Акилеш Бапу, основатель и генеральный директор DeepScribe – Интервью

Акилеш Бапу – основатель и генеральный директор DeepScribe, которая использует обработку естественного языка (NLP) и продвинутые методы глубокого обучения для генерации точных, соответствующих требованиям и безопасных заметок о разговорах между врачами и пациентами.

Что именно познакомило вас с искусственным интеллектом и обработкой естественного языка?

Если я правильно помню, Jarvis из «Железного человека» был первым, что действительно привлекло меня к миру обработки естественного языка и искусственного интеллекта. Мне было fascинировано, как быстро человек мог выполнять задачи и как глубоко он мог проникать в определенные задачи и раскрывать информацию, которую он не знал бы, если бы не этот искусственный интеллект.

Это была концепция «Искусственный интеллект сам по себе не будет так хорош, как люди в большинстве задач, но если человек и искусственный интеллект работают вместе, это сочетание будет доминировать». Обработка естественного языка – это наиболее эффективный способ для этого сочетания человека и искусственного интеллекта.

После этого я стал одержим Siri, Google (GOOGL ) Now, Alexa и другими. Хотя они не работали так же плавно, как Jarvis, я очень хотел сделать их работать как Jarvis. Особенно стало очевидно, что команды типа «Alexa, сделай это», «Alexa, сделай то» были довольно простыми и точными с помощью текущего состояния технологий. Но когда речь шла о чем-то вроде Jarvis, где он мог фактически учиться и понимать, фильтровать и выбирать важные темы во время другого разговора – это не было сделано раньше. Это напрямую связано с одной из моих основных мотиваций в основании DeepScribe. Хотя мы решаем проблему документации для врачей, мы пытаемся создать новую волну интеллекта, делая это: амбиентный интеллект. Искусственный интеллект, который может проанализировать вашу повседневную речь, найти полезную информацию и использовать ее, чтобы помочь вам.

Вы ранее проводили исследование, используя глубокое обучение и NLP в UC Berkeley College of Engineering. Что было предметом вашего исследования?

В лаборатории искусственного интеллекта Berkeley я работал над проектом аннотатора генов, где мы суммировали статьи PubMed с конкретными выходными параметрами.

Общий обзор: возьмите задачу, такую как суммирование новостных статей CNN. В этой задаче вы берете новостные статьи и суммируете их в несколько предложений. В вашу пользу у вас есть данные и возможность обучить эти модели на более чем миллионе статей. Однако проблема заключается в том, что у вас нет структуры для суммирования. Кроме того, в самих статьях нет структуры. Хотя были некоторые улучшения с тех пор, как я работал над этим проектом 2,5 года назад, это все еще нерешенная проблема.

В нашем исследовательском проекте мы разрабатывали структурированные суммирования статей. Структурированное суммирование в этом случае похоже на обычное суммирование, но мы знаем точную структуру выходного суммирования. Это полезно, поскольку оно значительно уменьшает варианты выхода для нашей модели машинного обучения – задача заключалась в том, что не было достаточно аннотированных данных для обучения модели глубокого обучения и получения полезных результатов.

Основная работа, которую я проделал над этим проектом, заключалась в использовании знаний, которые у нас есть об входных данных, и разработке ансамбля мелких моделей машинного обучения для поддержки этого – метод, который мы изобрели и назвали 2-шаговым аннотатором. 2-шаговый аннотатор показал результаты, которые были почти в 20 раз точнее, чем предыдущий лучший результат (54 процента против 3,6 процента).

Хотя этот проект и DeepScribe могут показаться совершенно разными, они были очень похожи в том, как они использовали метод 2-шаговой аннотации для значительного улучшения результатов на ограниченном наборе данных.

Какая была идея создания DeepScribe?

Все началось с моего отца, который был медицинским онкологом. До того, как электронные системы здравоохранения стали популярными, врачи просто записывали все на бумаге и тратили очень мало времени на заметки. Однако, когда электронные системы здравоохранения стали частью Закона HITECH 2009 года, я начал замечать, что мой отец тратил все больше и больше времени за компьютером. Он приходил домой позже. На выходных он сидел на диване и диктовал заметки. Простые вещи, такие как подвозить меня из школы или с тренировки по баскетболу, стали редкостью, поскольку он тратил большую часть своего вечера на документацию.

Как нердоватый ребенок, я пытался найти решения для него, ища в интернете и пробуя разные вещи. К сожалению, ничего не работало достаточно хорошо, чтобы спасти его от долгих часов документации.

Продвинемся вперед несколько лет, летом 2017 года – я исследователь, работающий в лаборатории искусственного интеллекта Berkeley, над проектами по суммированию документов. Одним летом, когда я был дома, я заметил, что мой отец все еще тратит много времени на документацию. Я спросил: «Что нового в мире документации? Alexa повсюду, Google Assistant так хорош сейчас. Расскажите мне, что нового в медицинской сфере?» И его ответ был: «Ничего не изменилось». Я подумал, что это было только у него, но когда я опросил нескольких его коллег, это была та же проблема: не то, что было новым в лечении рака или какие новые проблемы у пациентов – это была документация. «Как я могу избавиться от документации? Как я могу сэкономить время на документации? Она занимает слишком много моего времени».

Я также заметил, что несколько компаний появились, чтобы решить проблему документации. Однако либо они были слишком дорогими (тысячи долларов в месяц), либо они были слишком минимальными в плане технологий. У врачей в то время было очень мало вариантов. Тогда открылась возможность: если мы сможем создать искусственно интеллектуального медицинского писаря, технологию, которая могла бы следить за посещениями пациентов врачами и суммировать их, и предложить ее по цене, которая могла бы сделать ее доступной для всех, это могло бы действительно вернуть радость ухода за медициной.

Вам было только 22 года, когда вы основали DeepScribe. Расскажите о вашем пути как предпринимателя.

Мое первое знакомство с предпринимательством было еще в школе. Это началось, когда друг и я, которые знали некоторые основы JavaScript, встретились с директором центра для детей с нарушениями обучения. Они рассказали нам, как даже самые простые инструменты могут иметь большое значение для детей с дислексией. Мы создали расширение Chrome для чтения дислексии. Это было очень простое – оно просто изменяло шрифт, чтобы он соответствовал научным рекомендациям для облегчения чтения людьми с дислексией. Хотя концепция была простой, мы получили более 5000 активных пользователей за несколько месяцев. Я был поражен, как базовая технология может иметь такое глубокое влияние на людей.

В Berkeley я продолжал углубляться в мир предпринимательства как можно больше, в основном через их широкий спектр курсов. Мои любимые были:

1. Лекционный цикл Ньютона – люди вроде Джессики Мах из InDinero или Дианы Грин из VMWare, которые были выпускниками Калифорнийского университета, давали очень близкие к реальности лекции о своем времени в Berkeley и о том, как они основали свои компании
2. Challenge Lab – я встретил своего сооснователя Мэтта Ко через этот курс. Нас разместили в группах и прошли семестровое путешествие по созданию продукта и наставничеству о том, что нужно на ранних этапах, чтобы запустить идею.
3. Lean Launchpad – это был мой любимый курс; это был изнурительный и строгий процесс, где нас руководил Стив Бланк (известный миллиардер и человек, стоящий за движением Lean Startup), чтобы взять идею, проверить ее через 100 интервью с клиентами, создать финансовую модель и многое другое. Это был такой курс, где мы представляли наш «стартап» только чтобы быть остановленными на слайде 1 или 2 и быть допрошенными. Если это не было достаточно сложно, нас также ожидали интервью с 10 клиентами в неделю. Наша идея в то время заключалась в создании поиска патентов, который давал бы результаты, подобные дорогостоящему поиску приоритета, что означало, что мы представляли 10 корпоративным клиентам в неделю. Это было здорово, потому что оно научило нас быстро думать и быть очень изобретательными.

DeepScribe начался, когда инвесторская группа под названием The House Fund писала чеки студентам, которые отказывались от летних стажировок и тратили лето на построение своей компании. Мы только что закрыли Delphi (поисковый движок патентов), и Мэтт и я постоянно говорили о медицинской документации, и все сложилось идеально, поскольку это был идеальный момент, чтобы рискнуть.

С DeepScribe мы были удачливы, что только что вышли из Lean Launchpad, поскольку одним из наиболее важных факторов в построении продукта для врачей было итерировать и совершенствовать продукт вокруг обратной связи клиентов. Историческая проблема медицинской промышленности заключалась в том, что программное обеспечение редко имело врачей в цикле проектирования, в результате чего получалось программное обеспечение, которое не было оптимизировано для конечного пользователя.

Поскольку DeepScribe произошел в одно время с моим последним годом в Berkeley, это был тяжелый баланс. Я приходил на занятия в костюме, чтобы я мог быть вовремя на демонстрацию клиента прямо после. Я использовал все объекты EE и профессоров не для чего-то, связанного с классом, а на 100 процентов для DeepScribe. Мои встречи с моим исследовательским наставником даже превратились в сессии мозгового штурма DeepScribe.

Оглядываясь назад, если бы мне пришлось изменить что-то в моем пути, это было бы поставить колледж на паузу, чтобы я мог потратить 150 процентов своего времени на DeepScribe.

Можете ли вы описать для медицинского специалиста преимущества использования DeepScribe по сравнению с более традиционным методом голосовой диктовки или даже ведения заметок?

Использование DeepScribe предназначено для того, чтобы быть очень похожим на использование реального человеческого писаря. Когда вы говорите естественно с вашим пациентом, DeepScribe будет слушать и выбирать медически важную речь, которая обычно попадает в ваши заметки, и будет помещать ее туда, используя тот же медицинский язык, который вы сами используете. Мы любим думать об этом как о новом члене вашей медицинской команды, которого вы можете обучить, чтобы помочь с документацией в вашей системе электронных медицинских записей, как вам угодно. Это очень отличается от использования службы голосовой диктовки, поскольку оно устраняет весь шаг, связанный с необходимостью вернуться и задокументировать. Хотя типичные службы диктовки превращают 10 минут документации в 7-8 минут, DeepScribe превращает их в несколько секунд. Наши врачи сообщают о том, что они экономят от 1,5 до 3 часов в день, в зависимости от того, сколько пациентов они видят.

DeepScribe независим от устройства, работает с iPhone, Apple Watch, браузера (для телемедицины) или аппаратного устройства.

Какие есть проблемы с распознаванием речи или NLP, с которыми DeepScribe может столкнуться из-за сложной медицинской терминологии?

Вопреки популярному мнению, сложная медицинская терминология на самом деле является наиболее простой частью для DeepScribe. Самая сложная часть для DeepScribe – это выбор уникальных контекстных заявлений, которые пациент может сделать врачу. Чем дальше они отклоняются от типичного разговора, тем больше мы видим, как искусственный интеллект спотыкается. Но когда мы собираем больше данных о разговорах, мы видим, как он улучшается каждый день.

Какие еще технологии машинного обучения используются с DeepScribe?

Большие области распознавания речи и NLP покрывают большинство машинного обучения, которое мы делаем в DeepScribe.

Можете ли вы назвать некоторые из больниц, некоммерческих организаций или академических учреждений, которые используют DeepScribe?

DeepScribe начался с пилотной программы в Центре здравоохранения UC Berkeley. Hartford Healthcare, Texas Medical Center и Cedar Valley Medical Specialists – это лишь несколько из более крупных систем, с которыми работает DeepScribe.

Однако более крупный процент пользователей DeepScribe – это 50 частных практик от Аляски до Флориды. Наши наиболее популярные специальности – это первичная помощь, ортопедия, гастроэнтерология, кардиология, психиатрия и онкология, но мы также поддерживаем несколько других специальностей.

DeepScribe недавно запустил программу для помощи в борьбе с COVID-19. Можете ли вы рассказать нам об этой программе?

COVID-19 сильно ударил по нашим врачам. Практики видят только 30-40 процентов своей обычной нагрузки, штат писарей сокращается, и поставщикам приходится быстро переводить всех своих пациентов на телемедицину. Все это приводит к большей канцелярской работе для поставщиков – мы в DeepScribe твердо верим, что для того, чтобы эта пандемия прекратилась, врачи должны посвящать 100 процентов своего внимания и времени уходу за пациентами.

Чтобы помочь в этом деле, мы гордимся запуском бесплатного решения для телемедицины для медицинских работников, борющихся с этой пандемией. Наше решение для телемедицины полностью интегрировано с нашим искусственно интеллектуальным медицинским писарем, устраняя необходимость клинической документации для встреч, проведенных на нашей платформе.

Мы также предлагаем нашу услугу писаря бесплатно во время пандемии. Это означает, что любой врач может получить доступ к писарю бесплатно, чтобы помочь с документацией. Мы надеемся, что, делая это, врачи смогут сосредоточить больше внимания на своих пациентах и тратить меньше времени на документацию, что приведет к более быстрому прекращению вспышки COVID-19.

Спасибо за отличное интервью, мне действительно понравилось узнать о DeepScribe и вашем предпринимательском пути. Все, кто хочет узнать больше, должны посетить DeepScribe.