Спросите у большинства исследователей искусственного интеллекта, и они скажут вам, что одно из самых больших достижений в области возможностей искусственного интеллекта за последние пять лет было в подобласти компьютерного зрения, в частности в распознавании изображений, которое теперь работает так же хорошо, как люди, в области компьютерного зрения. много доменов. Печально известный репозиторий ImageNet, в котором хранятся сотни категорий объектов и миллионы изображений-примеров, с 2010 года проводит глобальный конкурс. Крупномасштабный конкурс визуального распознавания (также известный как ILSVRC) привлек около 50 конкурирующих организаций, кульминацией которого стали Глубокая сеть, опередившая в 2015 году лидера среди людей по узкому делу.

Если вы пропустите достаточное количество помеченных и отформатированных данных изображений через правильно спроектированные глубокие сети, эти системы начнут демонстрировать впечатляющие возможности распознавания изображений. Однако восприятие еще далеко не решено. Остаются проблемы (и у меня будет здоровая дискуссия со всеми, кто говорит иначе), включая проблему привязки, понимание контекстной информации, применимость трансферного обучения к новым наборам данных и итеративное сокращение ложных срабатываний, и это лишь некоторые из них. . Однако важно отметить, что эти технологические достижения уже предоставляют приложения и создают ценность сегодня во всем, от задач проверки (PreNav, Tractable) до непрерывного автомобильного мониторинга (Nexar * ), в здравоохранение.

Здравоохранение нуждается в такой технологии по многим причинам. Машинное обучение может находить в изображениях особенности, которые просто не видны людям; Фактически, во многих недавних исследованиях по этой теме описывается использование изображений и других данных для прогнозирования генетических и молекулярных свойств, которые когда-то считались идентифицируемыми только при взятии образцов ткани. Кроме того, избыток информации о пациентах в электронных медицинских картах открывает огромные возможности для использования методов машинного обучения для предоставления услуг. Полезные данные генерируются во время каждой части рабочего процесса по уходу, хотя сегодня они существуют в значительной степени в неструктурированном формате и в виде текста, продиктованного клиницистами, поэтому получить понимание сложно. Попытка сделать это - стоящая задача для сообществ медицинских технологий и биоинформатики, и до достижения точности, необходимой для клинических условий, предстоит еще долгий путь - эта работа еще не завершена. Что действительно существует в стандартизованном формате (например, DICOM), так это сканированные изображения (например, МРТ, компьютерная томография, ультразвук и т. Д.), Прикрепленные к этим записям, составляющие около 90% всех медицинских данных. Первая ежегодная конференция по машинному интеллекту в медицинской визуализации (C-MIMI) была проведена в сентябре 2016 года, и это означало, что, возможно, наконец-то пришло время для этого набора приложений.

Приложение

Представьте себе (не очень приятный) мир, в котором вас бросают в центр скорой помощи посреди ночи. После сортировки каждый лишний момент может означать еще большую боль, невосполнимые потери для вашего здоровья и, возможно, даже смерть. Однако вместо того, чтобы ждать приема соответствующего специалиста, помощник врача может немедленно провести сканирование соответствующего изображения, не консультируясь с руководящим персоналом. Он или она может предоставить подробные контекстные выводы, на которые раньше требовалось несколько часов, дней или даже недель для координации вашего ухода.

Кроме того, по дороге в больницу врач скорой помощи может провести удаленное сканирование в машине скорой помощи. Эти данные сканирования немедленно предоставляются персоналу больницы, что дает им дополнительное время для подготовки и координации вашего лечения, чтобы вы могли быстро выздороветь. Более ранняя и точная диагностика облегчает выписку и снижает вероятность повторной госпитализации. Такие более дешевые и быстрые ответы могут принести значительную пользу всем заинтересованным сторонам в системе здравоохранения как в острых, так и в неострых условиях.

Основные проблемы

Все эти характеристики являются вескими доводами в пользу использования современных технологий машинного зрения для анализа данных медицинской визуализации. Это делает систему здравоохранения более рентабельной при оптимизации результатов здравоохранения. В недалеком будущем, когда результаты будут сопоставлены с входными данными пациента, это будет особенно важно - тема, которую мы обсудим в другой раз. Однако, в отличие от других рынков, где технологии созрели, чтобы подорвать их, вертикаль здравоохранения имеет прочную и часто сильно несогласованную цепочку создания стоимости. Плательщики, регулирующие органы, поставщики, производители оборудования, пациенты и т. Д. Имеют разные стимулы и поэтому требуют различных сообщений / потребностей в продуктах для подписки и использования. Однако ключевая универсальная проблема среди этих игроков существует в области регулирования (позже я также подробно расскажу о том, как эффективно продавать технологии различным системам здравоохранения, географическим регионам, заинтересованным сторонам и т. Д.).

Эти ограничения объясняют, почему стартапы часто позиционируют себя как инструменты поддержки клинических решений и повышения эффективности для регулирующих органов, клиентов и инвесторов. Будь то устройство для раннего выявления рака или инструмент для анализа изображений в неотложной помощи, технологию на этом рынке не следует (по крайней мере, на начальном этапе) описывать как диагностический или даже инструмент сортировки. Оба термина подразумевают исключение принятия решений человеком из клинического процесса (житель Нью-Йорка написал об этом убедительную статью, на которую стоит обратить внимание). Инструмент продуктивности - это правильная голосовая линза, и это должно помочь в восприятии клиницистами, что также является узким местом. Дело в том, что нормативные ограничения играют роль во всех процессах, от концепции продукта до маркетинга. Неправильное обращение с этим процессом может отбросить бизнес на годы, если не на неопределенный срок. Я бы посоветовал каждому предпринимателю, думающему о выходе на этот рынок, начать разговор с консультантом по регулированию в первый день, чтобы действовать как можно быстрее. Arterys, при поддержке наших друзей из AME и Morado Ventures среди других, является ярким светом в отрасли: первый стартап, финансируемый венчурным капиталом, получивший одобрение FDA на применение глубокого обучения в клинических условиях.

Структура сегментации рынка

На каждом рынке, в котором мы участвуем, Mosaic стремится поддержать энергичные технологические команды мирового уровня. Мы твердо убеждены в существующих технических возможностях, доступных для анализа структурированных изображений, и хотели поделиться своим мнением о выходе на рынок визуализации в качестве тематических инвесторов. Мы попытались свести его к трем основным компонентам, каждый из которых необходимо сбалансировать и внимательно рассмотреть при участии на рынке диагностической визуализации:

Степень бремени затрат на систему здравоохранения: окажет ли ранняя диагностика / вмешательство значительное влияние?

  • На основе группы пациентов (интервенционные меры для пожилых людей по сравнению с текущими или профилактическими мерами для более молодых, здоровых групп населения)
  • В зависимости от типа лечения (хронические состояния, такие как онкология, болезни сердца, ХОБЛ, по сравнению с краткосрочными состояниями, такими как ортопедическая травма)

Осуществимость продаж: может ли стартап найти способы сократить длинные циклы продаж в рамках SaaS для здравоохранения?

  • Есть ли код возмещения плательщикам существующим или незавершенным?
  • Существуют ли существующие поставщики оборудования или центры телерадиологического анализа, например, IBM, GE, McKesson, для использования каналов продаж?
  • Обеспечивает ли решение достаточную (двузначную процентную экономию), чтобы вы были в верхней части списка с точки зрения реализации для ИТ-отдела
  • Есть ли другие заинтересованные стороны, например, фармацевтические компании, которые могут платить и использовать эту технологию в доклинических условиях?

Нормативная осуществимость: обеспечивает ли анализ диагноз или дает информацию о терапевтическом ответе?

  • При предоставлении диагностического значения или подтверждения (количественной оценки) компании, скорее всего, потребуется класс II 510k или даже предпродажное одобрение класса III для клинической интерпретации. Соответствие нормам СЕ также важно для европейских рынков. Чтобы попасть сюда, часто требуются клинические испытания
  • Если используется терапевтический ответ, рабочий процесс по-прежнему включает людей, что должно снизить общую регулятивную нагрузку, в то же время извлекая выгоду из меньших циклов регулирующих решений.

Учитывая ограниченность ресурсов молодого стартапа, мы считаем, что приоритетность рыночных сегментов в областях с более низкими нормативными препятствиями и более быстрыми циклами продаж будет обязательной, особенно с учетом того, что стартап требует больших затрат денежных средств. Например, если вы выбрали маршрут, требующий одобрения регулирующих органов класса III, мы будем поощрять партнерство с более крупным фондом даже на начальном этапе, чтобы гарантировать, что у вас есть капитал для успеха и не замедлится. Это не совсем разные пути, и есть способ спланировать переход к более диагностическому подходу в долгосрочной перспективе.

Мы по-прежнему с энтузиазмом относимся к этому рынку и полагаем, что в течение следующего десятилетия будет создано несколько крупных и значительных компаний, которые спасут жизни и сделают мир более здоровым. Некоторые утверждают, что в течение следующего десятилетия ни одно медицинское обследование с помощью изображений не будет проверяться радиологом до тех пор, пока оно не будет предварительно проанализировано машиной. Здесь есть чем заняться.

Свяжитесь с нами, если вы строите на этом рынке компанию с такими амбициями. Мы будем рады помочь.

Примечание. * Mosaic является инвестором Nexar

Особая благодарность Петеру Кечкемети, Янну Флёюро, Ан Нгуену и Маноджу Рамачандрану за рецензирование этой статьи.

Дополнительные недавние сообщения от команды Mosaic Ventures:

Будущее цифрового здравоохранения с доктором Джеком Крайндлером - Джек Крейндлер - опытный врач, физиолог и предприниматель в области цифрового здравоохранения. В начале этого года мы совместно с ним провели увлекательный круглый стол по вопросам здоровья в Лондоне, вместе с ведущими предпринимателями в области здравоохранения со всей Европы и США. Этот подкаст охватывает многие темы круглого стола, а также его собственные мысли о возможностях и проблемах цифрового здравоохранения, особенно в области машинного обучения и больших данных. "Читать далее"

Наши инвестиции в ключ к разгадке - Мы вступаем в эпоху количественной оценки себя. Недорогие датчики и смартфоны означают, что мы можем ощущать, отслеживать и интерпретировать аспекты нашей жизни, для чего раньше требовались команды врачей. Теперь можно легко вводить данные и делиться ими с врачами и членами семьи, не зная, что данные безопасны и конфиденциальны. Все это означает, что мы можем создать профиль здоровья, который обеспечивает больший контроль, позволяя нам находить правильные медицинские советы и услуги, когда они нам нужны. "Читать далее"

Проблемы создания приложений искусственного интеллекта. Интеллектуальное происхождение искусственного интеллекта восходит к великим деятелям компьютерной теории, Тьюрингу и, в конечном итоге, Бэббиджу, изобретателю вычислительной машины. То, что мы сейчас видим в Лондоне, где ведущие команды, такие как Deep Mind, работают над машинным обучением, - это переход от области информатики к практическим применениям и бизнес-кейсам. "Читать далее"

Вы можете подписаться на нас в Twitter @Mosaic_VC, Linkedin, Facebook и Angelist