Chaim Linhart, PhD, Medstifter & CTO af Ibex Medical Analytics – Intervju-serie

Chaim Linhart, PhD er CTO og medstifter af Ibex Medical Analytics. Han har mere end 25 års erfaring med algoritmeudvikling, AI og maskinlæring fra akademiet samt tjeneste i en eliteenhed i den israelske hær og i flere teknologivirksomheder. Chaim har en PhD i datalogi fra Tel Aviv Universitet og har vundet flere Kaggle maskinlæringskonkurrencer.

Siden 2016 har Ibex ført an i AI-drevne diagnostik for patologi. Virksomheden satte sig for at transformere patologi ved at sikre, at hver patient kan få en præcis, rettidig og personlig kræftdiagnose. I dag er Ibex den mest udbredte kunstig intelligens-platform i patologi. Udviklet af patologer til patologer, tjener deres løsninger verdens førende læger, sundhedsorganisationer og diagnostiske udbydere. Hver dag har Ibex den ære at påvirke livene for patienter verden over. Platformen øger lægenes tillid, strømliner diagnostiske arbejdsprocesser, hjælper klinikerne med at give mere personlige diagnoser og, vigtigst af alt, muliggør bedre kliniske resultater.

Kan du dele rejse og vision bag Ibex’s grundlæggelse og dens mission om at transformere kræftdiagnostik med AI?

I 2016 lærte min medstifter, Joseph Mossel, og jeg om den direkte indvirkning, en digital revolution i patologi kunne have på at forbedre kræftdiagnostik. Radiologi havde gennemgået en lignende transformation 20 år tidligere, hvilket havde en fremtrædende indvirkning på, hvordan specialiteten blev praktiseret. Med patologiens digitalisering erkendte vi, at det gav os en mulighed for at udvikle nye avancerede værktøjer, der udnytter kunstig intelligens (AI) til at udføre sofistikeret billedanalyse. Vi har fokuseret på at udvikle AI-drevne værktøjer, der hjælper lægerne med at nå mere præcise, objektive, reproducerbare diagnoser og dermed hjælpe hver patient med at få den rette diagnose på en rettidig måde, hvilket fører til den bedste mulige behandling.

Hvordan har landskabet for kræftdiagnostik ændret sig siden Ibex’s grundlæggelse i 2016?

Laboratorier har adopteret digitalisering i en stigende hastighed, endnu mere accelereret af Covid-19. Den digitale revolution har enablede laboratorierne til at udvide deres kapaciteter ud over mikroskopet på en betydningsfuld og meningsfuld måde, ved at udnytte AI, der hjælper patologer med at analysere og forstå resultater effektivt.

Kræftdiagnostik AI-feltet er vokset eksponentielt, da vi har set startups og andre virksomheder arbejde på forskellige aspekter af AI til patologi i kræftdiagnose-domenet. Præcisionsmedicin, for eksempel, er data-dreven patient-stratificering enabled af en præcis diagnose og forskellige informatics-tilgange, der fører til optimal, personlig behandling. En stigning i præcisionsmedicin kommer med en forhøjet behov for mere komplekse diagnostik for at støtte de nye målrettede behandlinger.

Vi har også set en stigning i akademiske publikationer og industriassociationer, der fokuserer på feltet. Da Joseph og jeg deltog i vores første konference om digital og komputermæssig patologi i 2016, var AI en lille del af samtalen omkring kræftdiagnose, da det ikke var så mainstream. Nu, når vi deltager i en stor patologikonference, er AI hovedbegivenheden.

Hvad adskiller Ibex fra andre virksomheder i feltet af AI-drevet patologi?

Når vi taler om AI-drevet patologi, er der flere underdomæner. Der er virksomheder, der prioriterer forskningsapplikationer, som værktøjer, der analyserer væv billeder for at hjælpe med at forstå sygdomsprocesser på morfologisk og cellulær niveau, for eksempel. For det andet er der virksomheder, der fokuserer primært på kliniske applikationer, dvs. produkter, der bruges i laboratorier til at støtte rutinediagnose.

Ibex fokuserer på kliniske applikationer, og vi har den største og mest udbredte installationsbase med patologer verden over, der bruger vores værktøjer dagligt til kræftdiagnose. Vi er også i partnerskab med Pharma for at udvikle AI-drevne kliniske applikationer, der støtter patologer i at kvantificere biomarkører, der muliggør målrettede behandlinger.

Derudover, mens nogle virksomheder fokuserer på bestemte, begrænsede indikationer per tumor-type, som kræftdetektion, for eksempel, er vores tilgang at træne AI til at analysere alt, hvad en patolog ville se i disse væv. Det handler ikke kun om kræftdetektion, men også om kræfttypen og -subtypen, graden, størrelsen samt kræft-relaterede morfologier og andre kliniske funktioner. Vi ved, at patologi er mere end bare at bestemme, om patienten har kræft eller ej. Vi vil hjælpe patologer med at realisere de store fordele, som AI bringer til bordet.

Kan du forklare den kerne-teknologi bag Ibex’s løsninger og hvordan den assisterer patologer i kræftdetektion og -gradering?

Vores tilgang er, at patologer essentielt træner maskinen. Vi har et stort hold af patologer verden over, der annoterer slides. Dette betyder, at de markerer bestemte områder inden for disse slides og mærker dem. De kan markere en lavgradig tumor, en blodåre, en nerve, inflammation og så videre. Vi tager derefter denne data og bruger den til at træne AI-modellerne. Dette sikrer, at AI er meget præcis, selv for sjældne og svære tilfælde, hvilket er af afgørende betydning. Vores AI er undervist af patologer og er trænet til at identificere mange forskellige typer af strukturer og morfologier af vævet, hvilket er meget hjælpsomt for patologer og uundgåeligt øger dens præcision. Ved at have adgang til en bredde af data og viden kan vi forbedre vores AI og implementere erfaringer med den feedback, vi får direkte fra feltet.

Hvordan sikrer Ibex klinisk-grads præcision på tværs af forskellige kræfttyper, såsom bryst-, prostata- og mavekræft?

Dette kræver meget hårdt arbejde. Vi indsamler data fra mange partnere verden over. Vi sikrer, at data er meget divers, med repræsentation fra forskellige laboratorier og forskellige vævspræparations-teknikker, scannere og kliniske fund. Vi berigede træningsdata med sjældne kræfttyper. Dette sikrer, at AI er trænet med en bred vifte af funktioner. Under træningsprocessen måler vi, hvad AI gør godt, og vi bestemmer også, hvor forbedringer skal gøres. Holdet, med omfattende erfaring i maskinlæring, tester AI på tusindvis af slides, som vi har indsamlet fra forskellige laboratorier. Vi gennemfører studier og kliniske forsøg og sammenligner to fundamentale aspekter af systemet. Først gennemgår vi dets standalone-præstation i forhold til sandheden. For det andet bestemmer vi, hvor nøjagtigt patologen arbejder med og uden AI. Ved at gøre dette sikrer vi, at AI er præcis, robust, upartisk og sikker. Vi måler dets indvirkning på patologer, der bruger AI. På tværs af vores applikationer ser vi, at patologen, med AI-støtte, når bedre resultater (dvs. mere præcise, højere enighed med sandheden) end i standard af care (dvs., når de ikke er støttet af AI). Vi måler også effektiviteten af deres arbejde og andre vigtige fordele af AI-platformen, såsom optimering af arbejdsprocessen i laboratoriet og reducering af omlooptiden (hvor hurtigt patienten modtager resultaterne).

Hvad er nogle unikke funktioner af Ibex’s løsninger, der forbedrer diagnostiske arbejdsprocesser og forbedrer patientresultater?

Vores integrerede system inkluderer en slide-viser, AI-resultater og indbyggede rapporteringsværktøjer. Dette holistiske system blev designet til at forbedre præcision og produktivitet. Det guider patologer gennem diagnostiske processen og viser dem de vigtigste fund i hver sag og slide. I stedet for at søge efter funktioner, som kan være små og svære at opdage, fremhæver AI alt meget klart. Herfra kan patologen bekræfte eller ændre. AI viser målinger og kvantificeringer; det scorer også alt. Med indbyggede rapporter behøver patologen ikke at se på sliden, gøre diagnosen i deres sind og derefter gå til et andet system og rapportere alt; i stedet udføres rapportering, mens AI driver den integrerede arbejdsproces. Selv antallet af musklik blev optimeret. Alt blev bygget med patologer i mente for at forbedre diagnostisk præcision og effektivitet og dermed skabe en bedre arbejdsmiljø for disse læger med bedre resultater for deres patienter.

Hvordan integrerer Ibex’s løsninger med eksisterende digital patologi software-løsninger og laboratorieinformationssystemer?

Vi arbejder med flere leverandører i feltet, der sælger billedstyringsløsninger eller tilbyder laboratorieinformationssystemer. For hver partner er der forskellige typer af integrationsmuligheder. I nogle tilfælde indbygger vi vores AI i deres værktøjer, så patologen kan bruge deres platform med vores AI inde i den. I andre tilfælde integrerer vi med disse værktøjer på en måde, der tillader patologer at starte Ibex fra det andet system. Uanset integrationen vil vi altid sikre, at brugerne har den mest optimale måde at bruge AI på. Derudover har vi udviklet en åben applikationsprogrammeringsgrænseflade (API), der tillader tredjeparter, herunder andre virksomheder eller kundernes IT-afdelinger, at hente information fra vores AI og integrere den i deres miljø.

Hvad var nogle af de udfordringer, Ibex stod over for i at opnå bred anerkendelse af dens AI-drevne løsninger i patologi?

I retrospekt ville jeg sige, at den primære udfordring, Ibex stod over for, var omkring den rene kompleksitet og mængden af arbejde, indsats og tid, der kræves for at bringe diagnostiske produkter til markedet. Dette inkluderer multidisciplinære tilgange: indsamling af data, arbejde med patologer, træning af AI og testning af den rigorøst, gennemførelse af kliniske forsøg og, i visse geografier, opnåelse af regulatorisk godkendelse – og gøre alt dette under strenge kvalitets sikringsforanstaltninger. I det medicinske felt er det også ekstremt vigtigt at generere videnskabelig bevis og offentliggøre resultater med multiple laboratorier for at demonstrere ydelsen og fordelene ved AI-platformen.

En anden bemærkelsesværdig udfordring er integration. Vi må sikre, at patologer kan bruge AI på en måde, der er effektiv og naturlig. Der er multiple systemer i laboratoriet: digital patologi-scannere, laboratorieinformationssystem og arbejdsproces, samt rapporteringsværktøjer. Med andre ord sikrer vi, at alt kommer sammen på den mest effektive måde mulig, på trods af udfordringerne.

Kan du dele nogle succes-historier eller case-studier fra sundhedsorganisationer, der har implementeret Ibex’s løsninger?

Vi er meget stolte af vores partnerskaber og globale rækkevidde. For eksempel har vi den første landsdækkende implementering af AI i Wales – alle sundhedsbestyrelser i Wales bruger Ibex’s AI-løsning. Et andet eksempel er CorePlus Laboratories i Puerto Rico – de har brugt Ibex i flere år og offentliggjort en artikel, der viser den indvirkning, platformen har haft på deres kliniske praksis. For eksempel kunne patologerne ved hjælp af AI-algoritmen identificere 160 mænd, der ellers ville være blevet fejldiagnosticeret. Disse patienter fik den rette behandling takket være AI-støtten. Det er virkelig den indvirkning, vi er med til at skabe. Det er noget, vi ikke kan glemme – vi er her for at påvirke menneskers liv.

Hvad rol ser du AI spille i fremtiden for patologi og kræftdiagnostik over de næste ti år?

Gennem de næste ti år vil vi fortsætte med at se patologer bruge AI til at støtte dem i deres primære diagnostiske indsats. Jeg forestiller mig, at patologer vil bruge AI på det meste af deres arbejdsmængde for at sikre, at kvaliteten er høj, og alt er objektive, reproducerbare og rettidige. Derudover vil AI hjælpe læger med at gøre ting, de ikke gør i dag. Det kan hjælpe dem med at afgøre, hvilke yderligere tests der skal udføres på en bestemt sag, samt give en mere præcis prognose og strømline behandlingsvalg.

AI vil være integreret på tværs af hele patientrejseen, ikke kun den kræftdiagnostiske del i patologilaboratoriet, men også, for eksempel, onkologen, der beslutter om behandlingsforløbet. Jeg tror også, at AI vil hjælpe med at kombinere discipliner. Med tiden vil de forskellige modaliteter (patologi, radiologi, genetik, kliniske journaler) blive fødet til forskellige AI-moduler for at støtte ny og forbedret præcisionsmedicin. Fra et sundheds-mæssigt perspektiv vil patienter, der ikke har adgang til de bedste læger i verden, opleve et enormt spring i kvaliteten af deres diagnose og behandling. AI vil bringe alle op på niveau med næsten-ekspert. Alle fortjener adgang til kvalitetsbehandling, og AI vil hjælpe os med at komme i retning mod demokratiseret sundhedsadgang.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Ibex Medical Analytics.