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

Tobias Rijken ist der Co-Founder & CTO bei Kheiron Medical Technologies, einem medizinischen Bildgebungsunternehmen, das fortschrittliche Machine-Learning-Technologien verwendet, um intelligente Tools für Radiologen, Radiologieabteilungen, Bildgebungscenter und Krankenhäuser zu entwickeln und bereitzustellen, um die Effizienz, Konsistenz und Genauigkeit der Radiologieberichte zu verbessern.

Kheiron Medical Technologies wurde mit dem alleinigen Fokus gegründet, Radiologen dabei zu helfen, Brustkrebs mit Machine-Learning-Software früher zu erkennen.

Was hat Sie ursprünglich zum Machine Learning hingezogen?

Meine informelle Einführung in den Machine Learning war, als ich zum ersten Mal mit der Programmierung begann, als ich ein junger Teenager war. Es gab diesen Spiele-Engine, mit dem man eigene Spiele programmieren konnte. Ich wollte dieses Spiel spielen, aber gegen wen? Es konnte ein anderer Spieler sein, aber es konnte auch ein Programm sein. Wie baut man ein Programm, das lernt, ein Spiel zu spielen? Es war kein modernes AI, es war regelbasiertes AI. Ich habe es jedes Mal geschlagen, also war es kein gutes AI.

Als ich für meinen Master-Abschluss an der University College London studierte, betraten wir eine neue Ära des modernen AI. DeepMind war gerade übernommen worden, und ich studierte Machine Learning an dem Ort, an dem DeepMind tatsächlich gegründet wurde. David Silver, einer der führenden Wissenschaftler von DeepMind, lehrte einen Kurs über Reinforcement Learning. Im Rahmen des Kurses baute ich einen Agenten, der lernte, ein Spiel zu spielen – eine vereinfachte Form von Blackjack. Als ich den AI fertiggestellt und gegen meine eigene Kreation gespielt hatte, konnte ich es nicht mehr schlagen. Und das war eine wahre Erkenntnis.

Meine formale Einführung in den Machine Learning kam in meinem ersten Studienjahr. Ich studierte Mathematik und Informatik am Amsterdam University College. Gleichzeitig wurden massive neue Online-Kurse eingerichtet, und ich konnte AI-Kurse von führenden Persönlichkeiten des Fachgebiets belegen. Der Kurs, der den größten Eindruck auf mich machte, war mit Peter Norvig und Sebastian Thrun von der Stanford University, und ich konnte AI mit 100.000 Menschen gleichzeitig studieren.

Jetzt, mit Kheiron, gefällt mir so viel am Machine Learning die Anwendung, die es in der realen Welt hat. Die Möglichkeit, die es hat, reale Probleme zu lösen. Das ist es, was mich wirklich begeistert.

Können Sie die Genesis-Geschichte hinter Kheiron Medical erzählen?

Peter und ich trafen uns 2016 bei dem UK-Accelerator Entrepreneur First. Wir verbanden uns sofort – wahrscheinlich wegen unserer ähnlichen Hintergründe. Wir stammen beide aus medizinischen Familien – Peters Mutter ist Radiologin, ich wuchs in einer medizinischen Familie auf, umgeben von Ärzten, und wir beide entschieden uns, den STEM-Weg zu gehen.

Unsere Hintergründe gaben uns eine klare Sicht auf die Schwierigkeiten und Herausforderungen, mit denen Gesundheitsarbeiter konfrontiert sind, und ein Verständnis dafür, wie AI ihre Leben sowie das Leben der Patienten verbessern kann. Wir teilen die Überzeugung, dass AI zusammen mit Klinikern die Gesundheitsversorgung zum Besseren verändern wird.

Es gibt ein großes Problem, das gelöst werden muss. Es gibt einen globalen Mangel an Radiologen. Viele Menschen sterben an Krebs – mehr als 40.000 amerikanische Frauen sterben jedes Jahr an Brustkrebs. Teil des Grundes, warum so viele Menschen an Krebs sterben, ist, dass Ärzte nicht die richtigen Informationen haben, um die richtigen Entscheidungen zu treffen. AI kann dabei helfen.

Zunächst und vor allem ist Kheiron hier, um dem Radiologen zu helfen, damit der Radiologe den Patienten helfen kann. Ich werde persönlich sehr motiviert, indem ich mich in das Problem einarbeite, um seine Feinheiten zu verstehen. Wir arbeiten alle hart daran, die Arbeit der Radiologen, die Daten, mit denen sie täglich arbeiten, ihre Arbeitsabläufe wirklich zu verstehen. Dann können wir herausfinden, wie wir AI als Teil dieses Arbeitsablaufs einsetzen können.

Wir investieren stark in das tiefere Verständnis der Nutzer und der Daten. Wir haben Radiologen in unserem Team, die uns helfen, die Bedürfnisse der Nutzer in den Entwicklungsprozess zu integrieren. Wir haben eine Patientenbeteiligungsinitiative, die direkt mit Frauen in Kontakt tritt, um ihre Ängste und Bedürfnisse für Brustkrebs-Screening zu verstehen.

Viele Menschen fragen mich nach dem Namen unseres Unternehmens – Kheiron. Kheiron war ein weiser, sanfter Kentaur – ein Wesen, das teilweise Mensch, teilweise Pferd in der griechischen Mythologie ist – der die Helden in der Medizin ausbildete. Diese Idee, dass zwei Hälften etwas Mächtigeres bilden als die einzelnen Teile, ist die Inspiration für Kheiron – AI und der Kliniker arbeiten zusammen, um das Machbare in der Standardversorgung zu verändern.

Können Sie die Brustkrebs-Screening-Lösungen erörtern, die angeboten werden?

Wir arbeiten an mehreren Brustkrebs-Lösungen entlang des Brustkrebs-Screening-Pfads.

Unser erstes Produkt heißt Mia – was für mammographische intelligente Bewertung steht. Mia wurde optimiert, um die gleiche Aufgabe wie ein Radiologe auszuführen – nämlich, zu bestimmen, ob die Frau zurückgerufen werden sollte oder nicht.

Das Leistungsniveau, das wir erreichen, ermöglicht es uns, den Arbeitsablauf neu zu überdenken. Für amerikanische Frauen ist dies unglaublich bedeutsam. Die USA haben das, was als “Single-Reader-Workflow” bezeichnet wird. Das bedeutet, dass jeder Mammographie von einem Radiologen gelesen wird. Im Gegensatz dazu haben das Vereinigte Königreich und Europa einen “Double-Reader-Workflow”, was bedeutet, dass jeder Mammographie von zwei Radiologen gelesen wird. Viele amerikanische Radiologen betrachten die Doppel-Lesung als “Goldstandard”, da sie wahrscheinlicher ist, frühe, kleine Brustkrebsfälle zu erkennen.

Unsere klinischen Studien beweisen, dass Mia eine klinisch sichere und kosteneffektive Option als unabhängiger oder gleichzeitiger Leser ist. Das bedeutet, dass in den USA Mia zusammen mit dem Radiologen verwendet werden kann, um den Goldstandard eines Double-Reading-Workflows zu erreichen – mit einem einzigen menschlichen Leser. Wie ich bereits erwähnt habe, ist dies wirklich, wie wir die Macht von AI und dem Menschen sehen, die zusammenarbeiten, um große Probleme zu lösen.

Das erste Produkt, das wir auf den US-Markt bringen, heißt Mia IQ, das einen Schritt früher im Brustkrebs-Screening-Pfad sitzt. Mia IQ hilft den Röntgen-Technikern, die Qualität des Bildes zu analysieren. Wenn wir die Qualität des Bildes verbessern können, wird auch die Qualität der Lesung verbessert. Und das bedeutet, dass mehr Krebsfälle früher erkannt werden, wenn die Ergebnisse für die Frau besser sein können.

Dies ist sehr wichtig für MQSA-Qualitätssicherungsaudits und für kontinuierliche Schulungen, wo wir erwarten, dass Mia IQ ihre erste Anwendung findet. Mia IQ liefert Screening-Programmen Berichte mit Details über Positionierungsprobleme. Dies ermöglicht es den Programmleitern, gezielte Schulungen für Techniker anzubieten und breitere Bildqualitätsprobleme anzugehen, die ihre Qualitätsaudits beeinträchtigen könnten.

Wie viele Bilder wurde das neuronale Netzwerk trainiert?

Für uns ist die Menge an Daten nicht der Punkt. Das Gute am Brustkrebs-Screening-Bereich ist, dass es viele Daten gibt. Es gibt viele historische Daten, weil Screening-Programme bereits seit einiger Zeit existieren. Und weil Sie eine gesamte Bevölkerung screenen, gibt es viele neue Daten, die täglich generiert werden.

Die Herausforderung besteht darin, dass die Daten stark verzerrt sind. 99 % der Screening-Bevölkerung haben keinen Krebs, zum Glück, was bedeutet, dass es eine Verzerrung in Richtung normaler Bilder gibt. Es gibt auch Populationsunterschiede, mit einem Mangel an Vielfalt in den Daten.

Für Kheiron ist die Herausforderung also nicht, die Menge an Daten zu erhalten. Stattdessen kommt ein großer Teil unseres Erfolgs davon, zu verstehen, welche Daten wir sammeln müssen, um die besten Ergebnisse zu erzielen, und sehr selektiv und gezielt zu sein, wo und wie wir unsere Daten erhalten. Unsere Zusammenarbeit mit der Emory University ist ein großartiges Beispiel dafür, wie wir dies tun.

Sind falsche Positivergebnisse derzeit ein Problem?

Falsche Positivergebnisse sind nur ein Teil des Problems. Die Wissenschaft des Screenings basiert auf Kompromissen zwischen falschen Positiven und falschen Negativen. Zum Beispiel können wir eine sehr niedrige Falsch-Positiv-Rate erreichen, aber wir werden einige Krebsfälle verpassen. Andererseits können wir sehr wenige verpasste Krebsfälle haben, wenn wir eine hohe Falsch-Positiv-Rate haben. Es ist wichtig, diese Kompromisse zu verstehen und den Screening-Service basierend auf Prioritäten und Ressourcen auszubalancieren.

Kulturelle und politische Unterschiede zwischen Ländern existieren auch, die die Art und Weise beeinflussen, wie diese Kompromisse getroffen werden. In einigen Ländern wird das Verpassen eines Krebsfalls als sehr problematisch angesehen. In anderen Ländern wird es als wichtiger angesehen, unnötige Rückrufe zu minimieren, weil der Gesundheitskostenanteil für jeden Rückruf hoch ist.

Letztendlich geht es darum, zu verstehen, wie dieser Kompromiss die Patienten beeinflusst, in Bezug auf die Anzahl der unnötigen Rückrufe und weiterer Tests, die von der “falsch-positiven” Gruppe erfahren werden, im Vergleich zur “falsch-negativen” Gruppe, deren Krebsfälle unerkannt bleiben. Es ist ein schwieriger Balanceakt, aber AI verspricht, die Latte für beide Gruppen zu heben.

Kheiron Medical Technologies und die Emory University haben kürzlich eine Zusammenarbeit bekannt gegeben, um Daten von vorherigen Mammographien von über 50.000 afroamerikanischen Frauen zu bewerten, die bei Emory Healthcare gescreent wurden. Können Sie mehr Details über dieses Projekt mitteilen?

Unser Partnership mit der Emory University erweitert die Vielfalt der Daten, die wir verwenden, um sicherzustellen, dass Mia, unsere AI-Brustkrebs-Screening-Lösung, für jede Frau, unabhängig von ihrer Ethnie, zum gleichen Standard funktioniert.

Das erste Projekt in der Zusammenarbeit wird die Validierung von Mias Leistung gegenüber der vielfältigen Screening-Bevölkerung von Emory unterstützen. Dies ist eine multizentrische Studie, die vier Screening-Standorte und Krankenhäuser umfasst. Eine Kohorte von mehr als 200.000 Screening-Mammographien wird in dieses Projekt einbezogen – ungefähr 45 % der Frauen in dieser Kohorte sind afroamerikanischer Abstammung.

Wir haben diese Zusammenarbeit Ende November bekannt gegeben und haben seitdem große Fortschritte gemacht, sogar unter den Herausforderungen einer globalen Pandemie und Remote-Arbeitsbedingungen. Ich denke, das ist ein großer Verdienst des Teams von Emory, das auch Kliniker sind, die Patienten in der Gemeinschaft hervorragende Pflege zukommen lassen.

Im Moment investieren wir die anfängliche Energie, um eine starke Grundlage für unsere zukünftige Arbeit zu schaffen. Wir arbeiten eng mit dem Emory-Team zusammen, um die klinischen Arbeitsabläufe zu verstehen. Dies dient als notwendige Grundlage für eine tiefe Analyse und Befragung möglicher Unterschiede zwischen Subpopulationen, wie ethnischen Gruppen.

Diese Arbeit ist nicht einfach oder schnell. Nicht viele Dinge in der Gesundheitsversorgung sind es. Es ist jedoch sehr lohnend, und wir sind glücklich, von einer Reihe globaler Partner zu profitieren, die extrem kooperativ und auf unsere gemeinsame Mission ausgerichtet sind: jede Frau, überall, eine faire Chance gegen Brustkrebs zu geben.

Wie groß ist das Problem der Unterrepräsentation von Nicht-Weißen in den Bilddaten für die Krebsdiagnose?

Historisch gesehen wurde die Vielfalt der Patientenpopulationen in der medizinischen Forschung nicht in dem Maße widerspiegelt, wie es der Fall sein sollte. Wir, die AI entwickeln, haben die Verantwortung, ethnische Vielfalt in unseren Studien zu berücksichtigen.

Unterrepräsentierte Populationen sind ein Problem für die Brustkrebs-Screening. Die Ergebnisse für afroamerikanische Frauen sind ein Beispiel dafür. Afroamerikanische Frauen neigen zu höheren Sterberaten (39 % höher als nicht-hispanische Weiße), und dies kann auf den Zugang zur Gesundheitsversorgung, Verzögerungen in der Diagnose und Verzögerungen bei der Behandlungsinitiierung zurückzuführen sein, unter anderem.

Die Verallgemeinerbarkeit von AI über verschiedene Populationen hinweg ist ein wichtiger Schritt, um rassische Ungleichheiten in der Brustkrebs-Screening zu bekämpfen. Ich bin begeistert, dass unser Kheiron-Team sich verpflichtet hat, eine Lösung zu entwickeln, die gleich gut auf Mammographien aus rassisch vielfältigen Populationen funktioniert – und dies ist ein großer Motivationsfaktor für unsere Arbeit. Unsere Zusammenarbeit mit Emory und UCSF wird uns helfen, diese Vision der Verallgemeinerbarkeit zu verwirklichen – sicherzustellen, dass Mia jeder Frau, überall, eine bessere Chance gegen Brustkrebs gibt.

Vielen Dank für das großartige Interview und für die Arbeit an solch wichtigen lebensrettenden Technologien. Leser, die mehr erfahren möchten, sollten Kheiron Medical Technologies besuchen.