalistów zdrowia walczących z tą pandemią. Nasze rozwiązanie telemedyczne jest w pełni zintegrowane z naszym AI-powiązanym rozwiązaniem medycznym, eliminując potrzebę dokumentacji klinicznej dla spotkań na naszej platformie.

Oferujemy również naszą usługę medyka za darmo podczas pandemii. Oznacza to, że każdy lekarz może uzyskać dostęp do medyka za darmo, aby pomóc w dokumentacji. Nasza nadzieja jest taka, że wykonując to, lekarze będą mogli poświęcić więcej uwagi swoim pacjentom i mniej czasu na myślenie o dokumentacji, co doprowadzi do szybszego zakończenia wybuchu COVID-19.

Dziękuję za wspaniały wywiad, naprawdę cieszyłem się ucząc się o DeepScribe i Twojej drodze przedsiębiorcy. Każdy, kto chce dowiedzieć się więcej, powinien odwiedzić DeepScribe.