Tobias Rijken, Co-Founder & CTO at Kheiron Medical Technologies – Interview Series

Tobias Rijken er Co-Founder & CTO at Kheiron Medical Technologies, et medicinsk billedanalysefirma, der bruger avancerede maskinlærings-teknologier til at udvikle og levere intelligente værktøjer til radiologer, radiologiske afdelinger, billedcenter og hospitaler for at forbedre effektiviteten, konsistensen og nøjagtigheden af radiologiske rapporter.

Kheiron Medical Technologies blev grundlagt med det enlige formål at hjælpe radiologer med at opdage brystkræft tidligere med maskinlæringssoftware.

Hvad var det, der oprindeligt tiltrak dig til maskinlærings-teknologier?

Min uformelle introduktion til maskinlærings-teknologier var, da jeg først startede med at lære programmering, da jeg var en ung teenager. Der var et spilmotor, hvor man kunne programmere sine egne spil. Jeg ville spille dette spil, men mod hvem? Det kunne være en anden spiller, eller det kunne også være et program. Hvordan bygger man et program, der kan lære at spille et spil? Det var ikke en moderne AI, det var regelbaseret AI. Jeg besejrede det hver gang, så det var ikke et godt AI.

Da jeg studerede til min mastergrad på University College London, indtrådte vi en ny æra af moderne AI. DeepMind var lige blevet opkøbt, og jeg studerede maskinlærings-teknologier på det sted, hvor DeepMind faktisk blev grundlagt. David Silver, en af de ledende forskere på DeepMind, underviste i en kursus om forstærkninglæring. Som en del af kurset byggede jeg en agent, der kunne lære at spille et spil – en forenklet form for blackjack. Da jeg havde færdiggjort AI’en og spillede mod min egen skabelse, kunne jeg ikke besejre den længere. Og det var en rigtig åbenbaring.

Min formelle introduktion til maskinlærings-teknologier kom i mit første år på universitetet. Jeg studerede matematik og datalogi på Amsterdam University College. Samtidig blev massive nye åbne online-kurser etableret, og jeg kunne deltage i AI-kurser med førende figurer inden for feltet. Kurset, der havde den største indvirkning, var med Peter Norvig og Sebastian Thrun fra Stanford, og jeg kunne studere AI med 100.000 mennesker på samme tid.

Nu med Kheiron, hvad jeg godt kan lide ved maskinlærings-teknologier, er den anvendelse, det har på den virkelige verden. Muligheden det har for at løse virkelige verdensproblemer. Det er det, der virkelig begejstrer mig.

Kan du diskutere oprindelseshistorien bag Kheiron Medical?

Peter og jeg mødtes i 2016 på det britiske acceleratorprogram Entrepreneur First. Vi forbandt os straks – sandsynligvis på grund af vores lignende baggrund. Vi kommer begge fra medicinske familier – Peters mor er radiolog, jeg voksede op i en medicinsk familie, omgivet af læger, og vi valgte begge at gå den videnskabelige vej.

Vores baggrund gav os en klar forståelse af de udfordringer og problemer, som sundhedsarbejdere står over for, og en forståelse af, hvordan AI kan forbedre deres liv samt patienternes liv. Vi deler en overbevisning om, at AI sammen med kliniske læger vil ændre sundhedssektoren til det bedre.

Der er et stort problem, der skal løses her. Der er en global mangel på radiologer. Mange mennesker dør af kræft – mere end 40.000 amerikanske kvinder dør hvert år af brystkræft. En del af årsagen til, at så mange mennesker dør af kræft, er, at lægerne ikke har den rette information til at træffe de rette beslutninger. AI kan hjælpe med det.

Først og fremmest er Kheiron her for at hjælpe radiologen, så radiologen kan hjælpe patienterne. Jeg bliver personligt meget motiveret af at grave dybt i problemet for at forstå dets kompleksitet. Vi arbejder alle hårdt for virkelig at forstå radiologernes arbejde, de data, de arbejder med på daglig basis, deres arbejdsproces. Så kan vi finde ud af, hvordan vi kan udvikle AI som en del af denne arbejdsproces.

Vi investerer massivt i at forstå brugerne og dataene dybt. Vi har radiologer på vores hold, der hjælper os med at integrere brugerbehovene i design- og udviklingsprocessen. Vi har et patientinddragelsesinitiativ, der direkte involverer kvinder for at forstå deres frygt og behov for brystscreening.

Mange mennesker spørger mig om navnet på vores virksomhed – Kheiron. Kheiron var en vis og mild kentaur – et væsen, der er delvis menneske, delvis hest i græsk mytologi – der trænede helte i medicin. Denne idé om, at to halvdele kan danne noget, der er mere kraftfuldt end de enkelte dele, er inspirationen for Kheiron – AI og kliniske læger, der arbejder sammen for at ændre, hvad der er muligt i sundhedsstandarden.

Kan du diskutere de brystkræftscreeningsløsninger, der tilbydes?

Vi arbejder på flere brystkræftløsninger langs brystkræftscreeningsvejen.

Vores første produkt hedder Mia – som står for mammografisk intelligent vurdering. Mia er optimeret til at udføre det samme arbejde som en radiolog – nemlig at bestemme, om kvinden skal kaldes tilbage for yderligere undersøgelse eller ej.

Det niveau af præstation, vi opnår, giver os mulighed for at omstrukturere arbejdsprocessen. For amerikanske kvinder er dette utrolig betydningsfuldt. USA har, hvad der kaldes en “single-reader-arbejdsproces”. Dette betyder, at hver mammografi læses af en radiolog. Men i Storbritannien og Europa har man en “double-reader-arbejdsproces”, hvilket betyder, at hver mammografi læses af to radiologer. Mange amerikanske radiologer betragter double reading som “guldstandard”, fordi det er mere sandsynligt end en enkelt læser at opdage tidlige, små brystkræft.

Vores kliniske studier viser, at Mia er en klinisk sikker og kosteffektiv løsning som en uafhængig eller samtidig læser. Dette betyder, at i USA kan Mia bruges sammen med radiologen til at opnå denne guldstandard for en double-reader-arbejdsproces – med en enkelt menneskelig læser. Som jeg sagde tidligere, er dette virkelig, hvordan vi ser kraften af AI og mennesket, der arbejder sammen for at løse store problemer.

Det første produkt, vi bringer til det amerikanske marked, hedder Mia IQ, som sidder et trin tidligere i brystkræftscreeningsvejen. Mia IQ hjælper radiografiteknikerne med at analysere billedkvaliteten. Hvis vi kan forbedre billedkvaliteten, vil læsningen også blive bedre. Og det betyder, at flere kræfttilfælde vil blive opdaget tidligere, når udfaldet kan være bedre for kvinden.

Dette er meget vigtigt for MQSA-kvalitets sikringsaudits og for kontinuerlig træning, som er det sted, hvor vi forventer at se Mia IQ’s første anvendelser. Mia IQ giver screeningsprogrammer med rapporter om placeringproblemer. Dette vil give programdirektørerne mulighed for at give punkttræning til teknikerne og løse eventuelle bredere billedkvalitetsproblemer, der kan påvirke deres kvalitetssikringsaudits.

Hvor mange billeder er neuralt netværk blevet trænet på?

For os er datamængden ikke det væsentlige. Det gode ved brystkræftscreeningsområdet er, at der er meget data til rådighed. Der er meget historisk data, fordi screeningsprogrammer har eksisteret i lang tid. Og fordi man screener en hel befolkning, genereres der meget nyt data.

Udfordringen er, at dataene er stærkt skævede. 99% af screeningsbefolkningen har ikke kræft, heldigvis, hvilket betyder, at der er en skævning mod normale billeder. Der er også befolkningsforskelle, med en mangel på diversitet i dataene.

Så for Kheiron er udfordringen ikke at få datamængden. I stedet kommer en stor del af vores succes fra at forstå, hvilke data vi skal indsamle for at få de bedste resultater, og at være meget selektive og målrettede i, hvor og hvordan vi får vores data. Vores samarbejde med Emory University er et godt eksempel på, hvordan vi gør dette.

Er falske positive billeder i øjeblikket et problem?

Falske positive billeder er kun en del af problemet. Videnskaben omkring screening afhænger af kompromiser mellem falske positive og falske negative billeder. For eksempel kan vi opnå en meget lav falsk positiv rate, men vi vil også overse nogle kræfttilfælde. På den anden side kan vi have meget få overse kræfttilfælde, hvis vi har en høj falsk positiv rate. Det er vigtigt at forstå disse kompromiser og at balancere vores screeningservice på basis af prioriteringer og ressourcer.

Kulturelle og politiske forskelle findes også mellem lande, hvilket påvirker, hvordan disse kompromiser gøres. I nogle lande betragtes det som meget problematisk at overse en kræft. I andre lande anses det for mere vigtigt at minimere unødvendige tilbagekald at grund af sundhedsomkostningerne forbundet med hver tilbagekald.

Ultimo handler det om at forstå, hvordan denne kompromis påvirker patienterne, i forhold til antallet af unødvendige tilbagekald og yderligere tests, som “falske positive”-gruppen oplever i forhold til “falske negative”-gruppen, hvis kræfttilfælde ikke opdages. Det er en svær balanceakt, men AI lover at hæve standarden for begge grupper.

Kheiron Medical Technologies og Emory University annoncerede nyligt et samarbejde om at evaluere data fra tidligere mammografier på over 50.000 afroamerikanske kvinder, der er blevet screenet på Emory Healthcare. Kan du dele mere detaljer om dette projekt?

Vores partnerskab med Emory University udvider diversiteten af data, vi bruger til at sikre, at vores AI-brystkræftscreeningsløsning, Mia, fungerer til samme standard for enhver kvinde, uanset etnicitet.

Det første projekt i samarbejdet vil støtte valideringen af Mias præstation mod Emorys diverse screeningsbefolkning. Dette er en multicenterstudie, der omfatter fire screeningssteder og hospitaler. En kohorte på over 200.000 screeningsmammografier vil være inkluderet i dette projekt – ca. 45% af kvinderne i denne kohorte er af afroamerikansk afstamning.

Vi annoncerede dette samarbejde i slutningen af november og har gjort stor fremgang siden da, selv når man tager i betragtning udfordringerne ved at operere under en global pandemi og fjernarbejdsforhold. Jeg tror, det er en kæmpe tak til holdet på Emory, der også er kliniske læger, der yder fremragende patientpleje i samfundet.

Lige nu investerer vores samarbejde den fornødne energi i at etablere en stærk grundlag for vores fremtidige arbejde. Vi er på et stadie, hvor vi arbejder tæt sammen med Emory-holdet for at forstå kliniske arbejdsprocesser. Dette tjener som det nødvendige grundlag for dyb analyse og afhøring af mulige forskelle mellem underpopulationsgrupper, som fx etniske grupper.

Dette arbejde er ikke let eller hurtigt. Ikke mange ting i sundhedssektoren er. Men det er meget belønnende, og vi er heldige at have en samling af globale partnere, der er ekstremt samarbejdsvillige og enige med os om vores fælles mission: at hjælpe enhver kvinde overalt med en chance mod brystkræft.

Hvor stort et problem er underrepræsentationen af ikke-hvide i billeddata for kræftdiagnose?

Historisk set har diversiteten af patientpopulationer ikke været spejlet i medicinsk forskning i den udstrækning, det burde være. Os, der udvikler AI, har en ansvarlig rol i at inkludere etnisk diversitet i vores studier.

Underrepræsenterede befolkningsgrupper er et problem for brystkræftscreening. Resultaterne for afroamerikanske kvinder er et eksempel herpå. Afroamerikanske kvinder har tendens til at have højere dødelighed (39% højere end ikke-hispanske hvide), og dette kan tilskrives adgang til sundhedsydelser, forsinkelser i diagnose og forsinkelser i behandlingsstart, blandt andre faktorer.

Generaliserbarhed af AI på tværs af forskellige befolkningsgrupper er et nøgletrin mod at løse racemæssige uligheder i brystscreening. Jeg er begejstret for, at vores Kheiron-hold er dedikeret til at bygge en løsning, der fungerer lige så godt på mammografier fra racemæssigt diverse befolkningsgrupper – og det er en stor motivationsfaktor for vores arbejde. Vores samarbejde med Emory og UCSF vil hjælpe os med at opnå denne vision om generaliserbarhed – og sikre, at Mia giver enhver kvinde, overalt en bedre chance mod brystkræft.

Tak for det gode interview og for at arbejde på så vigtige livreddende teknologier. Læsere, der ønsker at lære mere, bør besøge Kheiron Medical Technologies.