Ophir Tanz, grundlægger og administrerende direktør for Pearl – Intervieuserie

Ophir Tanz er grundlægger og administrerende direktør for Pearl, et selskab der blev grundlagt på idéen om, at kunstig intelligens kan være tandlægens altid-til-rådighed-assistent og patientens mest troværdige ven. Selskabets grundlæggere har en unik personlig forbindelse til tandklinikindustriens kompleksiteter, samt viden og uddannelse til at realisere den fulde og praktiske potentiale, som kunstig intelligens har at tilbyde.

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

Jeg har været interesseret i kunstig intelligens, siden jeg var på college. Jeg så mange muligheder der, og det drev min ambition til at anvende det til at skabe nye muligheder og kommercielle anvendelser. Specielt var jeg interesseret i computer vision – feltet for kunstig intelligens, hvor vi lærer computere at se, bearbejde og forstå verden på samme måde, som det menneskelige hjerte gør – så efter min uddannelse lancerede jeg et selskab, GumGum, der fokuserede på at anvende visuel maskinintelligens til at skabe værdi i den digitale mediekategori. Selv om jeg forstod kraften af kunstig intelligens ret tidligt, blev jeg, da jeg voksede selskabet, ramt af, hvor avanceret og praktisk feltet var blevet – og blev mere og mere interesseret i bredere anvendelser af teknologien.

Dit første selskab, GumGum, der specialiserede sig i brug af kunstig intelligens i kontekstuel reklame, endte med at være meget succesfuldt. Hvad tilskriver du denne succes til?

Jeg tror, at det, der tillod GumGum at lykkes i den udstrækning, det har, var den vægt, vi lagde på kunstig intelligens-anvendelse og innovation. Det er primært et digitalt reklame-selskab, men selv om vi opererede inden for den bredere kategori for reklame, var det arbejde, vi gjorde med kunstig intelligens, ikke begrænset af kategorien. Det betød, at vi var et teknologiselskab lige så meget som et reklame-selskab, hvilket skabte betydelig differentiering. Vores kunstig intelligens-først-mindset ledte os til at innovere i områder uden for den naturlige begrænsning af digital reklame – i sponsorvurdering og, naturligvis, tandklinik. Fordi vi aldrig fokuserede på at være “kun et reklame-selskab” og vi var konstant på udkig efter måder at gøre det bedre på, kunne GumGum vokse med os, da vores vision udvidede sig, og den underliggende teknologi og kunstig intelligens-feltet udviklede sig.

Kan du dele historien bag din nye kunstig intelligens-startup, Pearl?

Efter at have startet GumGum og fokuseret på computer vision, vidste jeg, at der var mere, vi kunne gøre med teknologien, og jeg var altid på udkig efter nye anvendelser. Sundheds- og radiologiske områder var særligt interessante for mig og repræsenterede klare anvendelser af den type maskinlæring, som GumGum anvendte. Vi lancerede en tandklinik-afdeling kaldet GumGum Dental, som var begyndelsen på Pearl. Jeg besluttede at spinne tandklinik-afdelingen helt ud, fordi jeg troede, at muligheden var værd at have et selvstændigt selskab. Jeg kunne sige, at det var meningen, at det skulle være sådan – min far var tandlæge, og jeg voksede op med at hjælpe til i hans praksis, så overgangen til at fokusere på tandklinik-industrien var en lille smule af en hjemkomst for mig. Men det er ikke, som om min barndomsforbindelse til tandklinikken var den primære årsag til min ønske om at lede Pearl som et nyt foretagende. Jeg tror stærkt på, at computer vision og kunstig intelligens vil transformere tandklinikken og den globale sundhedssektor, og jeg ville gerne give opmærksomhed til projektet, som jeg føler, det fortjener.

Kan du diskutere de computer vision- og maskinlærings-systemer, der anvendes til at scanne radiografiske og 3D tandklinik-billeder?

Computer vision er en form for kunstig intelligens, der lærer computere at “se” på samme måde, som mennesker gør. Vi føder store mængder af ekspert-annoterede tandklinik-billeder ind i en række algoritmer, der er modelleret over de neurale netværk i det menneskelige hjerte. Ved at studere de annoterede billeder, lærer netværket, hvordan man genkender tandklinik-patologier af den type, der er markeret i de annoterede billeder. Dette kaldes “overvåget læring”. Ved at lære en computer på denne måde, kan den lære at genkende billeder på ikke-litterale måder. For eksempel kan den lære, hvordan man identificerer et delvist skjult objekt eller et, der kun kan ses fra visse vinkler, ved at absorbere tusinder af forskellige eksempler og bygge, hvad der i virkeligheden er en computers version af en mental billedrepræsentation af det objekt.

Vi lærte vores kunstig intelligens og maskinlærings-algoritmer ved at bygge en stor samling af radiografer og arbejdede med tandlæger og radiologer for at markere billederne, derefter anvendte vi disse markerede billeder til at lære systemet at fortolke nye billeder. Nu har vi en kunstig intelligens, der kan pege på potentielle problemer, der kan identificeres i radiografer, og hjælpe tandlæger med at læse patient-radiografer mere præcist og konsekvent.

For vores 3D-billed-systemer anvender vi en lignende tilgang, men med forskellige klasser af algoritmer. Med 3D kan træningen være mere kompleks, fordi 3D-billeder indeholder så meget mere data, hvilket nogle gange gør markering mere besværlig. Selvfølgelig, fordi der er så meget mere data, kan systemet, når det er blevet trænet til at fortolke et 3D-billede, være mere præcist i sine fund. Det er i virkeligheden det samme, som når et menneske ser på en keglestråle-billede versus en traditionel bitewing-radiografi: Vi kan se hver lille detalje i tænderne i en keglestråle-computer-tomografi (CBCT), men vi kan ofte kun lige se visse grundlæggende tandstrukturer i en bitewing. Kunstig intelligens står over for samme udfordring.

Hvilken type information eller diagnose kan denne system afsløre?

Vores radiologiske kunstig intelligens-system kan detektere en stor mængde af patologiske og ikke-patologiske tilstande, restaurative funktioner og naturlig anatomi. Karies, knogletab, periapikal radiolusens, calculus, crowding, calculus, impaktion, WPL, furcation, obturation, margin-discrpans – listen er for lang til at nævne alt, og den vokser stadig. Mange af disse funktioner er inkluderet i Second Opinion, vores realtids-patologi-detection-hjælp, der i øjeblikket er tilgængelig i Canada, Australien, Europa og flere andre territorier, og de fleste anvendes i Practice Intelligence, vores ikke-patient-orienterede kliniske intelligens-løsning, der er tilgængelig for praksisser i USA og globalt.

Hvilken type billed-data blev systemet trænet på?

Vores radiologiske patologi-detection-system blev trænet på bitewing, periapikal og pano-radiografer, som er de mest almindelige i tandklinik-diagnostik – de slags røntgenbilleder, du får hos tandlægen hver anden eller tredje år, og efter behov. Radiografiske billeder er relativt lette at få i tandklinikfeltet i forhold til andre former for medicin, og flere tandklinik-røntgenbilleder bliver taget årligt end nogen anden form for radiografi. Den dyre og tidskrævende del er at få eksperter til at gennemgå og annotere røntgenbillederne. Vi har samlet verdens største samling af markerede tandklinik-røntgenbilleder. Tilgængeligheden af radiografisk data er en del af, hvad der gør tandklinikfeltet så modtageligt for disruption af kunstig intelligens.

Hvilken type effektivitetsforbedringer og nøjagtighedsgrader er set fra Pearl-systemet i forhold til manuel menneskelig gennemgang af billeder?

Vi har gennemført flere store studier over tusinder af radiografer og hundredvis af tandlæger for at teste nøjagtigheden af vores system, både som et selvstændigt detection-system og når det anvendes til at hjælpe tandlæger. Vi har set på nøjagtighed for hver detection-type samt bredt over alle detections, der understøttes af systemet. Der er variation i nøjagtighed mellem individuelle detection-typer, med en nøjagtighed, der varierer fra omkring 84-96 procent. I det hele taget er systemet korrekt mere end 92 procent af tiden. Det er ret godt, og systemet bliver stadig bedre.

Selvfølgelig er disse absolutte nøjagtighedsgrader ikke så indikative, som er den relative nøjagtighed af systemet i forhold til menneskelige tandlæger. Hvis menneskelig nøjagtighed var 60 procent, ville et kunstig intelligens-system, der kun var nøjagtigt 70 procent af tiden, give en betydelig fordel til tandlæger, der anvender det. I de studier, vi har gennemført, der inkluderede en menneskelig selvstændig komponent, varierer tandlægerne fra 70-85 procent. Der er dog betydelig variation mellem individuelle tandlæger, så der er bestemt nogle tandlæger derude, der er lige så eller mere nøjagtige som vores system, og en god procentdel, der er langt mindre nøjagtige. For at evaluere fordelene af systemet ønsker vi at se en øgning i nøjagtighed for en tandlæge, når de anvender systemet i forhold til, når de ikke anvender det. Vores studier viser en klar fordel der.

Nu, hvor Second Opinion bliver anvendt i praksisser, har vi brug for at gennemføre mere forskning, der ser på den virkelige virkning. Vi er begyndt at gøre det med hjælp fra akademiske partnere i Tyskland. Øger det patientbesøgene? Faciliterer det bedre kommunikation mellem læge og patient? Forbedrer det patienttillid? Øger det cases-accept? Vi arbejder på at besvare disse spørgsmål. Til sidst vil vi gerne undersøge systemets virkning på patientens sundhedsresultater, men det er et længerevarende projekt.

Jeg skal bemærke, at, fordi Practice Intelligence delvist er et analytics-værktøj, der kan vurdere praksis-omfattende patient-sundheds-karakteristika og diagnostiske og behandlingsplanlægnings-præstationer af praktiserende læger, har vi faktisk en vis forstand på, hvordan kunstig intelligens kan påvirke patient-pleje. Det er ikke akademisk-stil forskning, men vi har nylig gennemført en studie, der ser på produktionsdata fra ti Practice Intelligence-aktiverede kontorer over en måned. Over denne måned fremhævede systemet i gennemsnit over 84.000 dollars per praksis i potentiel missed behandlings-mulighed i tidligere radiografer for patienter med planlagte aftaler i den periode. For denne 84.000 dollars i potentiel mulighed, der blev fremhævet, kunne praksisserne gennemføre i gennemsnit 12.500 dollars i restaurativ behandling og yderligere 23.800 dollars i specialbehandling. Denne boost kommer fra behandlingsmuligheder, der tidligere blev missede. Fordi det blev gennemført, kan vi antage, at disse behandlinger var nødvendige og burde have været givet efter patienternes tidligere besøg. Dette var en uformel case-studie, men det ser ud til at vise, at kunstig intelligens giver betydelige fordele, både til patienter og til praksisser, der anvender det.

Hvad i din mening er det, der holder tilbage den bredere anvendelse af kunstig intelligens i tandklinikker?

Reaktionen har været overvældende positiv fra tandlæger, der anvender Second Opinion i udlandet, og de over tusind kontorer, der har implementeret Practice Intelligence i USA, så der er et segment af industrien, der allerede har en ønske om bred kunstig intelligens-integration i tandklinikken. Men bredere anvendelse kræver bredere bevidsthed. Kunstig intelligens er ny i tandklinikfeltet. Da vi startede med at arbejde på tandklinik-radiologi som GumGum Dental, var vi, så vidt jeg ved, det eneste kommercielle foretagende, der var engageret i denne indsats. Det var for fem år siden. De første markedsførte løsninger dukkede op i slutningen af 2019, og de var forsikrings- og laboratorie-anvendelser, ikke kliniske anvendelser. Vi lancerede Practice Intelligence i 2020, og Second Opinion indgik på det globale marked i september 2021. Så langt som de fleste tandlæger er bekymrede, er kunstig intelligens en nytting. De har brug for at blive introduceret til det og lære, hvad det kan og ikke kan gøre. Der er nogle misforståelser om kunstig intelligens, der skal overvindes. Visse tandlæger kan have en tendens til at se kunstig intelligens som en trussel, for eksempel. Disse misforståelser vil blive løst, når tandlæger bliver bedre informerede om dets nytte. Fordelene ved kunstig intelligens er fundamentalt tiltrækkende – højere standard for patient-pleje, bedre mundsundhed, stærkere økonomiske resultater for praksisser – så jeg forventer, at anvendelsen vil accelerere hurtigt, når kunstig intelligens-litteratur i tandklinikken når et kritisk niveau.

Hvad er din vision for fremtidens tandklinik i 10 år?

Da tandklinik-industrien fortsætter med at omfavne digital transformation, ser jeg tandlæger, der inkorporerer kunstig intelligens i de fleste af de tidskrævende opgaver, de udfører dagligt – som charting, scheduling, operationer, lagerstyring – så de kan fokusere på patienter i stedet for på de rutine-opgaver, der tager dem væk fra det arbejde, deres færdigheder er unikt egnet til. Vi vil se en højere standard for patient-pleje over hele linjen, lavere omkostninger og, til sidst, en større industri, der bringer bedre mundsundhed til flere mennesker over hele verden.

Jeg vil også være overrasket, hvis kunstig intelligens ikke har begyndt at åbne en vej mod effektivt prædikativ diagnostik og personlig behandlingsplanlægning inden for 15 år. Er denne enkelt-patient i højere risiko for karies baseret på deres genetiske profil, livsstil, tidligere diagnoser? Kan vi anbefale en forebyggende tilgang, der vil reducere deres behov for en invasiv behandling i fremtiden? Hvis de har karies nu, kan vi så, baseret på hvad vi ved om deres individuelle karakteristika, fortsætte med en restaurativ behandling nu eller kan vi udsætte med forventningen om, at en specifik ændring i livsstil eller forbrug vil sandsynligvis mindske fremgangen af forfald? Med støtte fra kunstig intelligens burde vi være i stand til at besvare disse spørgsmål – og, samtidig, måske snævre den unaturlige kløft mellem mundsundhed og systemisk sundhed, der eksisterer i dag.

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

Eksperter har lovet, at kunstig intelligens vil give bedre kliniske resultater og omkostningsbesparelser i sundhedssektoren i over et årti. Mange af disse løfter er ikke blevet indfriet. Tandklinikken er faktisk lidt sent ude i kunstig intelligens-spillet, men kunstig intelligens udvikler sig meget hurtigere i tandklinikken end i andre sundheds-kategorier. Hvorfor?

Da man ser på medicin gennem en kommerciel linse, er tandklinikken meget mere iværksætterisk end andre former for medicin. Tandklinikken udføres i mange små, traditionelt private praksisser. De fleste andre former for medicin styres af hospitaler, der generelt er store bureaukratiske institutioner. Tandklinik-praksisser og hospitaler har begge samme ønske om at øge effektiviteten, forbedre patient-resultaterne osv., men strukturtændigt er hospitaler for langsomme og konservative til at integrere og kapitalisere på nye teknologier, der tilfredsstiller disse ønsker. Tandklinik-praksisser, på den anden side, er agile – og den iværksætter-karakter af tandlæger gør tandklinikken til et langt mere frugtbart grund for innovationer som kunstig intelligens. Hvis en tandlæge ser en potentiel fordel i noget, kan de implementere det med det samme. Et hospital vil ikke kunne handle med samme ensidige beslutsomhed. Der vil være følsomheds- og impact-studier, modstridende interesser og stakeholdere, budget-forhandlinger og en række andre hindringer, som en ny teknologi vil måtte springe over, før den kan implementeres.

Lige så vigtigt er det faktum, at tandlæger kan bidrage til indsatsen for at udvikle og forbedre teknologien, hvis de ønsker det. Pearl har kunnet konceptualisere, bygge og commercialisere denne teknologi så hurtigt, som vi har, både fordi tandlæger er aktive og beføjede forbrugere – vi udvikler produkter til en marked, der ikke er begrænset af den bureaukratiske friktion, som selskaber, der prøver at sælge til hospitaler, står over for – og fordi tandlæger er i stand til at give deres materiel og intellektuel støtte bag vores indsats. Til sidst er vores kunstig intelligens så intelligent, som den er, fordi den er blevet trænet og finjusteret af en hær af intelligente tandlæger, der tror på teknologien og var i stand til at bidrage til dets skabelse.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Pearl.