منو سایت

  • خانه
  • اخبار استارتاپ
  • “I Need Proof Yesterday”: Gesund 2 میلیون دلار برای ارائه داده های اعتبار سنجی الگوریتم جمع آوری می کند

“I Need Proof Yesterday”: Gesund 2 میلیون دلار برای ارائه داده های اعتبار سنجی الگوریتم جمع آوری می کند

 تاریخ انتشار :
/
  اخبار استارتاپ
Log4Shell برای هک سرورهای VMWare استفاده می شود

ایجاد یک الگوریتم پزشکی یک چیز است، اثبات اینکه واقعاً کار می کند، کاملاً چیز دیگری است. برای انجام این کار، به یک چیز مهم نیاز دارید که یافتن آن دشوار است: داده های پزشکی. و یک استارت آپ آماده است تا این را در مقادیر زیاد به همراه ابزارهایی برای تسهیل مطالعات اعتبار سنجی ارائه دهد.

Gesund که در سال 2021 تأسیس شد، این هفته با یک دور 2 میلیون دلاری به رهبری 500 Global از مخفی کاری خارج شد. انس هوسگور، مدیرعامل و بنیانگذار این شرکت، به TechCrunch گفت: این شرکت راه طولانی را طی کرده است، با داشتن پلتفرم های قابل دوام، 30 مشتری در خط لوله فروش و درآمد مورد انتظار در این سه ماهه.

Gesund در درجه اول یک سازمان تحقیقاتی قراردادی (CRO) برای شرکت‌های هوش مصنوعی است که الگوریتم‌های پزشکی را توسعه می‌دهند یا دانشمندانی که مدل‌های خود را آزمایش می‌کنند. همانطور که CRO می تواند یک کارآزمایی بالینی را برای یک شرکت دارو یا تجهیزات پزشکی طراحی کند، پلتفرم Gesund داده هایی را تنظیم می کند که به شرکت های هوش مصنوعی اجازه می دهد محصولات خود را آزمایش کنند و زیرساخت فناوری اطلاعات را ایجاد می کند تا این مقایسه صاف شود.

هاسگور گفت: «من دوست دارم ما را به عنوان یک شرکت عملیات یادگیری ماشینی بدانم. “ما الگوریتم انجام نمی دهیم.”

یک الگوریتم پزشکی به اندازه داده هایی است که روی آن آموزش داده شده است، و شواهدی وجود دارد که نشان می دهد به دست آوردن مجموعه داده های متنوع و قابل استفاده می تواند یک چالش باشد. به عنوان مثال، یک مطالعه منتشر شده در JAMA در سال 2020، 74 مقاله علمی را تجزیه و تحلیل می کند که الگوریتم هایی را برای یادگیری عمیق در رشته های مختلف مانند رادیولوژی، چشم پزشکی، پوست، آسیب شناسی، گوارش و آسیب شناسی توصیف می کند. 71 درصد از داده های مورد استفاده در این مطالعات از نیویورک، کالیفرنیا و ماساچوست آمده است.

در واقع، 34 ایالت ایالات متحده هیچ داده ای در مورد خط لوله ای که برای آموزش این الگوریتم ها استفاده شده است، ارائه نکرده اند، و میزان تعمیم آنها به جمعیت وسیع تری را زیر سوال می برد.

این مشکل با انواع مختلف ارائه دهندگان مراقبت های بهداشتی نیز وجود دارد. شما می توانید الگوریتمی را بر روی داده های جمع آوری شده در یک بیمارستان دانشگاهی بزرگ و معتبر آموزش دهید. اما اگر می خواهید او را در یک بیمارستان اجتماعی کوچک قرار دهید، هیچ تضمینی وجود ندارد که او در این محیط بسیار متفاوت کار کند.

بر اساس بررسی فرامروری از 152 مطالعه منتشر شده در BMJ، مجموعه داده‌های مورد استفاده برای آموزش الگوریتم‌ها معمولاً کوچک‌تر از آنچه باید باشد، هستند. البته، چند داستان موفقیت الگوریتمی وجود دارد، اما این یک مشکل برای کل صنعت است.

فناوری به تنهایی نمی تواند همه این مشکلات را حل کند. شما نمی توانید داده هایی را که از ابتدا وجود ندارند مرتب کنید یا ارائه دهید. تحقیقات ژنتیکی را برای افراد غیر اروپایی تبار که به شدت وجود ندارد در نظر بگیرید. اما Gesund به شدت بر روی موضوعی متمرکز است که فناوری می‌تواند به آن کمک کند: تسهیل دسترسی به داده‌های موجود و ایجاد مشارکت‌هایی که راه‌های جدیدی را برای اشتراک‌گذاری داده‌ها باز می‌کند.

Log4Shell برای هک سرورهای VMWare استفاده می شود

اسکرین شات پلت فرم اعتبار سنجی Gesund.

هوسگور گفت که داده‌های Gesund از «توافق‌نامه‌های اشتراک‌گذاری داده‌های موجود با سایت‌های بالینی» می‌آیند. Gesund در حال حاضر بر روی داده های تصویربرداری جمع آوری شده در مرکز پزشکی دانشگاه شیکاگو، بیمارستان عمومی ماساچوست و Charité در برلین تمرکز دارد. (این شرکت قصد دارد در آینده از رادیولوژی فراتر رود.)

تجمیع و ارائه داده ها برای استفاده در برنامه های کاربردی یادگیری ماشین توسط دیگران انجام می شود، مانند پروژه علوم باز بلبل، که به طور رایگان مجموعه داده های بالینی را در اختیار محققان قرار می دهد (به پروژه بحث برانگیز Nightingale Google مربوط نمی شود). اما در حالی که داده ها خود بخش مهمی از آن هستند، در واقع پشته فناوری است که Hosgor آن را به عنوان سلاح مخفی شرکت می بیند.

هوسگور توضیح داد: «همه ML را در فضای ابری انجام می‌دهند. او گفت: «و از آنجایی که ارائه‌دهنده مراقبت‌های بهداشتی متوسط ​​شما ابری ندارد، همه چیز از پنجره بیرون می‌آید. ما این پشته فناوری را ساختیم که می‌تواند در محل، داخل دیوار آتش بیمارستان قرار گیرد. به هیچ خدمات شخص ثالثی مانند نان و کره یادگیری ماشینی متکی نیست.”

از آنجا، پلت فرم شامل یک رابط “کد کم” است. به طور خلاصه، پزشکان و ارائه دهندگان اساساً می توانند مجموعه داده های مورد نیاز خود را دانلود و منتشر کنند و الگوریتم های خود را در برابر آن داده ها آزمایش کنند.

ما تقریباً شش ماهه هستیم، اما شروع به کار کردیم و اولین محصولی را ایجاد کردیم که به صاحبان مدل اجازه می‌دهد الگوریتم‌های داده خود را اجرا کنند تا عملکردی در حال حرکت در محیط‌هایی با انطباق بالا که در آن به منابع ابری دسترسی ندارند، تولید کنند. . این سس مخفی ما است، “او توضیح داد.

در حال حاضر Gesund، تا حدودی شبیه به Nightingale، برخی از خدمات خود را به صورت رایگان ارائه می دهد. نسخه Community این شرکت به دانشمندان با الگوریتم های موجود اجازه می دهد تا الگوریتم های خود را به صورت رایگان آزمایش کنند (اما آنها باید مجموعه داده های خود را آپلود کنند).

در همین حال، شرکت‌های دارای هوش مصنوعی نسخه «پریمیوم» شرکت را در اختیار خواهند گرفت. Hosgor می‌گوید که این امر به مشتریان پرداختی امکان دسترسی به مجموعه داده‌های خودشان را می‌دهد. و شواهدی وجود دارد که نشان می دهد آنها برای داده های مورد نیاز خود هزینه پرداخت خواهند کرد. Gesund در حال حاضر ادعا می کند که خط لوله ای متشکل از 30 مشتری بالقوه دارد و انتظار دارد در این سه ماهه درآمد ایجاد کند.

“ما نوامبر گذشته در RSNA در شیکاگو بودیم و هر شرکت هوش مصنوعی که با آنها صحبت می‌کردیم می‌گفتند: “بله، دیروز به مدرک نیاز دارم.”

دور مقدماتی 2 میلیون دلاری نشان‌دهنده تمام بودجه Gesund است، اما Hosgor انتظار دارد که شرکت امسال دوباره سرمایه‌گذاری کند. در آینده نزدیک، این شرکت بر تحقیق و توسعه و گسترش همکاری های بالینی خود در ایالات متحده و اروپا متمرکز خواهد شد.