Jonas Muff, fundador i CEO de Vara – Sèrie d'entrevistes

Jonas Muff és el fundador i CEO de Vara una plataforma de detecció del càncer de mama. Fundada a Alemanya, Vara opera a diversos països d'Europa. Recentment han anunciat dues associacions importants aquest any a Grècia i Mèxic, que posaran la seva tecnologia a disposició de més de 30 milions de dones.

Què et va atraure inicialment al camp de la intel·ligència artificial?

Com a fill d'un metge, sempre he cregut que el poder i el potencial de l'assistència sanitària rau en la prevenció i no en la curació; mantenir saludables les persones sanes, en lloc de tractar els malalts. La intel·ligència artificial és la clau no només per desbloquejar aquest canvi de paradigma, sinó per ajudar els sistemes sanitaris moderns a fer grans salts tant en el diagnòstic com en el tractament de les malalties. Els diagnòstics basats en IA tenen el potencial de ser més barats i depenen menys dels recursos de coneixement expert, dels quals hi ha una escassetat global. D'aquesta manera, la intel·ligència artificial es podria utilitzar per proporcionar medicaments d'alta qualitat als països menys desenvolupats per fer que l'accés a una bona assistència sanitària sigui més just i global.

Podries parlar de la història de la gènesi darrere de Vara?

Vara va néixer de Merantix, un estudi d'empreses a Berlín amb l'objectiu de desbloquejar el potencial de la IA mitjançant un enfocament col·laboratiu. Merantix reuneix persones de diferents orígens, totes amb mentalitat emprenedora, per abordar problemes del món real de maneres innovadores. Vam reunir un equip d'experts en aprenentatge automàtic, desenvolupadors de programari, dissenyadors de productes i radiòlegs i vam proposar reimaginar el flux de treball de detecció del càncer de mama de baix a dalt.

Quan llegeix mamografies, un radiòleg de cribratge busca efectivament una agulla en un paller. Tot i que la gran majoria de les mamografies es consideraran "normals", és a dir, no contindran cap signe de càncer de mama, una minoria petita, però totalment significativa, serà sospitosa i requerirà una anàlisi addicional.

Això exerceix una gran pressió sobre el radiòleg per assegurar-se que no es perdin cap agulla, però també se'ls obliga a gastar el 98% (o més) de la seva vida laboral diària informant de mamografies normals. És una combinació que pot conduir a errors i en la qual hem cregut, des del primer dia, que la IA pot ajudar a resoldre tant compensant els errors humans com eliminant la càrrega administrativa. D'aquesta manera, els radiòlegs poden dedicar encara més atenció a trobar les anomalies.

Tenint això en compte, ens vam associar amb alguns dels radiòlegs de cribratge líders d'Alemanya per construir una plataforma que estandarditzi tot el flux de treball clínic i el millori mitjançant l'ús d'eines avançades d'IA, automatització i gestió de dades. En lloc d'intentar substituir els radiòlegs, la plataforma Vara pretén sobrealimentar-los per fer els processos més eficients, més transparents i més efectius.

A través del nostre treball, també ens vam adonar que, tot i que el cribratge del càncer de mama és un fet a la majoria dels països europeus, inclòs el nostre país d'origen, Alemanya, que té un llegat orgullós d'iniciar un programa de detecció basat en la població l'any 2002, la majoria dels països del món ho fan. no ofereixen projeccions a les dones. Creiem que totes les dones tenen dret a la projecció i, per tant, la nostra plataforma ha estat dissenyada per treballar a qualsevol part del món. La nostra missió és fer que el cribratge del càncer de mama basat en dades sigui més accessible per a tothom.

Quants conjunts d'entrenament s'han utilitzat per entrenar les dades, i aquests conjunts inclouen una gran varietat de tipus de pell?

Els nostres models s'han desenvolupat a partir de més de 7 milions de mamografies utilitzant dades d'Europa, principalment Alemanya.

Les mamografies són molt semblants entre diferents poblacions i ètnies. El que varia entre les poblacions globals és la densitat mamària (quantitat de teixit gras a la mama), els subtipus de càncer patològic, així com els tipus de lesions i les mides de lesions.

Quan vam avaluar Vara, no només vam considerar el rendiment mitjà, sinó també el rendiment de cada subgrup, és a dir, pits grassos versus pits densos, o lesions petites i grans. Els nostres resultats mostren que podem millorar les mètriques dels radiòlegs en tots els subgrups rellevants.

Això vol dir que fins i tot si les dones d'altres poblacions tendeixen a tenir pits més densos, per exemple, Vara encara millorarà el seu nivell de cura. Hem realitzat una avaluació local per entendre el rendiment de l'IA a Mèxic per assegurar-nos que millorem realment el nivell d'atenció. I continuarem supervisant el rendiment potencial de Vara en temps real i mantindrem un diàleg constant amb els nostres socis de cribratge. El nostre objectiu és millorar l'estàndard d'atenció a Mèxic proporcionant un flux de treball de detecció estandarditzat impulsat per IA.

El sistema Vara utilitza 3 tipus de classificacions per a cada mamografia, podries parlar de què són i com ajuden a prevenir falsos positius?

La via de referència de decisions és un procés de selecció desenvolupat per Vara en què l'algoritme només fa una declaració per als casos en què fa prediccions precises amb confiança, mentre que deixa altres casos a l'experiència humana.

L'objectiu de la via de derivació de decisions és donar suport al radiòleg amb IA per millorar tant la sensibilitat com l'especificitat, és a dir, reduir els falsos negatius i els falsos positius. Al mateix temps, la IA no és perfecta i no pot fer prediccions 100% correctes per a tots els casos. Per tant, l'objectiu de la derivació de decisions és combinar l'experiència humana dels radiòlegs amb les capacitats tècniques de la IA actual en un intent de millorar ambdues.

Aleshores, els tres tipus de classificació són:

1. Triatge normal: L'algoritme selecciona un subconjunt de casos que considera normals amb alta confiança i etiqueta automàticament aquests casos per al radiòleg. L'objectiu del triatge normal és etiquetar negatius tants casos normals com sigui possible, amb una classificació errònia mínima.
2. Xarxa de seguretat: Per als casos en què la IA està molt segura que les imatges són sospitoses, ofereix una xarxa de seguretat: si el radiòleg classifica un d'aquests casos com a negatiu, la xarxa de seguretat activa i apunta el radiòleg a una regió específica de la imatge que és sospitosa. a la IA. Aleshores, el radiòleg pot reconsiderar la decisió, possiblement contraint un càncer que, d'altra manera, s'hauria perdut.
3. Casos no classificats: És important destacar que l'IA no fa una declaració per a tots els casos. Hi ha casos que no estan classificats com a normals (els casos menys sospitosos), ni s'activa la xarxa de seguretat (els casos més sospitosos). En aquests casos, la IA no té prou confiança i l'experiència de decisió hauria de provenir del radiòleg.

Una propietat intrínseca de la derivació de decisions és la seva configurabilitat. Podem configurar l'IA perquè el 50% més baix dels casos s'etiqueti com a normal, o podem configurar-lo per etiquetar el 70% més baix com a normal. De la mateixa manera, la xarxa de seguretat es pot activar per a l'1% dels casos més sospitosos, o alternativament per al 2% dels casos més sospitosos.

Els humans, inclosos els radiòlegs, sovint experimenten biaixos cognitius, com ajuda l'aplicació d'IA a resoldre aquest problema?

La nostra IA ha après de les dades d'un dels millors sistemes de cribratge del món a Alemanya. A més, durant la formació, la IA té accés a dades que els radiòlegs no tenen en la pràctica clínica. És a dir, els resultats de la biòpsia o el seguiment de dos anys de cada cas. Mitjançant l'ús de conjunts de dades amplis i representatius, evitem biaixos en les dades d'entrenament.

Després vam desenvolupar la xarxa de seguretat per reduir qualsevol biaix potencial en la interacció entre els humans i la IA. La xarxa de seguretat no mostra àrees sospitoses al radiòleg per endavant. En canvi, el radiòleg informa de les seves troballes amb el visor de Vara i en el cas que l'IA no estigui d'acord amb la valoració del radiòleg, Vara mostra la predicció localitzada. Això dóna al radiòleg l'oportunitat de revisar el seu informe inicial i adaptar-lo. D'aquesta manera, la xarxa de seguretat ajuda a reduir els càncers perduts.

A diferència dels humans, el model no es cansa i ofereix un rendiment millorat contínuament, independentment de l'hora del dia. Per tant, la IA pot objectivar els resultats dels radiòlegs.

Podries parlar dels reptes de detectar el càncer de mama quan es tracta de possibles casos extrems com els implants?

Els nostres models han estat entrenats en un conjunt de dades divers i del món real de totes les dones que assisteixen al cribratge, incloses les dones amb implants. No hem trobat que aquests casos siguin un repte particular per a Vara. A més, el nostre model no fa declaracions sobre tots els casos. Si no està segur sobre un cas concret, difereix la decisió als radiòlegs, un enfocament que anomenem derivació de decisió (vegeu més amunt).

Vara també fa les mamografies posteriors a la pantalla, en aquest pas del procés què es busca concretament?

Vara mostra prediccions després que el radiòleg s'hagi format una opinió (vegeu "Xarxa de seguretat" més amunt per a més detalls). Els radiòlegs obtenen una visió crítica comparant el desenvolupament de teixits i lesions al llarg del temps. De la mateixa manera, aprofitar la informació temporal millorarà encara més la precisió diagnòstica dels models d'IA. La nostra IA no només funciona amb l'examen actual, sinó que també verifica els exàmens anteriors per detectar signes de càncer, amb la promesa de millorar encara més el rendiment de la detecció.

Hi ha alguna cosa més que t'agradaria compartir sobre Vara?

L'enfocament de referència de decisions de la plataforma Vara AI s'utilitza ara al 30% de totes les unitats de detecció d'Alemanya. Com a part de la nostra missió global, recentment hem llançat unitats de projecció a Mèxic i Grècia, en col·laboració amb els proveïdors d'assistència sanitària sobre el terreny d'aquestes regions. Amb aquests socis, estem mostrant com podem aprofitar la infraestructura sanitària existent per permetre'ls passar de la seva configuració actual a un servei de detecció estandarditzat d'última generació.

El nostre equip s'ha duplicat fins a 30 i hem nomenat experts globals en radiologia, com ara Professora Katja Pinker-Domenig, que es va convertir en el nostre assessor mèdic principal, així com Stephan Dreier com a director d'ingressos. També tenim col·laboracions amb institucions acadèmiques de renom als EUA i Europa, com ara el Memorial Sloan Kettering Cancer Center, la Universitat de Cambridge, Karolinska Institutet i la Registre de càncer de Noruega.

El rendiment de la IA de Vara mostra una immensa promesa en termes de reproductibilitat i generalització. Actualment s'està en premsa un gran estudi retrospectiu a Lancet Digital Health, de renom mundial, així com una altra publicació important de revisió per parells sobre la prevenció del càncer d'interval a l'European Journal of Radiology.

Nosaltres també acabem de començar El primer estudi prospectiu d'Alemanya per mostrar l'impacte de Vara en la rutina clínica. Tots aquests èxits ens estan ajudant a assolir la nostra missió principal de fer que el cribratge del càncer de mama basat en dades sigui accessible per a tothom.

Gràcies per la gran entrevista, els lectors que vulguin aprendre més haurien de visitar Pal.