Allan Hanbury, medstifter af contextflow – Interviewserie

Allan Hanbury er professor i dataintelligens på TU Wien, Østrig, og medlem af Complexity Science Hub, hvor han leder forskning og innovation for at give mening til ustruktureret data. Han er initiativtager til det østrigske ICT Lighthouse Project, Data Market Austria, som skaber et Data-Services-økosystem i Østrig. Han var videnskabelig koordinator for EU-finansierede Khresmoi Integrated Project om medicinsk og sundhedsinformationssøgning og analyse, og er medstifter af contextflow, spin-off-virksomheden, der kommermercialiserer radiologisk billedsøgnings-teknologien, der er udviklet i Khresmoi-projektet. Han har også koordineret EU-finansierede VISCERAL-projekt om evaluering af algoritmer på store data, og EU-finansierede KConnect-projekt om teknologi til analyse af medicinsk tekst.

contextflow er en spin-off fra Medicinsk Universitet i Wien og det europæiske forskningsprojekt KHRESMOI. Kan du fortælle os om KHRESMOI-projektet?

Selvfølgelig! Målet med Khresmoi var at udvikle et multilinguelt, multimodalt søg- og adgangssystem for biomedicinsk information og dokumenter, som krævede, at vi effektivt automatiserede informationsudvindingsprocessen, udviklede adaptive brugergrænseflader og koblinger både ustruktureret og semi-ustruktureret tekstinformation til billeder. I virkeligheden ønskede vi at gøre informationshentingsprocessen for medicinske fagfolk pålidelig, hurtig, præcis og forståelig.

Hvad er den aktuelle dataset, der driver contextflow dyb læring algoritme?

Vores dataset indeholder ca. 8000 lung CT-scans. Da vores AI er ret fleksibel, bevæger vi os mod hjernens MR-scans herefter.

Har du set forbedringer i, hvordan AI udfører sig, efterhånden som datasettet er blevet større?

Vi bliver ofte spurgt om dette spørgsmål, og svaret er sandsynligvis ikke tilfredsstillende for de fleste læsere. Til en vis grad, ja, kvaliteten forbedres med flere scans, men efter en bestemt grænse, får man ikke meget mere blot ved at have flere. Hvad der er nok, afhænger af mange faktorer (organ, modalitet, sygdomsmønster osv.), og det er umuligt at give et præcist tal. Det vigtigste er kvaliteten af dataene.

Er contextflow designed til alle tilfælde eller kun til at bestemme differentialdiagnose for svære tilfælde?

Radiologer er rigtig gode til, hvad de gør. For de fleste tilfælde er fundene åbenlyse, og eksterne værktøjer er unødvendige. contextflow har differentieret sig selv på markedet ved at fokusere på generel søgning i stedet for automatiseret diagnose. Der er nogle brugsområder for vores værktøjer, men det primære er til at hjælpe med svære tilfælde, hvor fundene ikke er åbenlyse. Her skal radiologer konsultere forskellige ressourcer, og den proces tager tid. contextflow SEARCH, vores 3D-billede-baserede søgemaskine, har til formål at reducere den tid, det tager for radiologer at søge efter information under billedfortolkning ved at tillade dem at søge via billedet selv. Fordi vi også giver referenceinformation, der er nyttig til differentialdiagnose, er træning af nye radiologer et andet lovende brugsområde.

Kan du vejlede os gennem processen med, hvordan en radiolog ville bruge contextflow-platformen?

contextflow SEARCH Lung CT er fuldt integreret i radiologens arbejdsproces (ellers ville de ikke bruge det). Radiologen udfører sit arbejde som sædvanligt, og når de har brug for yderligere information om en bestemt patient, vælger de blot en interesseområde i den pågældende scan og klikker på contextflow-ikonet i deres arbejdsstation for at åbne vores system i et nyt browser-vindue. Herfra modtager de reference-tilfælde fra vores database af patienter med lignende sygdomsmønstre som den patient, de er i gang med at evaluere, samt statistik og medicinsk litteratur (f.eks. radiopedia). De kan rulle gennem deres patient i vores system normalt, vælge yderligere områder for at søge efter yderligere information og sammenligne side om side med reference-tilfældene. Der er også varme-kort, der giver en visualisering af den samlede distribution af sygdomsmønstre, hvilket hjælper med at rapportere fund som også. Vi har virkelig forsøgt at placere alt, en radiolog har brug for for at skrive en rapport, på ét sted og tilgængeligt inden for sekunder.

Dette var oprindeligt designed til lung CT-scans, vil contextflow udvide sig til andre typer scans?

Ja! Vi har en liste over organer og modaliteter, som radiologer har bedt om, og som vi er ivrige efter at tilføje. Det endelige mål er at give et system, der dækker hele kroppen, uanset organ eller scan-type.

contextflow har modtaget støtte fra to fantastiske inkubator-programmer INiTS og i2c TU Wien. Hvor gavnligt har disse programmer været, og hvad har du lært af processen?

Vi skylder en masse tak til disse inkubatorer. Begge har koblet os til mentorer, konsulenter og investorer, som udfordrede vores forretningsmodel og til sidst klargjorde vores hvem/hvorfor/hvordan. De har også handlet meget praktisk, idet de giver funding og kontorplads, så vi kunne virkelig fokusere på arbejdet og ikke bekymre os så meget om administrative emner. Vi kunne virkelig ikke være kommet så langt, som vi er, uden deres støtte. Det østrigske startup-økosystem er stadig lille, men der er programmer derude for at hjælpe med at bringe innovative idéer til live.

Du er også initiativtager til det østrigske ICT Lighthouse Project, som har til formål at bygge et bæredygtigt Data-Services-økosystem i Østrig. Kan du fortælle os mere om dette projekt og om din rolle i det?

Mængden af data, der produceres dagligt, vokser eksponentielt, og dens betydning for de fleste brancher er også eksploderende…det er virkelig en af verdens vigtigste ressourcer! Data Market Austrias Lighthouse-projekt har til formål at udvikle eller reformere krav til succesfulde data-drevne forretninger, sikre lav omkostning, høj kvalitet og interoperabilitet. Jeg koordinerede projektet for det første år i 2016-2017. Dette ledte til skabelsen af Data Intelligence Offensive, hvor jeg er bestyrelsesmedlem. DIO’s mission er at udveksle information og know-how mellem medlemmer omkring datastyring og -sikkerhed.

Er der noget andet, du gerne vil dele med vores læsere om contextflow?  

Radiologiske arbejdsprocesser er ikke noget, som den gennemsnitlige borger tænker over, og det burde det heller ikke være. Systemet burde bare virke. Desværre, når man bliver patient, indsætter man, at det ikke altid er tilfældet. contextflow arbejder på at transformere den proces for både radiologer og patienter. I kan forvente en masse spændende udviklinger fra os i de kommende år, så hold øje med os!

Besøg contextflow for at lære mere.