อิทไท ดายัน MD ผู้ร่วมก่อตั้งและซีอีโอของ Rhino Health – สัมภาษณ์เชิงลึก

อิทไท ดายัน MD เป็นผู้ร่วมก่อตั้งและซีอีโอของ Rhino Health โดยมีพื้นฐานมาจากพัฒนาการเรียนรู้ของเครื่องจักรและวินิจฉัยทางการแพทย์ รวมถึงการแพทย์ทางคลินิกและการวิจัย เขาเป็นอดีตสมาชิกหลักของกลุ่มธุรกิจด้านการแพทย์ของ BCG และผู้บริหารโรงพยาบาล ปัจจุบันเขาเน้นการมีส่วนร่วมในการพัฒนาการเรียนรู้ของเครื่องจักรที่ปลอดภัย เท่าเทียม และมีผลกระทบต่ออุตสาหกรรมการแพทย์และชีววิทยาศาสตร์ ที่ Rhino Health พวกเขากำลังใช้การประมวลผลแบบกระจายและ Federated Learning เพื่อรักษาความเป็นส่วนตัวของผู้ป่วยและส่งเสริมการทำงานร่วมกันในภูมิทัศน์การดูแลสุขภาพที่กระจัดกระจาย

เขา曾เป็นสมาชิกของกองกำลังพิเศษของกองทัพอิสราเอล และเป็นผู้นำศูนย์กลางการวิจัยและพัฒนาการเรียนรู้ของเครื่องจักรที่ใหญ่ที่สุดในโลก ซึ่งตั้งอยู่ในศูนย์กลางการแพทย์ทางวิชาการ เขาเป็นผู้เชี่ยวชาญด้านการพัฒนาการเรียนรู้ของเครื่องจักรและการพาณิชย์ และเป็นนักวิ่งระยะไกล

คุณสามารถแบ่งปันเรื่องราวเบื้องหลังการก่อตั้ง Rhino Health ได้หรือไม่?

การเดินทางของฉันในการเรียนรู้ของเครื่องจักรเริ่มต้นเมื่อฉันเป็นแพทย์และนักวิจัย โดยใช้รูปแบบแรกของ ‘ไบโอมาร์คเกอร์ดิจิทัล’ เพื่อวัดผลตอบสนองของการรักษาในโรคจิตเภท ต่อมา ฉันไปเป็นผู้นำศูนย์กลางการวิจัยและพัฒนาการเรียนรู้ของเครื่องจักรที่ Mass General Brigham ที่นั่น ฉันกำกับดูแลการพัฒนาการใช้งานทางการแพทย์หลายสิบรายการ และได้เห็นปัญหาเบื้องหลังที่เกี่ยวข้องกับการเข้าถึงและ ‘กระตุ้น’ ข้อมูลที่จำเป็นในการพัฒนาสินค้าการเรียนรู้ของเครื่องจักรที่ได้มาตรฐาน

尽管มีการพัฒนาการเรียนรู้ของเครื่องจักรในด้านการแพทย์อย่างมาก แต่การเดินทางจากการพัฒนาไปสู่การเปิดตัวสินค้าในตลาดยังคงเป็นระยะทางที่ยาวและบางครั้งไม่เรียบ ฉันเชื่อมั่นว่าปัญหาได้เปลี่ยนจาก ‘การสร้าง’ โมเดลไปเป็น ‘การบำรุงรักษา’ โมเดลนั้น เพื่อตอบสนองต่อปัญหา ฉันเชื่อมั่นว่าระบบ Mass General Brigham ควรจะมี ‘องค์กรวิจัยทางคลินิกที่เชี่ยวชาญด้านการเรียนรู้ของเครื่องจักร’ (CRO = Clinical Research Org) เพื่อทดสอบอัลกอริทึมจากผู้พัฒนาทางการค้าหลายราย

อย่างไรก็ตาม ปัญหายังคงอยู่ – ข้อมูลสุขภาพยังคงกระจัดกระจาย และแม้จะมีข้อมูลจำนวนมากจากเครือข่ายเดียวกัน ก็ไม่เพียงพอในการต่อต้านเป้าหมายที่แคบลงของการเรียนรู้ของเครื่องจักรทางการแพทย์ ในฤดูร้อนปี 2020 ฉันเริ่มต้นและเป็นผู้นำ (ร่วมกับ Dr. Mona Flores จาก NVIDIA (NVDA )) การศึกษาการเรียนรู้ของเครื่องจักรที่ใหญ่ที่สุดในโลกในขณะนั้น โดยใช้ Federated Learning เพื่อสร้างโมเดลการพยากรณ์ผลลัพธ์ของโควิด โดยใช้ข้อมูลจากทั่วโลก โดยไม่ต้องแบ่งปันข้อมูล ซึ่งตีพิมพ์ใน Nature Medicine การศึกษานี้แสดงให้เห็นถึงผลกระทบเชิงบวกของการใช้ข้อมูลที่หลากหลายและกระจัดกระจาย และเน้นย้ำถึงศักยภาพในการใช้การเรียนรู้ของเครื่องจักรที่กระจายตัวในด้านการแพทย์

การเดินทางนี้ทำให้ฉันเห็นปัญหาหลายประการ รวมถึงการประสานข้อมูลระหว่างสถานที่ร่วมมือ การรับรองความถูกต้องและลักษณะของข้อมูล และภาระที่วางอยู่บนแผนก IT ของสถาบันต่างๆ ซึ่งต้องเรียนรู้เทคโนโลยีที่ทันสมัยที่พวกเขาไม่เคยใช้มาก่อน ซึ่งต้องการแพลตฟอร์มใหม่ที่จะรองรับการทำงานร่วมกันแบบ ‘ข้อมูลกระจาย’ นี้ ฉันตัดสินใจร่วมมือกับ我的ผู้ร่วมก่อตั้ง Yuval Baror เพื่อสร้างแพลตฟอร์มที่สมบูรณ์สำหรับการสนับสนุนการทำงานร่วมกันที่รักษาความเป็นส่วนตัว

คุณเชื่อว่าทำไมการเรียนรู้ของเครื่องจักรจึงมักไม่สามารถให้ผลลัพธ์ที่คาดหวังในด้านการแพทย์?

การเรียนรู้ของเครื่องจักรทางการแพทย์มักถูกฝึกอบรมบนเซตข้อมูลที่แคบและไม่หลากหลาย เช่น เซตข้อมูลจากสถาบันเดียวหรือภูมิภาคเดียว ซึ่งทำให้โมเดลที่ได้ผลลัพธ์ที่ดีเฉพาะบนเซตข้อมูลที่มีลักษณะเดียวกัน เมื่อใช้อัลกอริทึมกับผู้ป่วยหรือสถานการณ์ที่แตกต่างจากเซตข้อมูลการฝึกอบรม ผลลัพธ์จะถูกกระทบกระเทือนอย่างมาก

Andrew Ng ได้กล่าวถึงแนวคิดนี้ว่า “เมื่อเรารวบรวมข้อมูลจากโรงพยาบาล Stanford… เราสามารถตีพิมพ์ผลงานวิจัยที่แสดงให้เห็นว่าอัลกอริทึมสามารถเทียบเท่ากับแพทย์ทางรังสีวิทยาในการตรวจหาสภาวะต่างๆ … แต่เมื่อเรานำโมเดลเดียวกันนี้ไปใช้กับโรงพยาบาลเก่าๆ ที่มีเครื่องมือเก่าๆ และผู้ปฏิบัติงานใช้โพรโทคอลการถ่ายภาพที่แตกต่างเล็กน้อย ข้อมูลจะเปลี่ยนแปลงไปและทำให้ผลลัพธ์ของอัลกอริทึมลดลงอย่างมาก” ³

โดยสรุป โมเดลการเรียนรู้ของเครื่องจักรส่วนใหญ่ไม่ได้รับการฝึกอบรมบนเซตข้อมูลที่หลากหลายและคุณภาพสูง ทำให้ไม่สามารถให้ผลลัพธ์ที่ดีใน ‘โลกแห่งความเป็นจริง’ ได้ ปัญานี้ได้รับการบันทึกไว้ในทั้งวิทยาศาสตร์และสื่อกระแสหลัก เช่น ใน Science และ Politico

การทดสอบบนกลุ่มผู้ป่วยที่หลากหลายมีความสำคัญแค่ไหน?

การทดสอบบนกลุ่มผู้ป่วยที่หลากหลายมีความสำคัญอย่างยิ่งในการรับรองว่าสินค้าการเรียนรู้ของเครื่องจักรที่ได้ผลลัพธ์ที่ดีและปลอดภัย อัลกอริทึมที่ไม่ได้รับการฝึกอบรมหรือทดสอบบนกลุ่มผู้ป่วยที่หลากหลายอาจมีปัญหาเรื่องความลำเอียงของอัลกอริทึม ซึ่งเป็นปัญหาที่ร้ายแรงในด้านการแพทย์และเทคโนโลยีการแพทย์ ไม่เพียงแต่อัลกอริทึมจะสะท้อนถึงความลำเอียงที่มีอยู่ในเซตข้อมูลการฝึกอบรมเท่านั้น แต่ยังทำให้ความลำเอียงนั้นรุนแรงขึ้นและเพิ่มความไม่เท่าเทียมกันในด้านการแพทย์ที่มีอยู่แล้ว การไม่ทดสอบบนกลุ่มผู้ป่วยที่หลากหลายอาจทำให้เกิดสินค้าที่อันตราย

การศึกษาที่ตีพิมพ์ไม่นานมานี้⁵ โดยใช้แพลตฟอร์ม Rhino Health เพื่อตรวจสอบผลลัพธ์ของอัลกอริทึมการเรียนรู้ของเครื่องจักรในการตรวจหาอาการแตกของหลอดเลือดสมอง ซึ่งพัฒนาที่หนึ่งแห่ง และทดสอบที่สี่แห่งที่มีเครื่องมือต่างๆ ผลลัพธ์แสดงให้เห็นถึงความแปรผันของผลลัพธ์ที่สำคัญบนไซต์ที่มีเครื่องมือต่างๆ ซึ่งเน้นย้ำถึงความสำคัญของการฝึกอบรมและทดสอบบนเซตข้อมูลที่หลากหลาย

คุณสามารถอธิบายวิธีการระบุว่ากลุ่มย่อยไม่ได้รับการแสดงถึงได้หรือไม่?

วิธีการที่พบบ่อยคือการวิเคราะห์การกระจายของตัวแปรในเซตข้อมูลต่างๆ ทั้งแบบแยกและรวมกัน ซึ่งสามารถให้ข้อมูลแก่นักพัฒนาระหว่างการเตรียมเซตข้อมูลการฝึกอบรมและเซตข้อมูลการตรวจสอบ แพลตฟอร์ม Rhino Health ช่วยให้คุณสามารถทำเช่นนี้ได้ และนอกจากนี้ผู้ใช้สามารถดูว่าโมเดลทำงานอย่างไรบนกลุ่มย่อยต่างๆ เพื่อให้แน่ใจว่ามีการทั่วไปและผลลัพธ์ที่ยั่งยืนบนกลุ่มย่อย

คุณสามารถอธิบายสิ่งที่เป็น Federated Learning และวิธีการแก้ปัญหาเหล่านี้ได้หรือไม่?

Federated Learning (FL) สามารถอธิบายได้ว่าเป็นกระบวนการที่โมเดลการเรียนรู้ของเครื่องจักรถูกฝึกอบรมและปรับปรุงอย่างต่อเนื่องโดยใช้ข้อมูลที่กระจัดกระจาย โดยไม่ต้องมีการแบ่งปันหรือจัดเก็บข้อมูลกลาง นี่เป็นขั้นตอนที่ยิ่งใหญ่ในการพัฒนาการเรียนรู้ของเครื่องจักร ในอดีต ผู้ใช้ที่ต้องการร่วมมือกับหลายแห่งต้องรวมข้อมูลเหล่านั้นเข้าด้วยกัน ซึ่งทำให้เกิดปัญหาที่ยุ่งยากและต้องใช้เวลาในการจัดการกับข้อกฎหมายและความเสี่ยง

ในปัจจุบัน โดยใช้ซอฟต์แวร์เช่นแพลตฟอร์ม Rhino Health การเรียนรู้ของเครื่องจักรที่กระจายตัวกำลังเป็นเรื่องปกติในด้านการแพทย์และชีววิทยาศาสตร์ การเรียนรู้ของเครื่องจักรที่กระจายตัวช่วยให้ผู้ใช้สามารถสำรวจ คัดเลือก และตรวจสอบข้อมูลโดยไม่ต้องย้ายข้อมูลออกจากเซิร์ฟเวอร์เฉพาะที่ โค้ดที่ถูกบรรจุในคอนเทนเนอร์ เช่น อัลกอริทึมการเรียนรู้ของเครื่องจักรหรือแอปพลิเคชันการวิเคราะห์ จะถูกส่งไปยังเซิร์ฟเวอร์เฉพาะที่ โดยที่โค้ดจะถูกดำเนินการ ‘ที่นั่น’ ข้อมูลจึงยังคงอยู่กับ ‘ผู้ดูแลข้อมูล’ ทั้งหมด

โรงพยาบาลโดยเฉพาะกังวลเกี่ยวกับความเสี่ยงที่เกี่ยวข้องกับการรวบรวมข้อมูลของผู้ป่วยที่ไวต่อความเสี่ยง ซึ่งทำให้เกิดสถานการณ์ที่น่าอายเมื่อโรงพยาบาลร่วมมือกับอุตสาหกรรมโดยไม่เข้าใจการใช้ข้อมูลของตนอย่างชัดเจน ซึ่งทำให้การทำงานร่วมกันระหว่างอุตสาหกรรมและนักวิจัยชะลอการวิจัยและพัฒนาผลิตภัณฑ์ในอุตสาหกรรมการแพทย์ การเรียนรู้ของเครื่องจักรที่กระจายตัวสามารถบรรเทาปัญหาเหล่านี้และทำให้การทำงานร่วมกันเกิดขึ้นได้โดยไม่ต้องเสี่ยงต่อข้อมูล

คุณสามารถแบ่งปันความมุ่งมั่นของ Rhino Health ในการสร้างโมเดลที่รวดเร็วโดยใช้ข้อมูลที่หลากหลายได้หรือไม่?

เรามองเห็นระบบนิเวศของนักพัฒนาการเรียนรู้ของเครื่องจักรและผู้ใช้ที่ทำงานร่วมกันโดยไม่มีข้อจำกัดหรือความกลัว ในขณะที่เคารพขอบเขตของกฎระเบียบ ผู้ร่วมมือสามารถระบุและเข้าถึงข้อมูลที่จำเป็นสำหรับการฝึกอบรมและทดสอบโมเดลได้อย่างรวดเร็ว และสามารถพัฒนาและปรับปรุงโมเดลได้อย่างต่อเนื่องเพื่อให้แน่ใจว่ามีการทั่วไปและผลลัพธ์ที่ดี

ที่จุดศูนย์กลางของสิ่งนี้คือแพลตฟอร์ม Rhino Health ซึ่งให้บริการ ‘ร้านค้าครบวงจร’ สำหรับนักพัฒนาการเรียนรู้ของเครื่องจักรในการสร้างเซตข้อมูลที่ใหญ่และหลากหลาย ฝึกอบรมและทดสอบอัลกอริทึม และติดตามและบำรุงรักษาผลิตภัณฑ์ที่ใช้งานอยู่

แพลตฟอร์ม Rhino Health ป้องกันความลำเอียงของการเรียนรู้ของเครื่องจักรและให้ความสามารถในการอธิบายได้อย่างไร?

โดยการปลดล็อกและทำให้การทำงานร่วมกันเกิดขึ้นได้อย่างง่ายดาย นักพัฒนาการเรียนรู้ของเครื่องจักรสามารถใช้เซตข้อมูลที่ใหญ่และหลากหลายในการฝึกอบรมและทดสอบแอปพลิเคชันของตน ผลลัพธ์ของเซตข้อมูลที่มีคุณภาพสูงกว่าคือผลิตภัณฑ์ที่มีการทั่วไปและไม่ถูกขัดขวางโดยความลำเอียงของสถาบันหรือเซตข้อมูลเดียว ในการสนับสนุนการอธิบายการเรียนรู้ของเครื่องจักร แพลตฟอร์มของเรามอบมุมมองที่ชัดเจนเกี่ยวกับข้อมูลที่ใช้ตลอดกระบวนการพัฒนา โดยมีความสามารถในการวิเคราะห์ต้นกำเนิดของข้อมูล การกระจายของค่า และเมตริกสำคัญอื่นๆ เพื่อให้แน่ใจว่ามีความหลากหลายและคุณภาพของข้อมูล

คุณตอบสนองต่อแพทย์ที่กังวลว่าการพึ่งพาการเรียนรู้ของเครื่องจักรมากเกินไปอาจนำไปสู่ผลลัพธ์ที่มีความลำเอียงและไม่ได้รับการตรวจสอบอิสระได้อย่างไร?

เรารู้สึกเห็นใจกับความกังวลนี้และรับรู้ว่าหลายแอปพลิเคชันในตลาดปัจจุบันอาจมีความลำเอียงจริงๆ คำตอบของเราคือเราต้องมารวมตัวกันเป็นอุตสาหกรรมและชุมชนการแพทย์ที่ให้ความสำคัญกับความปลอดภัยของผู้ป่วยเป็นอันดับแรก เพื่อกำหนดนโยบายและขั้นตอนในการป้องกันความลำเอียงเหล่านี้และรับรองว่าแอปพลิเคชันการเรียนรู้ของเครื่องจักรที่ปลอดภัยและเชื่อถือได้ นักพัฒนาการเรียนรู้ของเครื่องจักรมีหน้าที่รับผิดชอบในการรับรองว่าผลิตภัณฑ์ที่พวกเขาทำการตลาดได้รับการตรวจสอบอิสระเพื่อให้ได้รับความไว้วางใจจากผู้เชี่ยวชาญด้านการแพทย์และผู้ป่วย Rhino Health มุ่งมั่นที่จะสนับสนุนผลิตภัณฑ์การเรียนรู้ของเครื่องจักรที่ปลอดภัยและเชื่อถือได้ และกำลังทำงานร่วมกับพันธมิตรเพื่อทำให้การตรวจสอบอิสระของแอปพลิเคชันการเรียนรู้ของเครื่องจักรง่ายขึ้นโดยการปลดล็อกข้อจำกัดในการเข้าถึงข้อมูลที่จำเป็น

คุณมีความคิดเห็นเกี่ยวกับอนาคตของการเรียนรู้ของเครื่องจักรในด้านการแพทย์อย่างไร?

Rhino Health มีภาพอนาคตที่การเรียนรู้ของเครื่องจักรในด้านการแพทย์ได้ถึงศักยภาพสูงสุด เรากำลังทำงานอย่างขยันขันแข็งเพื่อสร้างความโปร่งใสและสนับสนุนการทำงานร่วมกันโดยการยืนยันความเป็นส่วนตัวเพื่อให้สามารถบรรลุโลกนี้ได้ เรามองเห็นอนาคตที่การเรียนรู้ของเครื่องจักรในด้านการแพทย์ไม่ได้ถูกจำกัดโดยไฟร์วอลล์ ภูมิภาค หรือข้อจำกัดด้านกฎระเบียบ นักพัฒนาการเรียนรู้ของเครื่องจักรจะมีการเข้าถึงข้อมูลที่พวกเขาต้องการเพื่อสร้างโมเดลที่มีการทั่วไปและสามารถติดตามและปรับปรุงได้อย่างต่อเนื่องด้วยการไหลของข้อมูลในเวลาจริง ผู้ให้บริการและผู้ป่วยจะมั่นใจว่าไม่สูญเสียการควบคุมข้อมูลและสามารถรับรองว่าข้อมูลถูกใช้เพื่อประโยชน์ที่ดี องค์กรด้านสาธารณสุขจะได้รับประโยชน์จากความก้าวหน้าเหล่านี้ในด้านการเรียนรู้ของเครื่องจักร ในขณะที่ผู้ป่วยและผู้ให้บริการสามารถพักผ่อนได้อย่างมั่นใจโดยรู้ว่าความเป็นส่วนตัวได้รับการคุ้มครอง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Rhino Health เพื่อเรียนรู้เพิ่มเติม