Jonas Muff, grundlægger og administrerende direktør for Vara – Intervieuserie

Jonas Muff er grundlægger og administrerende direktør for Vara, en platform for brystkræftscreening. Grundlagt i Tyskland, opererer Vara i flere lande i Europa. De annoncerede for nylig to store partnerskaber i år i Grækenland og Mexico, som vil gøre deres teknologi tilgængelig for over 30 millioner kvinder.

Hvad var det, der oprindeligt tiltrak dig til feltet for kunstig intelligens?

Som søn af en læge har jeg altid troet, at sundhedsplejens kraft og potentiale ligger i forebyggelse snarere end kun kurering; at holde sunde mennesker sunde, snarere end kun at behandle de syge. Kunstig intelligens holder nøglen til ikke kun at låse op for denne paradigmeskift, men også til at hjælpe moderne sundhedsplejesystemer med at tage kvantspring i både diagnostik og behandling af sygdomme. AI-drevet diagnostik har potentialet til at være billigere og mindre afhængig af ressourcer og ekspertviden, som der er en global mangel på. På denne måde kan AI muligvis bruges til at tilbyde højkvalitetsmedicin i mindre udviklede lande og gøre adgangen til god sundhedspleje mere retfærdig og global.

Kan du diskutere oprindelseshistorien bag Vara?

Vara blev født ud af Merantix, et venture-studio i Berlin, der har til formål at låse op for AI’s potentiale gennem en samarbejdende tilgang. Merantix samler mennesker fra forskellige baggrunde, alle med iværksættermentaler, for at tackle virkelige problemer på innovative måder. Vi samlede et hold af maskinlærings-eksperter, software-udviklere, produkt-designere og radiologer og satte os for at genopfinde brystkræftscreenings-arbejdsgangen fra bunden.

Når man læser mammografier, søger en screenings-radiolog effektivt efter en nål i en høstak. Mens det overvældende flertal af mammografier vil blive betragtet som ‘normale’ – dvs. de vil ikke indeholde nogen tegn på brystkræft – vil en lille, men helt betydelig minoritet være mistænkelige og kræve yderligere analyse.

Dette lægger enormt pres på radiologen for at sikre, at ingen nåle bliver missede, men de er også påkrævet at bruge 98% (eller mere) af deres daglige arbejdsliv på at rapportere normale mammografier. Det er en kombination, der kan føre til fejl og noget, som vi har troet på fra dag én, at AI kan hjælpe med at løse både ved at kompensere for menneskelige fejl og fjerne den administrative byrde. På denne måde kan radiologer dedikere endnu mere opmærksomhed til at finde anomalierne.

Med dette i mente, samarbejdede vi med nogle af Tysklands førende screenings-radiologer for at bygge en platform, der standardiserer den hele kliniske arbejdsgang og forbedrer den gennem brugen af avanceret AI, automatisering og datastyringsværktøjer. I stedet for at forsøge at erstatte radiologer, sigter Vara-platformen til at give radiologer en ekstra boost for at gøre processerne mere effektive, mere gennemsigtige og mere effektive.

Gennem vores arbejde har vi også indset, at selvom brystkræftscreening er en given i de fleste europæiske lande, herunder vores hjemland Tyskland – som har en stolt tradition for at starte et befolkningsbaseret screeningsprogram tilbage i 2002 – så tilbyder de fleste lande i verden ikke kvinder screening. Vi mener, at hver kvinde har ret til screening, og derfor er vores platform blevet designet til at fungere overalt i verden. Vores mission er at gøre data-dreven brystkræftscreening mere tilgængelig for alle.

Hvor mange trænings-sæt er blevet brugt til at træne data, og omfatter disse sæt en bred vifte af hudtyper?

Vore modeller er blevet udviklet på basis af over 7 millioner mammografier ved hjælp af data fra Europa, primært Tyskland.

Mammografier er meget lig hinanden mellem forskellige befolkningsgrupper og etniske grupper. Det, der varierer over globale befolkningsgrupper, er brystdensiteten (mængden af fedt i brystet), patologiske kræft-undergrupper, såvel som læsionstyper og læsionsstørrelser.

Når vi vurderer Vara, har vi ikke kun betragtet den gennemsnitlige præstation, men også set på præstationen i hver undergruppe, dvs. fedt vs. tæt bryst, eller små vs. store læsioner. Vore resultater viser, at vi kan forbedre radiologernes mål over alle relevante undergrupper.

Dette betyder, at selv hvis kvinder fra andre befolkningsgrupper har en tendens til at have mere tætte bryster, vil Vara stadig forbedre deres standard for pleje. Vi har gennemført en lokal vurdering for at forstå AI’s præstation i Mexico for at sikre, at vi faktisk forbedrer standarden for pleje. Og vi vil fortsætte med at overvåge den prospektive præstation af Vara i realtid og forblive i en konstant dialog med vores screenings-partnere. Vores mål er at forbedre standarden for pleje i Mexico ved at tilbyde en standardiseret screenings-arbejdsgang drevet af AI.

Vara-systemet bruger 3 typer klassificeringer for hver mammografi, kan du diskutere, hvad disse er, og hvordan de hjælper med at forebygge falske positiver?

Beslutnings-referrals-processen er en screenings-proces udviklet af Vara, hvor algoritmen kun udtaler sig for tilfælde, hvor den er sikker på at gøre præcise forudsigelser – mens den overlader andre tilfælde til menneskelig ekspertise.

Målet med beslutnings-referrals-processen er at støtte radiologen med AI for at forbedre både sensitiviteten og specificiteten, dvs. at reducere falske negativer og falske positiver. Samtidig er AI ikke perfekt og kan ikke gøre 100% korrekte forudsigelser for alle tilfælde. Derfor er målet med beslutnings-referrals at kombinere den menneskelige ekspertise hos radiologer med de tekniske evner hos AI i dag for at forbedre begge.

De tre typer klassificeringer er herefter:

1. Normal triage: Algoritmen vælger en undergruppe af tilfælde, som den betragter som normale med høj sikkerhed, og markerer automatisk disse tilfælde for radiologen. Målet med normal triage er at markere så mange normale tilfælde som muligt som negative, med minimal mis-klassificering.
2. Sikkerheds-net: For tilfælde, hvor AI er meget sikker på, at billederne er mistænkelige, tilbyder den en sikkerheds-net: Hvis radiologen klassificerer et af disse tilfælde som negativt, udløser sikkerheds-nettet og peger radiologen til en bestemt region i billedet, som er mistænkelig for AI. Radiologen kan derefter omvurdere beslutningen og potentielt fange en kræft, som ellers ville være blevet missede.
3. Ikke-klassificerede tilfælde: Vigtigt er, at AI ikke udtaler sig for alle tilfælde. Der er tilfælde, som hverken er klassificerede som normale (de mindst mistænkelige tilfælde) eller har sikkerheds-nettet aktiveret (de mest mistænkelige tilfælde). For disse tilfælde er AI ikke sikker nok, og beslutnings-ekspertisen skal komme fra radiologen.

En intrinsisk egenskab ved beslutnings-referrals er dens konfigurerbarhed. Vi kan konfigurere AI, så den laveste 50% af tilfælde er markeret som normale, eller vi kan konfigurere den til at markere den laveste 70% som normale. Ligesom sikkerheds-nettet kan aktiveres for 1% af de mest mistænkelige tilfælde eller alternativt for 2% af de mest mistænkelige tilfælde.

Mennesker, herunder radiologer, oplever ofte kognitive fordomme, hvordan hjælper AI-anvendelsen med at løse dette problem?

Vores AI har lært fra data fra et af verdens bedste screenings-systemer i Tyskland. Under træningen har AI adgang til data, som radiologer ikke har i klinisk praksis, nemlig biopsi-resultaterne eller to-års-opfølgningen af hvert tilfælde. Ved at bruge bred og repræsentativ data forhindrer vi fordomme i trænings-data.

Vi udviklede derefter sikkerheds-nettet for at reducere eventuel fordom i interaktionen mellem mennesker og AI. Sikkerheds-nettet viser ikke mistænkelige områder for radiologen fra starten. I stedet rapporterer radiologen deres fund med Vara-vieweren, og hvis AI er uenig med radiologens vurdering, viser Vara den lokale forudsigelse. Dette giver radiologen mulighed for at gennemgå deres oprindelige rapport og tilpasse den. På denne måde hjælper sikkerheds-nettet med at reducere missede kræfttilfælde.

Ulig mennesker bliver modellen ikke træt, og leverer kontinuerligt forbedret præstation, uafhængigt af tidspunktet på dagen. AI kan derfor objektivere radiologernes resultater.

Kan du diskutere udfordringerne ved at opdage brystkræft, når det kommer til mulige edge-cases, såsom implantater?

Vore modeller er blevet trænet på en real-verden, divers dataset af alle kvinder, der deltager i screening, herunder kvinder med implantater. Vi har ikke fundet disse tilfælde at være en særlig udfordring for Vara. Derudover gør vores model ikke udtalelser om alle tilfælde. Hvis den er usikker på et bestemt tilfælde, overlader den beslutningen til radiologen, en tilgang vi kalder beslutnings-referrals (se ovenfor).

Vara gennemfører også efter-screening af mammografier, hvad søger man specifikt i denne del af processen?

Vara viser forudsigelser efter, at radiologen har dannet en mening (se “Sikkerheds-net” ovenfor for mere information). Radiologer får kritisk indsigt ved at sammenligne udviklingen af væv og læsioner over tid. Ligesom vil udnyttelse af temporal information yderligere forbedre diagnostisk nøjagtighed af AI-modeller. Ikke kun kører vores AI på den aktuelle eksamen, men tjekker også tidligere eksamener for tegn på kræft – med løftet om yderligere at forbedre screenings-præstation.

Er der noget andet, du gerne vil dele om Vara?

Vara AI-platformens beslutnings-referrals-tilgang er nu i brug i 30% af alle screenings-enheder i Tyskland. Som en del af vores globale mission lancerede vi nylig screenings-enheder i Mexico og Grækenland, i partnerskab med sundhedsudbydere på stedet i disse regioner. Med disse partnere viser vi, hvordan vi kan udnytte eksisterende sundheds-infrastruktur til at enable dem til at springe over deres nuværende opsætning til en state-of-the-art, standardiseret screenings-tjeneste.

Vores team er fordoblet til 30, og vi har udpeget globale eksperter i radiologi, såsom Professor Katja Pinker-Domenig, som blev vores lead-medical-rådgiver, samt Stephan Dreier som Chief Revenue Officer. Vi har også samarbejder med anerkendte akademiske institutioner i USA og Europa, såsom Memorial Sloan Kettering Cancer Center, University of Cambridge, Karolinska Institutet og Cancer Registry of Norway.

Vara’s AI-præstation viser enorme løfter i terms of reproducerbarhed og generalisering. En stor retrospektiv studie er i øjeblikket under pres i det verdenskendte Lancet Digital Health, samt en anden vigtig peer-review-publication om interval-kræft-forhindring på European Journal of Radiology.

Vi har lige startet Tysklands første prospektive studie for at vise Vara’s impact i den kliniske rutine. Alle disse præstationer hjælper os med at opnå vores hoved-mission om at gøre data-dreven brystkræftscreening tilgængelig for alle.

Tak for det gode interview, læsere, som ønsker at lære mere, skal besøge Vara.