Jonas Muff, Fundador y CEO de Vara – Serie de Entrevistas

Jonas Muff es el Fundador y CEO de Vara, una plataforma de detección de cáncer de mama. Fundada en Alemania, Vara opera en varios países de Europa. Recientemente anunciaron dos asociaciones importantes este año en Grecia y México, lo que hará que su tecnología esté disponible para más de 30 millones de mujeres.

¿Qué te atrajo inicialmente al campo de la inteligencia artificial?

Como hijo de un médico, siempre he creído que el poder y el potencial de la atención médica radican en la prevención más que en la cura; mantener a las personas sanas, en lugar de solo tratar a los enfermos. La inteligencia artificial posee la clave para desbloquear este cambio de paradigma y ayudar a los sistemas de atención médica modernos a dar saltos cuánticos en el diagnóstico y el tratamiento de enfermedades. Los diagnósticos impulsados por la inteligencia artificial pueden ser más baratos y menos dependientes de los recursos del conocimiento experto, de los cuales hay una escasez global. De esta manera, la inteligencia artificial podría ser utilizada para proporcionar medicina de alta calidad en países menos desarrollados y hacer que el acceso a una buena atención médica sea más justo y global.

¿Podrías discutir la historia de origen detrás de Vara?

Vara nació de Merantix, un estudio de ventures en Berlín destinado a desbloquear el potencial de la inteligencia artificial a través de un enfoque colaborativo. Merantix reúne a personas de diferentes orígenes, todas con mentalidad emprendedora, para abordar problemas del mundo real de manera innovadora. Reunimos un equipo de expertos en aprendizaje automático, desarrolladores de software, diseñadores de productos y radiólogos, y nos propusimos reinventar el flujo de trabajo de detección de cáncer de mama desde abajo.

Al leer mamografías, un radiólogo de detección está efectivamente buscando una aguja en un pajar. Mientras que la gran mayoría de las mamografías serán consideradas “normales”, es decir, no contendrán signos de cáncer de mama, una pequeña pero significativa minoría será sospechosa y requerirá un análisis más detallado.

Esto pone una gran presión sobre el radiólogo para asegurarse de que no se pierdan agujas, pero también se les exige pasar el 98% (o más) de su vida laboral diaria informando sobre mamografías normales. Es una combinación que puede llevar a errores y en la que hemos creído, desde el primer día, que la inteligencia artificial puede ayudar a resolver ambos, compensando los errores humanos y eliminando la carga administrativa. De esta manera, los radiólogos pueden dedicar más atención a encontrar las anomalías.

Con esto en mente, nos asociamos con algunos de los principales radiólogos de detección de Alemania para construir una plataforma que estandarice todo el flujo de trabajo clínico y lo mejore mediante el uso de inteligencia artificial avanzada, automatización y herramientas de gestión de datos. En lugar de intentar reemplazar a los radiólogos, la plataforma Vara tiene como objetivo supercargarlos para hacer que los procesos sean más eficientes, más transparentes y más efectivos.

A través de nuestro trabajo, también nos dimos cuenta de que aunque la detección de cáncer de mama es algo dado en la mayoría de los países europeos, incluyendo nuestro país de origen, Alemania, que tiene un legado orgulloso de iniciar un programa de detección basado en la población en 2002, la mayoría de los países del mundo no ofrecen detección a las mujeres. Creemos que todas las mujeres tienen derecho a la detección y, por lo tanto, nuestra plataforma ha sido diseñada para funcionar en cualquier lugar del mundo. Nuestra misión es hacer que la detección de cáncer de mama basada en datos sea más accesible para todos.

¿Cuántos conjuntos de entrenamiento se han utilizado para entrenar los datos, y ¿estos conjuntos incluyen una amplia variedad de tipos de piel?

Nuestros modelos se han desarrollado a partir de más de 7 millones de mamografías utilizando datos de Europa, predominantemente de Alemania.

Las mamografías son muy similares entre diferentes poblaciones y etnias. Lo que varía en las poblaciones globales es la densidad mamaria (cantidad de tejido graso en el seno), subtipos patológicos de cáncer, así como tipos y tamaños de lesiones.

Al evaluar Vara, no solo consideramos el rendimiento promedio, sino que también miramos el rendimiento en cada subgrupo, es decir, senos grasos versus senos densos, o lesiones pequeñas versus lesiones grandes. Nuestros resultados muestran que podemos mejorar las métricas de los radiólogos en todos los subgrupos relevantes.

Esto significa que incluso si las mujeres de otras poblaciones tienden a tener senos más densos, por ejemplo, Vara aún mejorará su nivel de atención. Realizamos una evaluación local para comprender el rendimiento de la inteligencia artificial en México para asegurarnos de que realmente mejoramos el nivel de atención. Y seguiremos monitoreando el rendimiento prospectivo de Vara en tiempo real y manteniendo un diálogo constante con nuestros socios de detección. Nuestro objetivo es mejorar el nivel de atención en México proporcionando un flujo de trabajo de detección estandarizado impulsado por la inteligencia artificial.

¿Podrías discutir los tres tipos de clasificaciones para cada mamografía y cómo ayudan a prevenir falsos positivos?

La ruta de derivación de decisiones es un proceso de detección desarrollado por Vara en el que el algoritmo solo hace una declaración para los casos en los que está haciendo predicciones precisas con confianza, mientras que deja otros casos a la pericia humana.

El objetivo de la ruta de derivación de decisiones es apoyar al radiólogo con la inteligencia artificial para mejorar tanto la sensibilidad como la especificidad, es decir, reducir los falsos negativos y los falsos positivos. Al mismo tiempo, la inteligencia artificial no es perfecta y no puede hacer predicciones correctas al 100% para todos los casos. Por lo tanto, el objetivo de la derivación de decisiones es combinar la pericia humana de los radiólogos con las capacidades técnicas de la inteligencia artificial para mejorar ambas.

Los tres tipos de clasificación son:

1. Triaje normal: El algoritmo selecciona un subconjunto de casos que considera normales con alta confianza y los etiqueta automáticamente para el radiólogo. El objetivo del triaje normal es etiquetar tantos casos normales como sea posible con una clasificación mínima.
2. Red de seguridad: Para los casos en los que la inteligencia artificial está muy segura de que las imágenes son sospechosas, ofrece una red de seguridad: si el radiólogo clasifica uno de esos casos como negativo, la red de seguridad se activa y dirige al radiólogo a una región específica de la imagen que es sospechosa para la inteligencia artificial. El radiólogo puede reconsiderar la decisión, potencialmente atrapando un cáncer que de otro modo se habría perdido.
3. Casos no clasificados: Es importante destacar que la inteligencia artificial no hace una declaración para todos los casos. Hay casos que no se clasifican como normales (los menos sospechosos) ni se activa la red de seguridad (los más sospechosos). Para esos casos, la inteligencia artificial no está lo suficientemente segura y la pericia en la decisión debe provenir del radiólogo.

Una propiedad intrínseca de la derivación de decisiones es su configurabilidad. Podemos configurar la inteligencia artificial para que etiquete como normales el 50% inferior de los casos o configurarla para que etiquete como normales el 70% inferior. De manera similar, la red de seguridad se puede activar para el 1% de los casos más sospechosos o, alternativamente, para el 2% de los casos más sospechosos.

Los humanos, incluidos los radiólogos, a menudo experimentan sesgo cognitivo, ¿cómo ayuda la aplicación de inteligencia artificial a resolver este problema?

Nuestra inteligencia artificial ha aprendido de datos de uno de los mejores sistemas de detección del mundo en Alemania. Además, durante el entrenamiento, la inteligencia artificial tiene acceso a datos que los radiólogos no tienen en la práctica clínica, es decir, los resultados de la biopsia o el seguimiento de dos años de cada caso. Al utilizar conjuntos de datos amplios y representativos, prevenimos sesgos en los datos de entrenamiento.

Desarrollamos la Red de Seguridad para reducir cualquier sesgo potencial en la interacción entre humanos y la inteligencia artificial. La Red de Seguridad no muestra áreas sospechosas al radiólogo de antemano. En su lugar, el radiólogo informa sus hallazgos con el visor de Vara y, en el caso de que la inteligencia artificial no esté de acuerdo con la evaluación del radiólogo, Vara muestra la predicción localizada. Esto le da al radiólogo la oportunidad de revisar su informe inicial y adaptarlo. De esta manera, la Red de Seguridad ayuda a reducir los cánceres perdidos.

A diferencia de los humanos, el modelo no se cansa y entrega un rendimiento mejorado de manera continua, independiente de la hora del día. La inteligencia artificial puede objetivar los resultados de los radiólogos.

¿Podrías discutir los desafíos de detectar el cáncer de mama en casos de bordes, como implantes?

Nuestros modelos se han entrenado con un conjunto de datos del mundo real y diverso de todas las mujeres que asisten a la detección, incluyendo mujeres con implantes. No hemos encontrado que esos casos sean un desafío particular para Vara. Además, nuestro modelo no hace declaraciones sobre todos los casos. Si no está seguro sobre un caso específico, delega la decisión a los radiólogos, un enfoque que llamamos derivación de decisiones (ver arriba).

Vara también realiza una detección posterior de las mamografías, ¿qué se busca específicamente en este paso del proceso?

Vara muestra predicciones después de que el radiólogo ha formado una opinión (ver “Red de Seguridad” arriba para más detalles). Los radiólogos obtienen información crítica al comparar el desarrollo del tejido y las lesiones con el tiempo. De manera similar, aprovechar la información temporal mejorará aún más la precisión diagnóstica de los modelos de inteligencia artificial. No solo nuestra inteligencia artificial se ejecuta en el examen actual, sino que también busca signos de cáncer en exámenes anteriores, con la promesa de mejorar aún más el rendimiento de la detección.

¿Hay algo más que te gustaría compartir sobre Vara?

El enfoque de derivación de decisiones de la plataforma de inteligencia artificial de Vara ya se utiliza en el 30% de todas las unidades de detección en Alemania. Como parte de nuestra misión global, recientemente lanzamos unidades de detección en México y Grecia, en asociación con proveedores de atención médica en el terreno en esas regiones. Con dichos socios, estamos demostrando cómo podemos aprovechar la infraestructura de atención médica existente para permitirles saltar su configuración actual a un servicio de detección estandarizado y de última generación.

Nuestro equipo se ha duplicado a 30 y hemos nombrado a expertos globales en radiología, como la profesora Katja Pinker-Domenig, quien se convirtió en nuestra Asesora Médica Principal, así como a Stephan Dreier como Director de Ingresos. También tenemos colaboraciones con instituciones académicas renombradas en EE. UU. y Europa, como el Centro de Cáncer Memorial Sloan Kettering, la Universidad de Cambridge, el Instituto Karolinska y el Registro de Cáncer de Noruega.

El rendimiento de la inteligencia artificial de Vara muestra un gran potencial en términos de reproducibilidad y generalización. Un estudio retrospectivo grande está actualmente en prensa en el renombrado Lancet Digital Health, así como otra publicación importante de revisión por pares sobre la prevención de cáncer de intervalo en el European Journal of Radiology.

También acabamos de iniciar el primer estudio prospectivo de Alemania para mostrar el impacto de Vara en la rutina clínica. Todos estos logros nos están ayudando a lograr nuestra misión principal de hacer que la detección de cáncer de mama basada en datos sea accesible para todos.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Vara.