Jonas Muff, Gründer & CEO von Vara – Interview-Serie

Jonas Muff ist der Gründer und CEO von Vara, einer Brustkrebs-Screening-Plattform. Gegründet in Deutschland, operiert Vara in mehreren Ländern Europas. Sie haben kürzlich zwei große Partnerschaften in Griechenland und Mexiko bekannt gegeben, die ihre Technologie für über 30 Millionen Frauen zugänglich machen werden.

Was hat Sie ursprünglich zum Bereich der künstlichen Intelligenz hingezogen?

Als Sohn eines Arztes habe ich immer geglaubt, dass die Macht und das Potenzial der Gesundheitsversorgung in der Prävention und nicht nur in der Behandlung liegen; gesunde Menschen gesund halten, anstatt nur die Kranken zu behandeln. Künstliche Intelligenz hält den Schlüssel, um nicht nur diesen Paradigmenwechsel zu ermöglichen, sondern auch moderne Gesundheitssysteme zu helfen, große Sprünge in der Diagnose und Behandlung von Krankheiten zu machen. AI-gestützte Diagnosen haben das Potenzial, billiger und weniger abhängig von Ressourcen und Expertenwissen zu sein, von dem es weltweit einen Mangel gibt. Auf diese Weise kann AI verwendet werden, um hochwertige Medizin in weniger entwickelten Ländern bereitzustellen und den Zugang zu guter Gesundheitsversorgung fairer und globaler zu machen.

Können Sie die Entstehungsgeschichte hinter Vara erzählen?

Vara wurde aus Merantix, einem Venture-Studio in Berlin, gegründet, das darauf abzielt, das Potenzial der künstlichen Intelligenz durch einen kooperativen Ansatz zu erschließen. Merantix bringt Menschen aus verschiedenen Hintergründen zusammen, alle mit einem unternehmerischen Mindset, um reale Probleme auf innovative Weise zu lösen. Wir haben ein Team von Machine-Learning-Experten, Software-Entwicklern, Produkt-Designern und Radiologen zusammengestellt und uns daran gemacht, den Brustkrebs-Screening-Prozess von Grund auf neu zu gestalten.

Wenn ein Screening-Radiologe Mammogramme liest, sucht er effektiv nach einer Nadel im Heuhaufen. Während die überwiegende Mehrheit der Mammogramme als “normal” eingestuft wird – d.h. sie enthalten keine Anzeichen von Brustkrebs – gibt es eine kleine, aber sehr wichtige Minderheit, die verdächtig ist und weitere Analysen erfordert.

Dies legt enormen Druck auf den Radiologen, um sicherzustellen, dass keine “Nadeln” übersehen werden, aber er muss auch 98% (oder mehr) seines täglichen Arbeitslebens damit verbringen, normale Mammogramme zu berichten. Es ist eine Kombination, die zu Fehlern führen kann, und wir haben von Anfang an geglaubt, dass AI hier helfen kann, sowohl durch die Kompensation von menschlichen Fehlern als auch durch die Entlastung von administrativen Aufgaben. Auf diese Weise können Radiologen ihre Aufmerksamkeit noch stärker auf die Anomalien konzentrieren.

Mit diesem Ziel haben wir uns mit einigen der führenden Screening-Radiologen in Deutschland zusammengetan, um eine Plattform zu entwickeln, die den gesamten klinischen Workflow standardisiert und durch den Einsatz von fortschrittlicher AI, Automatisierung und Datenmanagement-Tools verbessert. Anstatt Radiologen zu ersetzen, zielt die Vara-Plattform darauf ab, sie zu stärken, um die Prozesse effizienter, transparenter und effektiver zu machen.

Durch unsere Arbeit haben wir auch erkannt, dass Brustkrebs-Screening in den meisten europäischen Ländern, einschließlich Deutschland, das eine stolze Tradition von bevölkerungsweiten Screening-Programmen hat, eine Selbstverständlichkeit ist. Wir glauben jedoch, dass jede Frau das Recht auf Screening hat, und daher wurde unsere Plattform so konzipiert, dass sie überall auf der Welt funktioniert. Unsere Mission ist es, datengetriebenes Brustkrebs-Screening für jeden zugänglicher zu machen.

Wie viele Trainingsdatensätze wurden verwendet, um die Daten zu trainieren, und enthalten diese Datensätze eine breite Vielfalt von Hauttypen?

Unsere Modelle wurden auf der Grundlage von über 7 Millionen Mammogrammen entwickelt, die aus Europa, vorwiegend Deutschland, stammen.

Mammogramme sind zwischen verschiedenen Populationen und Ethnien sehr ähnlich. Was variiert, ist die Brustdichte (Menge an Fettgewebe in der Brust), pathologische Krebs-Subtypen sowie Läsionstypen und -größen.

Bei der Bewertung von Vara haben wir nicht nur die durchschnittliche Leistung betrachtet, sondern auch die Leistung in jeder Untergruppe, d.h. fettarme vs. dichte Brüste oder kleine vs. große Läsionen. Unsere Ergebnisse zeigen, dass wir die Metriken der Radiologen in allen relevanten Untergruppen verbessern können.

Dies bedeutet, dass Vara auch dann die Versorgungsqualität verbessern kann, wenn Frauen aus anderen Populationen tendenziell dichtere Brüste haben. Wir haben eine lokale Bewertung durchgeführt, um die Leistung von Vara in Mexiko zu verstehen und sicherzustellen, dass wir tatsächlich die Versorgungsqualität verbessern. Und wir werden die prospektive Leistung von Vara in Echtzeit überwachen und in ständigem Dialog mit unseren Screening-Partnern bleiben. Unser Ziel ist es, die Versorgungsqualität in Mexiko zu verbessern, indem wir einen standardisierten, von AI gestützten Screening-Prozess bereitstellen.

Die Vara-System verwendet drei Arten von Klassifizierungen für jedes Mammogramm, können Sie diese erläutern und wie sie dabei helfen, falsche Positivergebnisse zu vermeiden?

Der Entscheidungs-Verweis-Prozess ist ein Screening-Prozess, den Vara entwickelt hat, bei dem der Algorithmus nur eine Aussage macht, wenn er zuverlässige Vorhersagen treffen kann – während er andere Fälle dem menschlichen Fachwissen überlässt.

Das Ziel des Entscheidungs-Verweis-Prozesses ist es, den Radiologen durch AI zu unterstützen, um sowohl die Sensitivität als auch die Spezifität zu verbessern, d.h. falsche Negativ- und falsche Positivergebnisse zu reduzieren. Gleichzeitig ist AI nicht perfekt und kann nicht 100% korrekte Vorhersagen für alle Fälle treffen. Daher ist das Ziel des Entscheidungs-Verweis-Prozesses, die menschliche Expertise der Radiologen mit den technischen Fähigkeiten von AI zu kombinieren, um beides zu verbessern.

Die drei Arten von Klassifizierungen sind:

1. Normale Triaging: Der Algorithmus wählt eine Teilmenge von Fällen aus, die er mit hoher Zuverlässigkeit als normal einstuft und kennzeichnet diese Fälle automatisch für den Radiologen. Das Ziel der normalen Triaging ist es, so viele normale Fälle wie möglich als negativ zu kennzeichnen, mit minimaler Falschklassifizierung.
2. Sicherheitsnetz: Für Fälle, bei denen die AI sehr zuversichtlich ist, dass die Bilder verdächtig sind, bietet sie ein Sicherheitsnetz: Sollte der Radiologe einen dieser Fälle als negativ einstufen, löst das Sicherheitsnetz aus und weist den Radiologen auf eine bestimmte Region im Bild hin, die der AI verdächtig erscheint. Der Radiologe kann dann seine Entscheidung überdenken und möglicherweise einen Krebsfall entdecken, der sonst übersehen worden wäre.
3. Nicht klassifizierte Fälle: Wichtig ist, dass die AI nicht für alle Fälle eine Aussage macht. Es gibt Fälle, die weder als normal (die wenigsten verdächtigen Fälle) noch als Sicherheitsnetz (die meisten verdächtigen Fälle) eingestuft werden. Für diese Fälle ist die AI nicht zuversichtlich genug, und die Entscheidung sollte vom Radiologen getroffen werden.

Ein intrinsisches Merkmal des Entscheidungs-Verweis-Prozesses ist seine Konfigurierbarkeit. Wir können die AI so konfigurieren, dass die unteren 50% der Fälle als normal gekennzeichnet werden, oder wir können sie so konfigurieren, dass die unteren 70% als normal gekennzeichnet werden. Ebenso kann das Sicherheitsnetz für die 1% der verdächtigsten Fälle oder für die 2% der verdächtigsten Fälle aktiviert werden.

Menschen, einschließlich Radiologen, neigen oft zu kognitiven Verzerrungen, wie hilft die AI-Anwendung, dieses Problem zu lösen?

Unsere AI wurde mit Daten aus einem der besten Screening-Systeme der Welt in Deutschland trainiert. Darüber hinaus hat die AI während des Trainings Zugang zu Daten, die Radiologen in der klinischen Praxis nicht haben, nämlich den Biopsie-Ergebnissen oder den zweijährigen Follow-up-Ergebnissen jedes Falls. Durch die Verwendung von umfassenden und repräsentativen Datensätzen vermeiden wir Verzerrungen in den Trainingsdaten.

Wir haben dann das Sicherheitsnetz entwickelt, um mögliche Verzerrungen in der Interaktion zwischen Menschen und AI zu reduzieren. Das Sicherheitsnetz zeigt dem Radiologen nicht von vornherein verdächtige Bereiche an. Stattdessen berichtet der Radiologe seine Ergebnisse mit dem Vara-Viewer, und wenn die AI mit der Bewertung des Radiologen nicht einverstanden ist, zeigt Vara die lokale Vorhersage an. Dies gibt dem Radiologen die Gelegenheit, seine ursprüngliche Bewertung zu überdenken und anzupassen. Auf diese Weise hilft das Sicherheitsnetz, übersehene Krebsfälle zu reduzieren.

Im Gegensatz zu Menschen wird das Modell nicht müde, und es liefert kontinuierlich verbesserte Leistungen, unabhängig von der Tageszeit. AI kann daher die Ergebnisse der Radiologen objektivieren.

Können Sie die Herausforderungen bei der Erkennung von Brustkrebs im Hinblick auf mögliche Randfälle wie Implantate erläutern?

Unsere Modelle wurden auf einer realen, vielfältigen Datensammlung von Frauen trainiert, die am Screening teilnehmen, einschließlich Frauen mit Implantaten. Wir haben festgestellt, dass diese Fälle für Vara keine besondere Herausforderung darstellen. Darüber hinaus macht unser Modell keine Aussagen über alle Fälle. Wenn es sich bei einem bestimmten Fall unsicher ist, überlässt es die Entscheidung den Radiologen, ein Ansatz, den wir Entscheidungs-Verweis nennen (siehe oben).

Vara führt auch eine Nachuntersuchung von Mammogrammen durch, was wird in diesem Schritt des Prozesses speziell gesucht?

Vara zeigt Vorhersagen an, nachdem der Radiologe eine Meinung gebildet hat (siehe “Sicherheitsnetz” oben für weitere Details). Radiologen gewinnen wichtige Erkenntnisse, indem sie die Entwicklung von Gewebe und Läsionen im Laufe der Zeit vergleichen. Ebenso kann die Nutzung von zeitlichen Informationen die diagnostische Genauigkeit von AI-Modellen weiter verbessern. Nicht nur läuft unsere AI auf der aktuellen Untersuchung, sondern überprüft auch vorherige Untersuchungen auf Anzeichen von Krebs – mit dem Versprechen, die Screening-Leistung weiter zu verbessern.

Gibt es noch etwas, das Sie über Vara teilen möchten?

Der Entscheidungs-Verweis-Ansatz der Vara-AI-Plattform wird nun in 30% aller Screening-Einheiten in Deutschland eingesetzt. Im Rahmen unserer globalen Mission haben wir kürzlich Screening-Einheiten in Mexiko und Griechenland in Partnerschaft mit Gesundheitsdienstleistern in diesen Regionen gestartet. Mit solchen Partnern zeigen wir, wie wir bestehende Gesundheitsinfrastruktur nutzen können, um sie zu ermöglichen, ihre aktuelle Einrichtung zu einem staatlich anerkannten, standardisierten Screening-Service zu springen.

Unser Team hat sich verdoppelt und umfasst nun 30 Mitarbeiter, und wir haben globale Experten in Radiologie wie Professor Katja Pinker-Domenig als unseren Lead Medical Advisor sowie Stephan Dreier als Chief Revenue Officer ernannt. Wir haben auch Zusammenarbeiten mit renommierten akademischen Institutionen in den USA und Europa wie dem Memorial Sloan Kettering Cancer Center, der University of Cambridge, Karolinska Institutet und dem Krebsregister Norwegen.

Die Leistung von Vara zeigt immense Versprechen in Bezug auf Reproduzierbarkeit und Generalisierung. Eine große retrospektive Studie ist derzeit im renommierten Lancet Digital Health in Druck, sowie eine weitere wichtige Peer-Review-Veröffentlichung zur Verhütung von Intervall-Krebs bei der European Journal of Radiology.

Wir haben auch gerade Deutschlands erste prospektive Studie gestartet, um die Auswirkungen von Vara in der klinischen Routine zu zeigen. All diese Errungenschaften helfen uns, unsere Hauptmission zu erreichen, datengetriebenes Brustkrebs-Screening für jeden zugänglicher zu machen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Vara besuchen.