Josh Miller, Gradient Health CEO’sü – Röportaj Serisi

Josh Miller, Gradient Health şirketinin CEO’sudur. Bu şirket, otomatik tanıların sağlık hizmetlerinin herkes için adil ve erişilebilir olması için var olması gerektiği fikrine dayanarak kurulmuştur. Gradient Health, organize edilmiş, etiketlenmiş ve erişilebilir verilerle otomatik A.I. tanılarını hızlandırmayı hedeflemektedir.

Gradient Health’in ardındaki genesis hikayesini paylaşabilir misiniz?

Kurucu ortağım Ouwen ve ben, ilk girişimimiz FarmShots’tan çıktıktan sonra, bilgisayar vizyonunu kullanarak tarım中的 pestisit kullanımını azaltmaya yardımcı olan bir şirket, ve bir sonraki zorluğu arıyorduk.

Her zaman teknoloji ile çözülebilecek zor bir problemi bulma ve bunu iyi bir iş haline getirme isteğiyle motive olduk. Ouwen tıp eğitimi alıyordu ve bilgisayar vizyonu deneyimimizle birlikte, tıbbi görüntüleme doğal bir uyum sağladı. Meme kanserinin yıkıcı etkileri nedeniyle, mammografiyi potansiyel bir ilk uygulama olarak seçtik. Böylece “Tamam, nereden başlayalım? Binlerce mammograma ihtiyacımız var. Bu ölçekte veri nereden bulunur?” dedik ve cevap “Hiçbir yerden” oldu. Veri bulunmasının gerçekten zor olduğunu hemen anladık. Aylar geçtikçe, bu frustration felsefi bir problem haline geldi ve “Bu alanda iyi şeyler yapmak isteyen herkesin gerekli verilere ulaşmak için savaşmak ve mücadele etmek zorunda kalması gerekmez” diye düşündük. Ve böylece “Belki de bu bizim çözmemiz gereken problem” dedik.

Pazardaki temsil edilmeyen verilerle ilgili güncel riskler nelerdir?

Sayısız çalışmadan ve gerçek dünya örneklerinden, algoritmamızı yalnızca batı kıyısında bulunan verilerle oluşturur ve güneydoğu’ya getirirseniz, çalışmayacağını biliyoruz. Kuzeydoğu’da oluşturulan ve sonra başka bir yerde dağıtılan AI’nın accuracy’nin %50’nin altına düştüğü hikayelerini defalarca duyduk.

AI’nın temel amacının, etik düzeyde, sağlık farklılıklarını azaltması olduğuna inanıyorum. Hedef, kaliteli bakımı herkes için erişilebilir ve uygun fiyatlı hale getirmektir. Ancak sorun, verilerin yetersiz olması durumunda, bu farklılıkları artırırız. Healthcare AI misyonunda başarısız oluyoruz eğer yalnızca beyaz, kıyıdan erkekler için çalışıyorsa. Temsil edilmeyen geçmişten insanlar, daha fazla ayrımcılığa maruz kalacaklar, daha az değil.

Gradient Health nasıl veri kaynakları?

Evet, dünya çapındaki tüm türdeki sağlık sistemleriyle ortaklık kuruyoruz ve onların verilerini otherwise depoluyor, onlara maliyet oluyor ve hiç kimseye fayda sağlamıyor. Verileri kaynağında tamamen tanımlayamayız ve sonra onları araştırmacılar için dikkatlice organize ediyoruz.

Gradient Health verilerin tarafsız ve mümkün olduğunca çeşitli olduğundan emin olmak için nasıl çalışır?

Çok fazla yol var. Örneğin, veri toplarken, genellikle daha temsilci verilere sahip olan topluluk klinikleri ve büyük hastaneler dahil olmak üzere çok fazla topluluk kliniklerini içeriyoruz. Ayrıca çok sayıda klinik sitesinden veri kaynağındayız. Mümkün olduğunca çok siteye sahip olmaya ve bunları coğrafi ve sosyo-ekonomik olarak çeşitli bir popülasyondan almaya çalışıyoruz. Çünkü tüm siteler downtown hastanelerden geliyorsa, hala temsilci veri değil, değil mi?

Bunların hepsini doğrulamak için, bu veri setleri boyunca istatistikler çalıştırıyoruz ve bunları müşterilerimiz için özelleştiriyoruz, böylece onların verilerinin çeşitli teknolojiler ve demografi açısından çeşitli olduğundan emin oluyoruz.

Bu düzeyde veri kontrolü neden güçlü AI algoritmaları tasarlamak için bu kadar önemli?

Gerçek dünyada AI’nın karşılaşabileceği birçok değişken var ve amacımız algoritmanın mümkün olduğunca güçlü olmasını sağlamaktır. Basitleştirmek için, verilerimizde beş ana değişken düşünüyoruz. Düşündüğümüz ilk değişken “cihaz üreticisi”. Açıkçası, eğer yalnızca GE tarayıcılarından alınan verilerle bir algoritma oluşturursanız, Hitachi gibi bir cihazda aynı performansı göstermez.

Benzer şekilde, “cihaz modeli” değişkeni var. Bu aslında sağlık eşitsizliği açısından oldukça ilginç. Büyük, iyi finanse edilen araştırma hastanelerinin en son ve en iyi tarayıcı modellerine sahip olduğunu biliyoruz. Ve eğer yalnızca kendi 2022 modelleriyle AI’larını eğitiyorlarsa, daha eski 2010 modellerinde aynı performansı göstermez. Bu daha eski sistemler, tam da daha az varlıklı ve kırsal alanlarda bulunanlar. Böylece, yalnızca yeni modellerden alınan verilerle AI’larını eğittiğinde, bu topluluklara karşı daha fazla önyargıya neden oluyorsunuz.

Diğer ana değişkenler cinsiyet, etnik köken ve yaş ve bu değişkenlerin hepsinde verilerin orantılı olarak dengeli olduğundan emin olmak için büyük çaba sarf ediyoruz.

MedTech şirketlerinin karşılaştığı bazı düzenleyici engeller nelerdir?

FDA’nın artık veri setlerindeki önyargıyı araştırmaya başladığını görüyoruz. Araştırmacılar bize “FDA, algoritmamızın Afrika Amerikalı nüfusun %15’ini içermemesi nedeniyle reddetti” (ABD nüfusunun yaklaşık %15’i Afrika Amerikalı) dedi. Bir geliştiricinin eğitim verisinde %1 Pasifik Hawaii Adalılarını içermesi gerektiğini duymuşuz.

FDA, tek bir hastanede eğitilen algoritmaların gerçek dünyada çalışmadığını anlamaya başlıyor. Gerçek şu ki, CE işaretini ve FDA onayını almak istiyorsanız, nüfusun temsil edildiği bir veri setiyle gelmeniz gerekiyor. Artık küçük veya temsil edilmeyen bir gruba AI eğitmenin kabul edilemez olduğu bir gerçek.

MedTech’lerin riski, milyonlarca dolar harcayarak teknolojisini düzenleyici onay için hazır olduğuna inandıkları bir noktaya getirmeleri, ancak onay alamazlarsa, hiçbir zaman geri ödeme veya gelir elde edemeyecekler. Son olarak, ticarileştirme yoluna gitmek ve sağlık hizmetlerine olumlu bir etki yapmak istedikleri gibi, veri önyargısına dikkat etmeleri gerekiyor.

Veri açısından bu engelleri aşmak için bazı seçenekler nelerdir?

Son yıllarda veri yönetimi yöntemleri gelişti ve AI geliştiricileri şimdi daha önce hiç olmadığı kadar çok seçeneğe sahip. Veri aracıları ve ortaklarından federated öğrenme ve sentetik verilere kadar, bu engelleri aşmak için yeni yaklaşımlar var. Hangi yöntemi seçerlerse seçsinler, geliştiricileri her zaman verilerinin gerçekten ürünün kullanılacağı popülasyona temsilci olup olmadığını düşünmeye teşvik ediyoruz. Bu, veri kaynağı bulmanın en zor yönü.

Gradient Health’in sunduğu bir çözüm olan Gradient Label nedir ve nasıl çalışır?

Tıbbi görüntüleme AI yalnızca verilere değil, aynı zamanda uzman etiketlemelerine de ihtiyaç duyar. Ve şirketlere bu uzman etiketlemelerini, radyologlar dahil olmak üzere, nasıl alabileceklerini yardımcı oluyoruz.

Sağlık hizmetlerinde AI ve verinin geleceğiyle ilgili vizyonunuz nedir?

Şu anda already binlerce AI aracı var ve her şeyin, parmak uçlarından ayak parmaklarına kadar her şeyi inceleyen araçlar var ve bunun devam edeceğini düşünüyorum. Her tıbbi durum için en az 10 algoritma olacağını düşünüyorum. Her biri, klinisyenlerin en iyi bakımı sunmasına yardımcı olmak için çok sayıda, muhtemelen rekabetçi araçla birlikte çalışacak.

Sanırım bir Star Trek tarzı Tricorder görmeyeceğiz, bu, bir kişiyi tarayarak baştan ayaklara kadar her olası sorunu ele alan bir cihaz. Bunun yerine, her alt küme için uzman uygulamalar göreceklerini düşünüyorum.

Gradient Health hakkında paylaşmak istediğiniz başka bir şey var mı?

Gelecekten heyecan duyuyorum. Sağlık hizmetlerinin ucuz, eşit ve herkesin erişebileceği bir noktaya doğru gittiğimize inanıyorum ve Gradient Health’in bu gerçekleşmesine temel bir rol oynamak için bir şans alacağından eminim. Tüm ekip burada gerçekten bu misyona inanmış ve her şirkette bulunmayan birleşik bir tutku var ve bunu seviyorum!

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Gradient Health ziyaret edebilir.