Es ist eine Sache, einen medizinischen Algorithmus zu entwickeln, eine ganz andere, zu beweisen, dass er tatsächlich funktioniert. Dazu benötigen Sie eine wichtige Sache, die schwer zu bekommen ist: medizinische Daten. Und ein Startup ist bereit, dies in Hülle und Fülle bereitzustellen, zusammen mit den Tools, um Validierungsstudien zu vereinfachen.
Gesund, gegründet im Jahr 2021, tauchte diese Woche mit einer Seed-Runde im Wert von 2 Millionen US-Dollar unter der Führung von 500 Global aus der Tarnung auf. Das Unternehmen hat bereits einen langen Weg zurückgelegt und verfügt über tragfähige Plattformen, 30 Kunden in seiner Vertriebspipeline und erwartete Einnahmen in diesem Quartal, sagte CEO und Gründer Enes Hosgor gegenüber Tech.
Gesund ist im Grunde eine Contract Research Organization (CRO) für KI-Unternehmen, die medizinische Algorithmen entwickeln, oder Akademiker, die ihre eigenen Modelle testen. So wie ein CRO eine klinische Studie für ein Arzneimittel- oder Medizinprodukteunternehmen entwerfen könnte, kuratiert die Plattform von Gesund Daten, die es KI-Unternehmen ermöglichen, ihre eigenen Produkte zu testen, und schafft die IT-Infrastruktur, damit dieser Vergleich reibungslos abläuft.
„Ich betrachte uns gerne als ein Unternehmen für maschinelles Lernen“, sagte Hosgor. „Wir machen keine Algorithmen.“
Ein medizinischer Algorithmus ist nur so gut wie die Daten, mit denen er trainiert wurde, und es gibt Hinweise darauf, dass es eine Herausforderung sein kann, vielfältige und verwendbare Datensätze zu erhalten. Zum Beispiel, eine Studie veröffentlicht in JAMA analysierte im Jahr 2020 74 wissenschaftliche Arbeiten, in denen Deep-Learning-Algorithmen in Disziplinen wie Radiologie, Augenheilkunde, Dermatologie, Pathologie, Gastroenterologie und Pathologie beschrieben wurden. 71 Prozent der in diesen Studien verwendeten Daten stammten aus New York, Kalifornien und Massachusetts.
34 US-Bundesstaaten haben keine Daten in die Pipeline eingebracht, die zum Trainieren dieser Algorithmen verwendet wurden, was in Frage stellt, wie verallgemeinerbar sie für eine breitere Bevölkerung sein könnten.
Das Problem besteht auch bei verschiedenen Arten von Gesundheitsdienstleistern. Du könntest trainieren ein Algorithmus für Daten, die in einem großen, angesehenen akademischen Krankenhaus gesammelt wurden. Aber wenn Sie das in einem kleinen Gemeindekrankenhaus einsetzen möchten, gibt es keine Garantie dafür, dass es in dieser ganz anderen Umgebung funktioniert.
Zusammengenommen sind die Datensätze, die zum Trainieren von Algorithmen verwendet werden, im Allgemeinen kleiner als sie sein solltenlaut einem Meta-Review von 152 Studien, die in der veröffentlicht wurden BMJ. Natürlich gibt es einige algorithmische Erfolgsgeschichtenaber das ist ein branchenweites Problem.
Technologie allein kann all diese Probleme nicht lösen; Sie können keine Daten sortieren oder bereitstellen, die überhaupt nicht vorhanden sind. Denken Sie an genetische Studien für Menschen außereuropäischer Abstammung, die es sind schmerzlich fehlt. Aber Gesund konzentriert sich eng auf ein Thema, bei dem Technologie helfen könnte: den Zugriff auf vorhandene Daten zu erleichtern und Partnerschaften zu schaffen, die neue Wege für den Datenaustausch eröffnen.
Ein Screenshot der Validierungsplattform von Gesund.
Die Datenpipeline von Gesund stammt aus „bestehenden Vereinbarungen zum Datenaustausch mit klinischen Standorten“, sagte Hosegor. Im Moment konzentriert sich Gesund auf Bildgebungsdaten, die am University of Chicago Medical Center, dem Massachusetts General Hospital und der Berliner Charité gesammelt wurden. (Das Unternehmen plant, in Zukunft über die Radiologie hinauszugehen).
Das Aggregieren und Bereitstellen von Daten zur Verwendung in maschinellen Lernanwendungen wird auch von anderen durchgeführt, wie z Nightingale Open Science-Projektdas Forschern kostenlos klinische Datensätze zur Verfügung stellt (nicht mit Google verbunden umstrittenes „Projekt Nightingale“). Aber während die Daten selbst ein entscheidender Teil davon sind, ist es wirklich der Technologie-Stack, den Hosegor als Geheimwaffe des Unternehmens ansieht.
„Jeder macht ML in der Cloud“, erklärt Hosegor. „Und weil ein durchschnittlicher Gesundheitsdienstleister keine Cloud hat, fällt all das aus dem Fenster“, sagte er. „Wir haben diesen Technologie-Stack aufgebaut, der sich vor Ort innerhalb einer Krankenhaus-Firewall befinden kann. Es ist nicht auf verwaltete Dienste von Drittanbietern angewiesen, die das A und O des maschinellen Lernens sind.“
Von dort enthält die Plattform eine „Low-Code“-Schnittstelle. Kurz gesagt, Ärzte und Anbieter können die benötigten Datensätze einfach per Drag-and-Drop verschieben und ihre eigenen Algorithmen anhand dieser Daten testen.
„Wir sind etwa sechs Monate alt, aber wir haben uns voll ins Zeug gelegt und dieses erste Produkt entwickelt, mit dem Modellbesitzer ihre Algorithmen mit Daten vergleichen können, um Genauigkeitsmetriken im Handumdrehen in Umgebungen mit hoher Compliance zu erstellen, auf die sie keinen Zugriff haben zu Cloud-Ressourcen. Das ist unsere geheime Sauce“, erklärte er.
Derzeit bietet Gesund, ähnlich wie Nightingale, einige seiner Dienste kostenlos an. Die Community Edition des Unternehmens ermöglicht es Akademikern mit bestehenden Algorithmen, ihre Algorithmen kostenlos zu testen (aber sie müssen ihre eigenen Datensätze hochladen).
In der Zwischenzeit werden die KI-Unternehmen die Rechnung für die „Premium“-Version des Unternehmens bezahlen. Dies, sagt Hosegor, wird den zahlenden Kunden Zugang zu proprietären Datensätzen geben. Und es gibt Beweise dafür, dass sie für die Daten bezahlen, die sie benötigen. Im Moment behauptet Gesund, eine Pipeline von 30 potenziellen Kunden zu haben, und erwartet, in diesem Quartal Umsätze zu generieren.
„Wir waren letzten November auf der RSNA in Chicago und jedes einzelne KI-Unternehmen, mit dem wir gesprochen haben, sagte: ‚Ja, ich brauche gestern Beweise.’“
Die 2-Millionen-Dollar-Pre-Seed-Runde stellt die gesamte Finanzierung von Gesund dar, aber Hosegor erwartet, dass das Unternehmen in diesem Jahr erneut Geld sammeln wird. In naher Zukunft wird sich das Unternehmen auf F&E und den Ausbau seiner klinischen Partnerschaften in den USA und Europa konzentrieren.