Tobias Rijken, Co-Fundador y CTO en Kheiron Medical Technologies – Serie de Entrevistas

Tobias Rijken es el Co-Fundador y CTO en Kheiron Medical Technologies, una empresa de imágenes médicas que utiliza tecnologías de aprendizaje automático avanzadas para desarrollar y proporcionar herramientas inteligentes para radiólogos, departamentos de radiología, centros de imágenes y hospitales para mejorar la eficiencia, la consistencia y la precisión de los informes de radiología.

Kheiron Medical Technologies se fundó con el único objetivo de ayudar a los radiólogos a detectar el cáncer de mama más temprano con software de aprendizaje automático.

¿Qué te atrajo inicialmente al aprendizaje automático?

Mi introducción informal al aprendizaje automático fue cuando comencé a aprender a programar cuando era un joven adolescente. Había este motor de juegos donde podías programar tus propios juegos. Quería jugar este juego, pero ¿con quién juego? Podría ser otro jugador, pero también podría ser un programa. ¿Cómo se construye un programa que aprende a jugar un juego? No era un AI moderno, era un AI basado en reglas. Lo derroté cada vez, así que no era un buen AI.

Cuando estudiaba para mi maestría en la Universidad College de Londres, entramos en una nueva era de AI moderno. DeepMind había sido adquirida, y estaba estudiando aprendizaje automático en el lugar donde DeepMind fue fundada. David Silver, uno de los científicos líderes de DeepMind, enseñaba un curso sobre aprendizaje por refuerzo. Como parte del curso, construí un agente para aprender a jugar un juego – una forma simplificada de blackjack. Cuando terminé el AI y jugué contra mi propia creación, ya no pude derrotarlo. Y eso fue una revelación real.

Mi introducción formal al aprendizaje automático vino en mi primer año de universidad. Estaba estudiando matemáticas y ciencias de la computación en la Universidad Colegio de Amsterdam. Al mismo tiempo, se establecieron cursos en línea abiertos masivos y pude unirme a cursos de AI de figuras líderes en el campo. El curso que tuvo el mayor impacto fue con Peter Norvig y Sebastian Thrun de Stanford, y pude estudiar AI con 100,000 personas al mismo tiempo.

Ahora, con Kheiron, lo que me gusta tanto del aprendizaje automático es la aplicación que tiene en el mundo real. La oportunidad que tiene para resolver problemas del mundo real. Eso es lo que realmente me emociona.

¿Puedes discutir la historia de la creación de Kheiron Medical?

Peter y yo nos conocimos en 2016 en el acelerador de startups Entrepreneur First. Nos conectamos de inmediato – probablemente debido a nuestros antecedentes similares. Ambos venimos de familias médicas – la madre de Peter es radióloga, yo crecí en una familia médica, rodeado de médicos, y ambos elegimos ir por la ruta de las ciencias.

Nuestros antecedentes nos dieron una visión clara de las luchas y desafíos que enfrentan los trabajadores de la salud y una comprensión de cómo el AI puede mejorar sus vidas, así como las vidas de los pacientes. Compartimos la creencia de que el AI, junto con los clínicos, cambiará la atención médica para mejor.

Hay un gran problema que resolver. Hay una escasez global de radiólogos. Muchas personas mueren de cáncer – más de 40,000 mujeres estadounidenses mueren cada año de cáncer de mama. Parte de la razón por la que tantas personas mueren de cáncer es que los médicos no tienen la información correcta para tomar las decisiones correctas. El AI puede ayudar con eso.

En primer lugar, Kheiron está aquí para ayudar al radiólogo para que el radiólogo pueda ayudar a los pacientes. Me motiva personalmente profundizar en el problema para entender sus complejidades. Todos trabajamos duro para entender realmente el trabajo de los radiólogos, los datos con los que trabajan a diario, su flujo de trabajo. Entonces podemos figurar cómo podemos desplegar el AI como parte de este flujo de trabajo.

Invertimos mucho en entender profundamente a los usuarios y los datos. Tenemos radiólogos en nuestro equipo que nos ayudan a integrar las necesidades del usuario en el proceso de diseño y desarrollo. Tenemos una iniciativa de participación del paciente que se compromete directamente con las mujeres para entender sus miedos y necesidades para la detección del cáncer de mama.

Muchas personas me preguntan sobre el nombre de nuestra empresa – Kheiron. Kheiron era un centauro sabio y gentil – una criatura que es parte hombre, parte caballo en la mitología griega – que entrenó a los héroes en medicina. Esta idea de dos mitades que se unen para formar algo más poderoso que las partes individuales es la inspiración para Kheiron – el AI y el clínico trabajando juntos para cambiar lo que es posible en el estándar de atención.

¿Puedes discutir las soluciones de detección del cáncer de mama que se ofrecen?

Estamos trabajando en varias soluciones de detección del cáncer de mama a lo largo de la ruta de detección del cáncer de mama.

Nuestro primer producto se llama Mia – que significa evaluación inteligente de mamografía. Mia se ha optimizado para realizar la misma tarea que el radiólogo – determinar si la mujer debe ser llamada para un examen más detallado o no.

El nivel de rendimiento que estamos logrando nos permite replantear el flujo de trabajo. Para las mujeres estadounidenses, esto es increíblemente significativo. Estados Unidos tiene lo que se llama un “flujo de trabajo de un solo lector”. Esto significa que cada mamografía es leída por un radiólogo. Sin embargo, el Reino Unido y Europa tienen un “flujo de trabajo de doble lector”, lo que significa que cada mamografía es leída por dos radiólogos. Muchos radiólogos estadounidenses consideran que la lectura doble es el “estándar de oro” porque es más probable que detecte cánceres de mama pequeños y tempranos.

Nuestros estudios clínicos demuestran que Mia es una opción segura y rentable como lector independiente o concurrente. Esto significa que en Estados Unidos, Mia se puede utilizar junto con el radiólogo para lograr el estándar de oro de un flujo de trabajo de doble lectura – con un solo lector humano. Como dije anteriormente, esta es realmente la forma en que vemos el poder del AI y el ser humano unidos para resolver grandes problemas.

El primer producto que estamos llevando al mercado estadounidense se llama Mia IQ, que se encuentra un paso antes en la ruta de detección del cáncer de mama. Mia IQ ayuda a los técnicos de radiografía a analizar la calidad de la imagen. Si podemos mejorar la calidad de la imagen, entonces la calidad de la lectura también mejorará. Y esto significa que más cánceres serán detectados antes, cuando los resultados pueden ser mejores para la mujer.

Esto es muy importante para las auditorías de aseguramiento de la calidad de MQSA y para la capacitación continua, que es donde esperamos ver las primeras aplicaciones de Mia IQ. Mia IQ proporciona programas de detección con informes que detallan los problemas de posición. Esto permitirá a los directores del programa proporcionar capacitación en el lugar para los técnicos y abordar cualquier problema de calidad de imagen que pueda afectar sus auditorías de aseguramiento de la calidad.

¿Cuántas imágenes ha sido entrenado el conjunto de redes neuronales?

Para nosotros, la cantidad de datos no es el punto. Lo bueno del espacio de detección del cáncer de mama es que hay mucha data disponible. Hay mucha data histórica porque los programas de detección han estado alrededor durante bastante tiempo. Y porque se examina a toda la población, se genera mucha nueva data.

El desafío es que la data está muy sesgada. El 99% de la población de detección no tiene cáncer, afortunadamente, lo que significa que hay un sesgo hacia las imágenes normales. También hay diferencias de población, con una falta de diversidad en la data.

Así que para Kheiron, el desafío no es obtener la cantidad de data. En cambio, una gran parte de nuestro éxito proviene de entender qué data recopilar para obtener los mejores resultados, y ser muy selectivos y dirigidos en dónde y cómo obtenemos nuestra data. Nuestra colaboración con la Universidad de Emory es un gran ejemplo de cómo estamos haciendo esto.

¿Los falsos positivos son actualmente un problema?

Los falsos positivos son solo parte del problema. La ciencia de la detección se basa en compromisos entre falsos positivos y falsos negativos. Por ejemplo, podemos lograr una tasa de falsos positivos muy baja, pero perderemos algunos cánceres. Por otro lado, podemos tener pocos cánceres perdidos si tenemos una tasa de falsos positivos alta. Es importante entender estos compromisos y equilibrar nuestro servicio de detección según las prioridades y los recursos.

Las diferencias culturales y de políticas también existen entre países, lo que influye en la forma en que se toman estos compromisos. En algunos países, perder un cáncer es considerado muy problemático. En otros países, se considera más importante minimizar las llamadas de retorno innecesarias debido al costo de la atención médica asociado con cada llamada de retorno.

En última instancia, se trata de entender cómo este compromiso afecta a los pacientes, en términos del número de llamadas de retorno innecesarias y pruebas adicionales experimentadas por el grupo de “falsos positivos” en comparación con el grupo de “falsos negativos” cuyos cánceres no son detectados. Es un acto de equilibrio difícil, pero el AI promete elevar el nivel para ambos grupos.

Kheiron Medical Technologies y la Universidad de Emory anunciaron recientemente una colaboración para evaluar data de mamografías anteriores de más de 50,000 mujeres afroamericanas que han sido examinadas en Emory Healthcare. ¿Puedes compartir más detalles sobre este proyecto?

Nuestra asociación con la Universidad de Emory amplía la diversidad de la data que estamos utilizando para garantizar que Mia, nuestra solución de detección del cáncer de mama con AI, funcione al mismo estándar para cualquier mujer, independientemente de su etnia.

El primer proyecto en la colaboración apoyará la validación del rendimiento de Mia en la población de detección diversa de Emory. Este es un estudio multi-sitio que abarca cuatro sitios de detección y hospitales. Una cohorte de más de 200,000 mamografías de detección se incluirá en este proyecto – aproximadamente el 45% de las mujeres en esa cohorte son de ascendencia afroamericana.

Anunciamos esta colaboración a finales de noviembre y hemos hecho un gran progreso desde entonces, incluso considerando los desafíos de operar bajo una pandemia global y condiciones de trabajo remoto. Creo que es un gran crédito para el equipo de Emory, que también son clínicos que brindan una excelente atención a los pacientes en la comunidad.

En este momento, nuestra colaboración está invirtiendo la energía inicial para establecer una base sólida para nuestro trabajo futuro. Estamos en una etapa en la que estamos trabajando en estrecha colaboración con el equipo de Emory para entender los flujos de trabajo clínicos. Esto sirve como la base necesaria para un análisis profundo y una investigación de las posibles diferencias entre subpoblaciones, como grupos étnicos.

Este trabajo no es fácil ni rápido. No muchas cosas en la atención médica lo son. Sin embargo, es muy gratificante, y somos afortunados de beneficiarnos de un conjunto de socios globales que son extremadamente colaborativos y están alineados con nosotros en nuestra misión compartida: ayudar a cualquier mujer en cualquier lugar a tener una mejor oportunidad de luchar contra el cáncer de mama.

¿Cuán grande es el problema de la subrepresentación de no blancos en la data de imágenes para el diagnóstico del cáncer?

Históricamente, la diversidad de las poblaciones de pacientes no se ha reflejado en la investigación médica en la medida en que debería ser. Aquellos de nosotros que desarrollamos el AI tenemos la responsabilidad de incluir la diversidad étnica en nuestros estudios.

Las poblaciones subrepresentadas son un problema para la detección del cáncer de mama. Los resultados para las mujeres afroamericanas son un ejemplo de esto. Las mujeres afroamericanas tienden a tener tasas de mortalidad más altas (39% más altas que las de los no hispanos blancos), y esto puede atribuirse al acceso a la atención médica, retrasos en el diagnóstico y retrasos en el inicio del tratamiento, entre otros factores.

La generalización del AI en diversas poblaciones es un paso clave para abordar las disparidades raciales en la detección del cáncer de mama. Estoy emocionado de que nuestro equipo de Kheiron esté comprometido a construir una solución que funcione igual de bien en mamografías de poblaciones racialmente diversas – y esta es una gran motivación para nuestro trabajo. Nuestra colaboración con Emory y UCSF nos ayudará a lograr esta visión de generalización – asegurándonos de que Mia dé a cada mujer, en todas partes, una mejor oportunidad de luchar contra el cáncer de mama.

Gracias por la gran entrevista y por trabajar en tecnologías de salvamento de vidas tan importantes. Los lectores que deseen aprender más pueden visitar Kheiron Medical Technologies.