Jonas Muff, Fondateur & PDG de Vara – Série d’entretiens

Jonas Muff est le fondateur et PDG de Vara, une plateforme de dépistage du cancer du sein. Fondée en Allemagne, Vara opère dans plusieurs pays d’Europe. Ils ont récemment annoncé deux partenariats majeurs cette année en Grèce et au Mexique, qui rendront leur technologie accessible à plus de 30 millions de femmes.

Qu’est-ce qui vous a initialement attiré dans le domaine de l’intelligence artificielle ?

En tant que fils de médecin, j’ai toujours cru que le pouvoir et le potentiel de la santé résident dans la prévention plutôt que dans le traitement ; garder les personnes en bonne santé, plutôt que de simplement traiter les malades. L’intelligence artificielle détient la clé pour débloquer ce changement de paradigme et pour aider les systèmes de santé modernes à faire des bonds quantiques dans le diagnostic et le traitement des maladies. Les diagnostics basés sur l’IA peuvent être moins chers et moins dépendants des ressources de connaissances expertes, dont il y a une pénurie mondiale. De cette façon, l’IA pourrait potentiellement être utilisée pour fournir une médecine de haute qualité dans les pays moins développés pour rendre l’accès aux soins de santé plus équitable et plus global.

Pouvez-vous discuter de l’histoire de la création de Vara ?

Vara est née de Merantix, un studio de venture à Berlin visant à débloquer le potentiel de l’IA grâce à une approche collaborative. Merantix rassemble des personnes de différents horizons, toutes avec des mentalités entrepreneuriales, pour résoudre des problèmes du monde réel de manière innovante. Nous avons constitué une équipe d’experts en apprentissage automatique, de développeurs de logiciels, de concepteurs de produits et de radiologues, et nous nous sommes lancés pour réimaginer le flux de travail de dépistage du cancer du sein de fond en comble.

Lors de la lecture des mammographies, un radiologue de dépistage regarde essentiellement un aiguille dans une botte de foin. Alors que la grande majorité des mammographies seront considérées comme « normales » – c’est-à-dire qu’elles ne contiendront aucun signe de cancer du sein – une petite, mais tout à fait significative minorité sera suspecte et nécessitera une analyse plus approfondie.

Cela met une énorme pression sur le radiologue pour s’assurer que les aiguilles ne sont pas manquées, mais ils sont également tenus de passer 98 % (ou plus) de leur vie professionnelle à signaler des mammographies normales. C’est une combinaison qui peut conduire à des erreurs et dans laquelle nous avons cru, dès le premier jour, que l’IA peut aider à résoudre les deux en compensant les erreurs humaines et en supprimant la charge administrative. De cette façon, les radiologues peuvent consacrer encore plus d’attention à la recherche d’anomalies.

Avec cela en tête, nous avons collaboré avec certains des principaux radiologues de dépistage d’Allemagne pour construire une plateforme qui normalise l’ensemble du flux de travail clinique et l’améliore grâce à l’utilisation d’outils d’IA, d’automatisation et de gestion de données avancés. Au lieu d’essayer de remplacer les radiologues, la plateforme Vara vise à les turbocharger pour rendre les processus plus efficaces, plus transparents et plus efficaces.

Grâce à notre travail, nous avons également réalisé que même si le dépistage du cancer du sein est acquis dans la plupart des pays européens, y compris notre pays d’origine, l’Allemagne – qui a un héritage fier de lancement d’un programme de dépistage basé sur la population en 2002 – la plupart des pays du monde n’offrent pas de dépistage aux femmes. Nous croyons que chaque femme a le droit de bénéficier d’un dépistage et que notre plateforme a donc été conçue pour fonctionner partout dans le monde. Notre mission est de rendre le dépistage du cancer du sein basé sur les données plus accessible à tous.

Combien d’ensembles de formation ont été utilisés pour former les données, et ces ensembles comprennent-ils une grande variété de types de peau ?

Nos modèles ont été développés à partir de plus de 7 millions de mammographies à l’aide de données d’Europe, principalement d’Allemagne.

Les mammographies sont très similaires entre les différentes populations et ethnies. Ce qui varie à travers les populations mondiales, c’est la densité mammaire (quantité de tissu graisseux dans le sein), les sous-types de cancer pathologiques, ainsi que les types et les tailles de lésions.

Lors de l’évaluation de Vara, nous n’avons pas seulement considéré la performance moyenne, mais nous avons également examiné les performances dans chaque sous-groupe, c’est-à-dire les seins gras par rapport aux seins denses, ou les petites lésions par rapport aux grandes lésions. Nos résultats montrent que nous pouvons améliorer les métriques des radiologues dans tous les sous-groupes pertinents.

Cela signifie que même si les femmes d’autres populations ont tendance à avoir plus de seins denses, par exemple, Vara améliorera toujours leur norme de soins. Nous avons effectué une évaluation locale pour comprendre les performances de l’IA au Mexique pour nous assurer que nous améliorons effectivement la norme de soins. Et nous allons continuer à surveiller les performances prospectives de Vara en temps réel et à maintenir un dialogue constant avec nos partenaires de dépistage. Notre objectif est d’améliorer la norme de soins au Mexique en fournissant un flux de travail de dépistage standardisé alimenté par l’IA.

Le système Vara utilise 3 types de classifications pour chaque mammographie, pouvez-vous discuter de ce qu’ils sont et de la façon dont ils aident à prévenir les faux positifs ?

Le chemin de référence de décision est un processus de dépistage développé par Vara dans lequel l’algorithme ne fait une déclaration que pour les cas où il fait des prédictions précises avec confiance — tout en laissant les autres cas à l’expertise humaine.

L’objectif du chemin de référence de décision est de soutenir le radiologue avec l’IA pour améliorer à la fois la sensibilité et la spécificité, c’est-à-dire réduire les faux négatifs et les faux positifs. Dans le même temps, l’IA n’est pas parfaite et ne peut pas faire des prédictions à 100 % correctes pour tous les cas. L’objectif du chemin de référence de décision est donc de combiner l’expertise humaine des radiologues avec les capacités techniques de l’IA d’aujourd’hui pour améliorer les deux.

Les trois types de classification sont alors :

1. Tri normal : L’algorithme sélectionne un sous-ensemble de cas qu’il juge normaux avec une grande confiance et les étiquette automatiquement pour le radiologue. L’objectif du tri normal est d’étiqueter le plus grand nombre possible de cas normaux négatifs, avec une faible erreur de classification.
2. Filet de sécurité : Pour les cas où l’IA est très confiante que les images sont suspectes, elle offre un filet de sécurité : si le radiologue classe l’un de ces cas comme négatif, le filet de sécurité se déclenche et attire l’attention du radiologue sur une région spécifique de l’image qui est suspecte pour l’IA. Le radiologue peut alors réexaminer la décision, potentiellement détectant un cancer qui aurait autrement été manqué.
3. Cas non classés : Il est important de noter que l’IA ne fait pas de déclaration pour tous les cas. Il y a des cas qui ne sont ni classés comme normaux (les cas les moins suspects), ni le filet de sécurité n’est activé (les cas les plus suspects). Pour ces cas, l’IA n’est pas suffisamment confiante et l’expertise de décision doit provenir du radiologue.

Une propriété intrinsèque du chemin de référence de décision est sa configurabilité. Nous pouvons configurer l’IA pour qu’elle étiquette les 50 % des cas les moins suspects comme normaux, ou nous pouvons la configurer pour étiqueter les 70 % des cas les moins suspects comme normaux. De même, le filet de sécurité peut être activé pour les 1 % des cas les plus suspects, ou alternativement pour les 2 % des cas les plus suspects.

Les humains, y compris les radiologues, connaissent souvent des biais cognitifs, comment l’application de l’IA aide-t-elle à résoudre ce problème ?

Notre IA a appris à partir de données provenant de l’un des meilleurs systèmes de dépistage du monde en Allemagne. De plus, lors de la formation, l’IA a accès à des données que les radiologues n’ont pas en pratique clinique. C’est-à-dire les résultats de biopsie ou le suivi de deux ans de chaque cas. En utilisant des ensembles de données larges et représentatifs, nous empêchons les biais dans les données de formation.

Nous avons ensuite développé le Filet de sécurité pour réduire tout biais potentiel dans l’interaction entre les humains et l’IA. Le Filet de sécurité ne montre pas les zones suspectes au radiologue dès le départ. Au lieu de cela, le radiologue signale ses constatations avec le visualiseur Vara et, dans le cas où l’IA est en désaccord avec l’évaluation du radiologue, Vara montre la prédiction localisée. Cela donne au radiologue la possibilité d’examiner à nouveau son rapport initial et de l’adapter. De cette façon, le Filet de sécurité aide à réduire les cancers manqués.

Contrairement aux humains, le modèle ne se fatigue pas et offre en permanence des performances améliorées, indépendamment de l’heure de la journée. L’IA peut donc objectiver les résultats des radiologues.

Pouvez-vous discuter des défis de la détection du cancer du sein lorsqu’il s’agit de cas limites possibles tels que les implants ?

Nos modèles ont été formés sur un ensemble de données du monde réel et diversifié de toutes les femmes participant au dépistage, y compris les femmes ayant des implants. Nous n’avons pas trouvé que ces cas soient un défi particulier pour Vara. De plus, notre modèle ne fait pas de déclarations pour tous les cas. S’il est incertain sur un cas spécifique, il renvoie la décision aux radiologues, une approche que nous appelons référence de décision (voir ci-dessus).

Vara effectue également un dépistage post-mammographie, à cette étape du processus, qu’est-ce qui est spécifiquement recherché ?

Vara montre des prédictions après que le radiologue ait formé une opinion (voir « Filet de sécurité » ci-dessus pour plus de détails). Les radiologues obtiennent des informations essentielles en comparant le développement des tissus et des lésions dans le temps. De même, l’utilisation d’informations temporelles améliorera encore l’exactitude diagnostique des modèles d’IA. Non seulement notre IA s’exécute-t-elle sur l’examen actuel, mais elle vérifie également les examens précédents à la recherche de signes de cancer — avec la promesse d’améliorer encore les performances de dépistage.

Y a-t-il autre chose que vous aimeriez partager sur Vara ?

La plateforme d’IA Vara utilise l’approche de référence de décision qui est désormais utilisée dans 30 % de toutes les unités de dépistage en Allemagne. Dans le cadre de notre mission mondiale, nous avons récemment lancé des unités de dépistage au Mexique et en Grèce, en partenariat avec des fournisseurs de soins de santé sur place dans ces régions. Avec de tels partenaires, nous montrons comment nous pouvons utiliser les infrastructures de soins de santé existantes pour leur permettre de faire un bond en avant par rapport à leur configuration actuelle vers un service de dépistage standardisé de pointe.

Notre équipe a doublé pour atteindre 30 personnes et nous avons nommé des experts mondiaux en radiologie, tels que le professeur Katja Pinker-Domenig, qui est devenu notre conseiller médical principal, ainsi que Stephan Dreier en tant que directeur des revenus. Nous avons également des collaborations avec des institutions universitaires de renom aux États-Unis et en Europe, telles que le Memorial Sloan Kettering Cancer Center, l’Université de Cambridge, Karolinska Institutet et le Registre du cancer de Norvège.

Les performances de l’IA Vara montrent une promesse immense en termes de reproductibilité et de généralisation. Une grande étude rétrospective est actuellement en presse dans le prestigieux Lancet Digital Health, ainsi qu’une autre publication importante sur la prévention du cancer d’intervalle au Journal européen de radiologie.

Nous venons de lancer la première étude prospective en Allemagne pour montrer l’impact de Vara dans la routine clinique. Tous ces accomplissements nous aident à atteindre notre mission principale de rendre le dépistage du cancer du sein basé sur les données accessible à tous.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus doivent visiter Vara.