Halim Abbas, Chief AI Officer på Cognoa – Intervju-serie

Halim Abbas är Chief AI Officer på Cognoa, han är en AI-innovatör och branschveteran som lett världsklassiga data science-projekt på banbrytande teknikföretag som eBay och Teradata. Cognoa är dedikerat till att skapa en oöverträffad standard för vård inom pediatrisk beteendehälsa som säkerställer lika tillgång till tidig intervention genom att leverera högkvalitativa produkter för att förbättra livslånga resultat för alla barn och familjer.

Vad var det som initialt drog dig till maskinlärning och data science?

Jag var alltid intresserad av datorprogrammering som barn. Senare i livet drogs jag till det nyemergierande området maskinlärning på grund av den oemotståndliga önskan att verka på gränsen till forskning och utforska de öppna utmaningarna i vad som är möjligt att uppnå genom beräkningsalgoritmer.

Som tidigare Senior Research Scientist på Ebay har du en bakgrund inom optimering av sökresultatrankningar för Ebay-plattformen. Vilka är några av de grundläggande lärdomarna inom maskinlärning som du lärde dig av den erfarenheten?

På eBay var mitt team uppgift att skapa företagets allra första maskinlärningsbaserade sökresultatrankningsalgoritm. Med tiotals miljoner artiklar till salu vid varje given tidpunkt och miljarder sökfrågor varje dag var den största tekniska utmaningen att övervinna den överväldigande skalan.

Till slut tror jag att min största lärdom från den erfarenheten var att ha ett öppet sinne för definitionen av målet i sig. Det visade sig att om rankningsalgoritmen framgångsrikt presenterade köparen med de bästa erbjudandena, var de mindre benägna att genomföra en transaktion. De behövde också se de inte så bra erbjudandena för att känna igen de bra erbjudandena som sådana. Det krävde en datastyrd ansats för framgång samt ett öppet sinne för att inse den saken och anpassa strategin därefter.

Vilka är några av de tillstånd som diagnostiseras på Cognoa?

Cognoa är ett företag inom pediatrisk beteendehälsa som utvecklar digitala diagnostik- och terapiverktyg. Vårt mål är att utnyttja teknologi för att effektivisera pediatrisk vård och tillgodose de outnyttjade behoven inom pediatrisk beteendehälsa. Vi börjar med autism.

Vilka är några av de utmaningar som finns bakom att bygga ett klassificeringssystem för att diagnostisera autism och andra tillstånd hos barn?

Förutom det faktum att förskolebarn inte är de mest samarbetsvilliga patienterna, är en av de största utmaningarna för oss det vi kallar definitionsmulle. Det vill säga att försöka träna AI-algoritmer för att klassificera tillstånd när den kliniska vetenskapen kring gränserna för dessa tillstånd fortfarande är under utveckling. I vissa fall kan mänskliga specialister vara oense sinsemellan om diagnosen av ett visst barn, och den kollektiva förståelsen av de underliggande elementen i en viss diagnos är fortfarande en nyutvecklad vetenskap. Till exempel kallades det som för några år sedan kallades Aspergers nu för autism-spektrumtillstånd (ASD), och de tidigare separata begreppen om uppmärksamhetsbrist (ADD) respektive hyperaktivitet anses nu vara aspekter av en enhetlig diagnos, uppmärksamhetsbristshyperaktivitetsstörning (ADHD). Andra framväxande diagnostiska klassificeringar (som sensorisk bearbetningsstörning eller SPD) har ännu inte tagits med i Diagnostisk och statistisk manual.

För dataforskaren presenterar dessa subjektiva, skiftande gränser intressanta, betydande utmaningar som måste övervinnas.

Cognoa byggde ett 3-utfallsdiagnostiksystem. Varför är systemet utformat på det här sättet?

Autism är ett komplext neurodevelopmentalt tillstånd med en bred variation av presentationer och samtidiga tillstånd.

Vi byggde ett diagnostikverktyg för att hjälpa primärvårdsläkare att korrekt och effektivt diagnostisera autism hos barn i åldern 18 till 72 månader som är i riskzonen för utvecklingsförsening baserat på en vårdgivare eller förälders eller läkares oro. Cognoas diagnostikverktyg fungerar på ett unikt sätt genom att samla in och kombinera indata från både vårdgivare eller föräldrar och läkare till en enda lösning för att analysera dem för prediktiva autism-signalering. Vårt diagnostikverktyg använder AI för att utvärdera alla indata och – när informationen är tillräcklig – ge ett positivt eller negativt resultat för autism som läkaren använder i kombination med den kliniska presentationen av barnet för att ge en diagnos och rikta lämpliga åtgärder.

För att minska risken för felaktiga klassificeringar har algoritmen också utformats för att ge ett bestämt utdata som en riskkontrollåtgärd för att säkerställa de höga prediktiva värdena för “positiv/negativ för autism”-resultaten, vilket minskar sannolikheten för falska negativa resultat (eftersom falska negativa resultat är den högsta risken associerad med enhetsanvändning). Denna procedur för att avstå från förutsägelse när modellens svar tyder på lägre förtroende är en standardmetod för riskkontroll i maskinlärningsalgoritmer.

Kunde du diskutera hur Cognoa övervinner föräldrars fördomar när det gäller den typ av data som tillhandahålls av föräldrarna?

Bra fråga. En av de största fördelarna med maskinlärning är att den är särskilt användbar för att övervinna källor till brus och fördomar i indata. Föräldrars berättelser om sina egna barn förväntas vara subjektiva och fördomsfulla, men baserade på mycket långa observationsfönster, medan läkares rapporter sannolikt är mer objektiva, men också mindre informerade på grund av korta observationsfönster.

Genom att kombinera båda indatauppsättningarna i en enda maskinlärningsprocess kan maskinlärningsalgoritmen anpassa sig till den kompletterande naturen hos dessa indata och lära sig mönster som kan användas för att utnyttja det bästa av båda informationsuppsättningarna till en enda bestämning som är mer tillförlitlig än varje enskild redogörelse.

Vilka är några av de data science-bästa praxis som används på Cognoa för att undvika antingen ras- eller könsfördomar i data?

Som företag är Cognoa engagerat i att bygga produkter för lika tillgång till vård. Vi är medvetna om att AI-baserade innovationer har potentialen att absorbera och förstärka inbyggda fördomar i samhället. Till exempel diagnostiseras flickor i genomsnitt 1,5 år senare än pojkar och en av fyra barn under åtta år som lever med autism, de flesta av dem svarta eller spansktalande, diagnostiseras inte alls. Detta beror på bristen på tillgång i vårt nuvarande system och eftersom diagnos historiskt har varit snedvriden mot autism-egenskaper som förekommer hos vita pojkar, som kan presentera autism-egenskaper på ett annat sätt än unga flickor och barn som inte är vita.

För att hantera dessa befintliga fördomar byggde vi medvetet och medvetet vår teknik för att ta hänsyn till skillnader över kön, ras, etnisk och socioekonomisk bakgrund. Vi skrev och följer en Socialt Ansvarig AI-stadga som vägleder våra metoder. Våra AI-algoritmer har utvecklats och kliniskt validerats med användning av patientjournaldata som tillhör tusentals pojkar och flickor över geografier med olika bakgrunder, tillstånd, presentationer och samtidiga tillstånd.

Genom att hänvisa till yttre datapunkter och utnyttja de kombinerade erfarenheterna från hundratals läkare, samtidigt som de analyserar en mängd olika mänskliga egenskaper och funktioner, har Cognoas AI potentialen att hjälpa läkare att hantera omedvetna fördomar.

Vilka är några av de terapeutiska lösningarna som erbjuds på Cognoa?

För närvarande har Cognoa inte terapeutiska lösningar tillgängliga för användning. Men ett antal lösningar är under utveckling på Cognoa, och det är tydligt att AI har en enorm potential att göra terapeutiska lösningar mer tillgängliga och tillgängliga för barn med beteendestörningar.

Finns det något annat du vill dela om ditt arbete på Cognoa?

Jag har aldrig stannat i ett jobb så länge som min nuvarande roll inom Cognoa. Jag tror att det beror på den tillfredsställelse jag får av att arbeta med ett problem som berör så många människors liv på en så personlig nivå. Att hjälpa föräldrar att ta hand om sina barn är en av de mest ädla kallningar man kan önska sig.

Tack för det underbara samtalet, läsare som vill lära sig mer bör besöka Cognoa.