Chaim Linhart, PhD, medstifter og teknisk direktør for Ibex Medical Analytics – Intervju-serie

Chaim Linhart, PhD er teknisk direktør 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, tidlig og personlig kræftdiagnose. I dag er Ibex den mest udbredte kunstig intelligens-platform i patologi. Udviklet af patologer til patologer, deres løsninger betjener verdens førende læger, sundhedsorganisationer og diagnostiske leverandører. Hver dag har Ibex den ære at påvirke patienters liv verden over. Platformen øger lægernes tillid, strømliner diagnostiske arbejdsprocesser, hjælper klinikerne med at give mere personlige diagnoser og, vigtigst af alt, muliggør bedre kliniske resultater.

Kan du dele Ibex’s rejse og vision bag grundlæggelsen 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, som havde en fremtrædende indvirkning på, hvordan specialiteten blev praktiseret. Da patologi blev digitaliseret, 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 tidlig måde, hvilket fører til den bedst 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 muliggjort, at laboratorierne kan 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-drevet patient-stratificering, som muliggøres af en præcis diagnose og forskellige informatik-tilgange, der fører til optimal, personlig behandling. En stigning i præcisionsmedicin kommer med en forøget behov for mere komplekse diagnostik for at støtte de nye målrettede behandlinger.

Vi har også set en stigning i akademiske publikationer og industrikonferencer, 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 cellulært 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 over hele verden, der bruger vores værktøjer dagligt til kræftdiagnose. Vi samarbejder også med Pharma om at udvikle AI-drevne kliniske applikationer, der støtter patologer i at kvantificere biomarkører, der muliggør målrettede terapier.

Kan du forklare den kerne-teknologi bag Ibex’s løsninger og hvordan det hjælper patologer med kræftdiagnose og -gradering?

Vores tilgang er, at patologer essentielt træner maskinen. Vi har et stort hold af patologer over hele verden, 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’en er meget præcis, selv for sjældne og svære tilfælde, som er vitalt vigtigt. Vores AI er undervist af patologer og trænet til at identificere mange forskellige typer af strukturer og morfologier i vævet, som er meget hjælpsomt for patologer og uundgåeligt øger dens nøjagtighed. 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 grad af nøjagtighed på tværs af forskellige kræfttyper, såsom bryst-, prostata- og mavekræft?

Dette kræver meget hårdt arbejde. Vi indsamler data fra mange partnere over hele verden. 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’en er trænet med en bred vifte af funktioner. Under træningsprocessen måler vi, hvad AI’en gør godt, og vi bestemmer også, hvor forbedringer skal gøres. Teamet, med stor erfaring i maskinlæring, tester AI’en på tusinder af slides, som vi har indsamlet fra forskellige laboratorier. Vi gennemfører studier og kliniske forsøg og sammenligner to grundlæggende 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. På denne måde sikrer vi, at AI’en er nøjagtig, robust, upartisk og sikker. Vi måler dens indvirkning på patologerne, der bruger AI’en. På tværs af vores applikationer ser vi, at patologen, med AI’ens assistance, når bedre resultater (dvs. mere nøjagtigt, højere enighed med sandheden) end i standardbehandling (dvs. når de ikke støttes af AI’en). Vi måler også effektiviteten af deres arbejde og andre vigtige fordele ved AI-platformen, såsom optimering af arbejdsprocessen i laboratoriet og reducering af omgangstiden (hvor hurtigt patienten modtager resultaterne).

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

Vores integrerede system inkluderer en slide-viser, AI-resultater og indbyggede rapportværktøjer. Dette holistiske system er designet til at forbedre nøjagtighed og produktivitet. Det følger patologerne gennem diagnostiske processen, 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’en alt meget klart. Herfra kan patologen bekræfte eller ændre. AI’en viser målinger og kvantificeringer; den scorer også alt. Med indbyggede rapporter behøver patologen ikke at se på sliden, lave diagnosen i deres sind og derefter gå til et andet system og rapportere alt; i stedet udføres rapporteringen, mens AI’en driver den integrerede arbejdsproces. Selv antallet af musklik blev optimeret. Alt blev bygget med patologer i mente for at forbedre diagnostisk nøjagtighed og effektivitet og dermed skabe en bedre arbejdsmiljø for disse læger med bedre resultater for patienterne.

Hvordan integrerer Ibex’s løsninger med eksisterende digitale patologiløsninger og laboratorieinformationssystemer?

Vi samarbejder 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 patologerne at starte Ibex fra det andet system. Uanset integrationen vil vi altid sikre, at brugerne har den mest optimale måde at bruge AI’en på. Desuden har vi udviklet en åben applikationsprogrammeringsgrænseflade (API), der tillader tredjeparter, herunder andre virksomheder eller kunders IT-afdelinger, at hente information fra vores AI og integrere det i deres miljø.

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

Set i retrospekt, ville jeg sige, at den primære udfordring, Ibex stod over for, var den rene kompleksitet og mængden af arbejde, indsats og tid, der kræves for at bringe diagnostiske produkter til markedet. Dette inkluderer tværfaglige tilgange: indsamling af data, arbejde med patologer, træning af AI’en og testning af den rigorøst, gennemførelse af kliniske forsøg og, i visse geografiske områder, opnåelse af regulativ godkendelse – og gørelse af alt dette under strenge kvalitetsstandarder. I det medicinske felt er det også ekstremt vigtigt at generere videnskabelig evidens og offentliggøre resultater med multiple laboratorier for at demonstrere AI-platformens præstation og fordele.

Kan du dele nogle succes-historier eller cases 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 har offentliggjort en artikel, der viser, hvilken indvirkning platformen har haft på deres kliniske praksis. For eksempel kunne patologerne, med AI-algoritmens hjælp, identificere 160 mænd, der ellers ville være blevet fejldiagnosticeret. Disse patienter fik den rette behandling takket være AI’ens støtte. Det er virkelig den indvirkning, vi har – vi er her for at påvirke menneskers liv.

Hvad rolle ser du AI spille i fremtidens patologi og kræftdiagnostik i de næste 10 år?

IGennem de næste 10 år vil vi fortsætte med at se patologer bruge AI til at støtte dem i deres primære diagnostiske bestræbelser. 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 tidlige. AI’en vil også hjælpe lægerne med at gøre ting, de ikke gør i dag. Den kan hjælpe dem med at afgøre, hvilke yderligere tests, der skal udføres på et bestemt tilfælde, samt give en mere præcis prognose og strømline behandlingsvalget.

AI’en vil være integreret i hele patientrejseen, ikke kun i kræftdiagnose-delen i patologilaboratoriet, men også, for eksempel, for onkologen, der beslutter behandlingsforløbet. Jeg tror også, at AI’en 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 nye og forbedrede præcisionsmedicinske tilgange. Set i et sundhedsretfærdighedsperspektiv vil patienter, der ikke har adgang til de bedste læger i verden, opleve et enormt spring i kvaliteten af deres diagnose og behandling. AI’en vil bringe alle op på niveau med næsten-ekspertniveau. Alle fortjener adgang til kvalitetsbehandling, og AI’en vil hjælpe os med at komme i den rette retning mod demokratiseret sundhedsadgang.

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