Ophir Tanz, grundlægger og administrerende direktør for Pearl – Interview Series

Ophir Tanz, er grundlægger og administrerende direktør for Pearl, en virksomhed, der blev grundlagt ud fra en forestilling om, at kunstig intelligens kan være tandlægens altid tilstedeværende assistent og patientens mest troværdige ven. Dets grundlæggere har en unik personlig forbindelse til dentalindustriens forviklinger, såvel som viden og uddannelse til at aktualisere det fulde og praktiske potentiale, som AI har at tilbyde.

Hvad tiltrak dig oprindeligt til kunstig intelligens?

Jeg har været interesseret i kunstig intelligens, siden jeg gik på college. Jeg så mange muligheder der, og det drev min ambition om at anvende det til at skabe nye muligheder og kommercielle applikationer. Især var jeg interesseret i computersyn –– området for kunstig intelligens, hvor vi lærer computere at se, behandle og forstå verden på samme måde som den menneskelige hjerne gør –– så efter endt uddannelse lancerede jeg en virksomhed, GumGum, der fokuserede om at anvende visuel maskinintelligens til at skabe værdi i kategorien digitale medier. Selvom jeg forstod kraften i kunstig intelligens ret tidligt, efterhånden som jeg voksede den virksomhed, blev jeg slået af, hvor avanceret og praktisk feltet var ved at blive – og blev i stigende grad interesseret i bredere anvendelser af teknologien.

Dit første firma GumGum, der specialiserede sig i at bruge kunstig intelligens i kontekstuel annoncering, endte med at blive enormt succesfuld, hvad tilskriver du denne succes?

Jeg tror, ​​at det, der tillod GumGum at få succes i den grad, det har, var den vægt, vi lagde på AI-applikation og innovation. Det er primært et digitalt reklamefirma, men selvom vi opererede inden for de bredere rammer af den kategori, var det arbejde, vi udførte med AI, faktisk ikke begrænset af kategorien. Det betød, at vi var en teknologivirksomhed lige så meget som en adtech-virksomhed, der skabte en betydelig differentiering. Vores AI-first-tankegang fik os til at innovere på områder uden for de naturlige grænser for digital annoncering – i sponsoratvurdering og selvfølgelig dental. Fordi vi aldrig var fokuseret på at være "bare et reklamefirma", og vi konstant leder efter måder at gøre det bedre på, var GumGum i stand til at vokse med os, efterhånden som vores vision udvidedes, og det underliggende teknologi- og AI-felt udviklede sig.

Kunne du dele tilblivelseshistorien bag din nye AI-startup Pearl?

Efter at have startet GumGum og fokuseret på computervision, vidste jeg, at der var mere, vi kunne gøre med teknologien, og jeg var altid på udkig efter nye applikationer. Sundhedspleje og radiologi var af særlig interesse for mig, og repræsenterede også klare anvendelser af den type maskinlæring, GumGum anvendte. Vi lancerede en tandafdeling kaldet GumGum Dental, som var tilblivelsen af ​​Pearl. Jeg besluttede at dreje tandlægeafdelingen helt ud, fordi jeg mente, at muligheden berettigede et selvstændigt firma. Man kan vel sige, at det var meningen på nogle måder – min far var tandlæge, og jeg voksede op med at hjælpe til i hans praksis, så overgangen til at fokusere på dentalindustrien var lidt af en hjemkomst for mig. Men det er ikke som om, at min barndoms forbindelse til tandpleje var den vigtigste drivkraft for mit ønske om at lede Pearl som et nyt foretagende. Jeg er overbevist om, at computersyn og kunstig intelligens vil transformere tandpleje og global sundhedspleje, og jeg ønskede at være i stand til at give projektet den opmærksomhed, som jeg føler, det fortjener.

Kan du diskutere computersyn og maskinlæringssystemer, der bruges til at scanne radiografiske og 3D-tandbilleder?

Computersyn er en form for kunstig intelligens, der lærer computere at "se" på nogenlunde samme måde, som mennesker gør. Vi føder store mængder ekspertkommenterede tandbillededata ind i en række algoritmer, der er modelleret på de neurale netværk i den menneskelige hjerne. Ved at studere de kommenterede billeder lærer netværket, hvordan man genkender tandpatologier af den slags, der er markeret i de kommenterede billeder. Denne proces kaldes 'overvåget læring'. Ved at lære en computer på denne måde, kan den lære at genkende billeder på ikke-bogstavelige måder. For eksempel lærer den, hvordan man identificerer et delvist tilsløret objekt, eller et objekt, der kun kan ses fra bestemte vinkler, ved at absorbere tusindvis af forskellige eksempler og bygge, hvad der i bund og grund er en computers version af et mentalt billede af det objekt.

Vi lærte vores AI- og maskinlæringsalgoritmer ved at opbygge en stor samling af røntgenbilleder og arbejdede med tandlæger og radiologer for at mærke billederne og brugte derefter de mærkede 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 røntgenbilleder og hjælpe tandlæger med at læse patienters røntgenbilleder mere præcist og konsekvent.

Til vores 3D-billedsystemer bruger 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 annotering mere besværlig. Selvfølgelig, fordi der er så meget mere data, når først systemet er blevet trænet til at fortolke et 3D-billede, er det faktisk i stand til at være mere præcist i sine resultater. Det er i bund og grund det samme, som når et menneske ser på en keglestråle versus et traditionelt røntgenbillede: Vi kan se hver eneste lille facet af tanden i en keglestrålecomputertomografi (CBCT), men vi kan ofte kun lige se en bestemt grundlæggende tand strukturer i en bidewing. AI står over for samme udfordring.

Hvilken type information eller diagnose afsløres af dette system?

Vores radiologiske AI-system kan detektere en lang række patologiske og ikke-patologiske tilstande, genoprettende egenskaber og naturlig anatomi. Caries, knogletabsmåling, periapikal radiolucens, calculus, crowding, calculus, impaction, WPL, furcation, obturation, margin-forskel – listen er for lang til at opregne alt, og den bliver ved med at vokse. Mange af disse funktioner er inkluderet i Second Opinion, vores realtids-patologidetektionshjælpemiddel, der i øjeblikket er tilgængeligt i Canada, Australien, Europa og flere andre territorier, og de fleste anvendes i Practice Intelligence, vores ikke-patientorienterede kliniske intelligensløsning, som er tilgængelig. til praksis i USA og globalt

Hvilken type billeddata blev systemet trænet i?

Vores system til detektion af røntgenpatologi blev trænet i bide-, periapikale- og panorentgenbilleder, som er mest almindelige i tanddiagnostik – den slags røntgenbilleder, som du får hos tandlægen hvert andet år eller deromkring, og efterhånden som behovet opstår. Røntgenbilleder er relativt nemme at få inden for dentalområdet sammenlignet med andre former for medicin, og der tages flere tandrøntgenbilleder årligt end nogen anden form for røntgen. Den dyre og tidskrævende del er at få eksperter til at gennemgå og kommentere røntgenbillederne. Vi har samlet verdens største samling af mærkede tandrøntgenbilleder. Denne tilgængelighed af radiografiske data er en del af det, der gør tandområdet så modent til forstyrrelse af AI.

Hvilken type effektivitetsforbedringer og nøjagtighedsgrader er blevet set fra Pearl-systemet sammenlignet med manuel menneskelig gennemgang af billeder?

Vi har udført adskillige store undersøgelser på tværs af tusindvis af røntgenbilleder og hundredvis af tandlæger for at teste nøjagtigheden af ​​vores system, både som et selvstændigt detektionssystem og når det bruges til at hjælpe tandlæger. Vi har set på nøjagtigheden for hver detektionstype såvel som bredt på tværs af alle detekteringer, der understøttes af systemet. Der er variation i nøjagtighed mellem individuelle detektionsklasser med nøjagtighed fra omkring 84-96 procent. I det hele taget er systemet korrekt godt 92 procent af tiden. Det er ganske godt, og systemet fortsætter med at forbedre sig.

Selvfølgelig er disse absolutte nøjagtighedstal faktisk ikke så vejledende, som systemets relative nøjagtighed sammenlignet med menneskelige tandlæger. Hvis den menneskelige nøjagtighed var 60 %, ville et kunstig intelligens-system, der kun var nøjagtigt 70 % af tiden, give en betydelig fordel for tandlæger, der bruger det. I de undersøgelser, vi har udført, som inkluderede en menneskelig selvstændig komponent, spænder tandlæger fra 70-85 %. Der er dog betydelig forskel mellem individuelle tandlæger, så der er helt sikkert nogle tandlæger derude, som er lige så eller mere præcise end vores system og en god procentdel, der er langt mindre præcise. For at vurdere fordelene ved systemet er det, vi ønsker at se, en stigning i nøjagtigheden for en tandlæge, når den bruger systemet sammenlignet med den samme tandlæge, når den ikke bruger det. Vores undersøgelser viser en klar fordel der.

Nu hvor Second Opinion bliver brugt i praksis, er vi nødt til at forske mere i den virkelige verden. Vi begynder at gøre det med hjælp fra akademiske partnere i Tyskland. Fremskynder det patientbesøg? Giver det en bedre læge-patient-kommunikation? Forbedrer det patienternes tillid? Hæver det sagsaccept? Vi arbejder i øjeblikket på at besvare disse spørgsmål. Til sidst vil vi gerne undersøge systemets indvirkning på patienters helbredsudfald, men det er et længerevarende projekt.

Jeg skal bemærke, at fordi Practice Intelligence til dels er et analyseværktøj, der kan vurdere patientsundhedskarakteristika for hele praksis og praktiserende lægers diagnostiske og behandlingsplanlægningspræstation, har vi faktisk en vis fornemmelse af, hvordan AI kan påvirke patientbehandlingen. Det er ikke forskning i akademisk stil, men vi udførte for nylig en undersøgelse, der kiggede på produktionsdata fra ti Practice Intelligence-aktiverede kontorer over en periode på en måned. I løbet af den måned viste systemet et gennemsnit på over $84,000 pr. praksis i potentiel mistet behandlingsmulighed i tidligere røntgenbilleder for patienter med planlagte aftaler i den periode. For at $84,000 i potentielle muligheder dukkede op, var praksis i stand til at fuldføre et gennemsnit på $12,500 i genoprettende behandling og yderligere $23,800 i specialbehandling. Det løft kommer fra behandlingsmuligheder, der tidligere blev savnet. Fordi det blev afsluttet, kan vi antage, at disse behandlinger var nødvendige og burde have været givet efter patienternes tidligere besøg. Dette var et uformelt case-studie, men det ser ud til klart at vise, at AI bringer betydelige fordele, både for patienter og de praksisser, der bruger det.

Hvad efter din mening holder den bredere anvendelse af kunstig intelligens tilbage i tandklinikker?

Modtagelsen har været overvældende positiv fra tandlæger, der bruger Second Opinion i udlandet, og de tusindvis af kontorer, der har implementeret Practice Intelligence i USA, så der er et segment af branchen, der allerede har et ønske om bred AI-integration i tandplejen. Men bredere adoption kræver bredere bevidsthed. AI er nyt inden for dentalområdet. Da vi begyndte at arbejde med tandradiologi som GumGum Dental, var vi mig bekendt den eneste kommercielle virksomhed, der var involveret i indsatsen. Det var fem år siden. De første salgbare løsninger dukkede op i slutningen af ​​2019, og de var forsikrings- og laboratorieapplikationer, ikke kliniske applikationer. Vi lancerede Practice Intelligence i 2020, og Second Opinion kom ind på det globale marked i september 2021. Så for de fleste tandlæger er kunstig intelligens en nyhed. De skal introduceres til det og lære, hvad det kan og ikke kan. Der er nogle misforståelser om AI, der skal overvindes. Visse tandlæger kan f.eks. være tilbøjelige til at se AI som en trussel. Disse misforståelser vil blive løst, efterhånden som tandlæger bliver bedre informeret om dets nytte. Fordelene ved kunstig intelligens er grundlæggende attraktive – højere standard for pleje, bedre mundhygiejne, stærkere økonomiske resultater for praksis – så jeg forventer, at adoptionen vil accelerere hurtigt, når kunstig intelligens i tandpleje når en kritisk masse.

Hvad er din vision for fremtidens tandpleje om 10 år?

Efterhånden som dentalindustrien fortsætter med at omfavne digital transformation, ser jeg, at tandlæger inkorporerer AI i de fleste af de tidskrævende opgaver, de udfører dagligt – som kortlægning, planlægning, drift, lagerstyring – så de fokuserer på patienter i stedet for på de rutinemæssige opgaver, som tage dem væk fra det arbejde, som deres kompetencer er unikke egnede til. Vi vil se en højere standard for patientbehandling over hele linjen, lavere omkostninger og i sidste ende en større industri, der bringer bedre oral sundhed til flere mennesker rundt om i verden.

Jeg vil også blive overrasket, hvis AI inden for 15 år ikke er begyndt at bane vej mod effektiv prædiktiv diagnostik og personlig behandlingsplanlægning. Har denne individuelle patient højere risiko for hulrum 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 caries nu, baseret på hvad vi ved om deres individuelle karakteristika, er vi så nødt til at fortsætte med genoprettende behandling nu, eller kan vi forsinke med forventningen om, at en specifik ændring i livsstil eller forbrug sandsynligvis vil aftage udviklingen af ​​forfald? Med støtte fra AI burde vi være i stand til at besvare disse spørgsmål – og, mens vi er i gang, måske indsnævre den unaturlige kløft mellem oral og systemisk sundhed, der eksisterer i dag.

Er der 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. Tandplejen er faktisk lidt forsinket til AI-spillet, men AI er på vej frem i tandplejen meget hurtigere end i andre sundhedskategorier. Hvorfor?

Når man betragter medicin gennem en kommerciel linse, er tandpleje meget mere iværksætterorienteret end andre former for medicin. Tandplejen udføres i mange små, traditionelt privatejede praksisser. De fleste andre former for medicin administreres af hospitaler, som generelt er store bureaukratiske virksomhedsinstitutioner. Tandlægepraksis og hospitaler har begge det samme ønske om at øge effektiviteten, forbedre patientresultaterne osv., men strukturelt er hospitaler for langsomtgående og konservative til effektivt at integrere og udnytte nye teknologier, der opfylder disse ønsker. Tandlægepraksis er på den anden side agile – og tandlægernes iværksætterkarakter gør tandplejen til en langt mere grobund for innovationer som AI. Hvis en tandlæge ser en potentiel fordel i noget, kan de straks implementere det. Et hospital vil ikke kunne agere med den form for ensidig beslutsomhed. Der vil være gennemførligheds- og virkningsundersøgelser, tilbageslag fra modstridende interesser og interessenter, budgetforhandlinger og en række andre bøjler, som en ny teknologi skal springe igennem før implementering.

Lige så vigtigt er det dog, at tandlæger kan bidrage til indsatsen for at udvikle og forbedre det, hvis de ønsker det. Pearl har været i stand til at udtænke, bygge og kommercialisere denne teknologi lige så hurtigt, som vi har gjort, både fordi tandlæger er aktive og bemyndigede forbrugere – vi udvikler produkter til et marked, der ikke er behæftet med den bureaukratiske gnidning, som virksomheder står over for, der forsøger at sælge til hospitaler – og fordi tandlæger frit kan lægge deres materielle og intellektuelle støtte bag vores indsats. I sidste ende er vores AI lige så smart, som den er, fordi den er blevet trænet og finpudset af en hær af smarte tandlæger, der tror på teknologien og frit kunne bidrage til dens skabelse.

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