Tobias Rijken, Co-Fondateur & CTO chez Kheiron Medical Technologies – Série d’entretiens

Tobias Rijken est le Co-Fondateur & CTO de Kheiron Medical Technologies, une entreprise d’imagerie médicale qui utilise des technologies d’apprentissage automatique avancées pour développer et fournir des outils intelligents pour les radiologues, les départements de radiologie, les centres d’imagerie et les hôpitaux pour améliorer l’efficacité, la cohérence et l’exactitude des rapports de radiologie.

Kheiron Medical Technologies a été fondée avec l’objectif unique d’aider les radiologues à détecter le cancer du sein plus tôt grâce à des logiciels d’apprentissage automatique.

Qu’est-ce qui vous a initialement attiré vers l’apprentissage automatique ?

Ma présentation informelle à l’apprentissage automatique a eu lieu lorsque j’ai commencé à apprendre la programmation lorsque j’étais un jeune adolescent. Il y avait ce moteur de jeu où vous pouviez programmer vos propres jeux. Je voulais jouer à ce jeu, mais contre qui pouvais-je jouer ? Cela pouvait être un autre joueur, mais cela pouvait également être un programme. Comment construire un programme qui apprend à jouer à un jeu ? Ce n’était pas un AI moderne, c’était un AI basé sur des règles. Je l’ai battu à chaque fois, donc ce n’était pas un bon AI.

Lorsque j’étudiais pour mon master à l’University College London, nous sommes entrés dans une nouvelle ère d’AI moderne. DeepMind venait d’être acquis, et j’étudiais l’apprentissage automatique à l’endroit où DeepMind a été fondé. David Silver, l’un des principaux scientifiques de DeepMind, enseignait un cours sur l’apprentissage par renforcement. Dans le cadre du cours, j’ai construit un agent pour apprendre à jouer à un jeu – une forme simplifiée de blackjack. Lorsque j’ai terminé l’AI et que j’ai joué contre ma propre création, je n’ai pas pu la battre. Et c’était une véritable révélation.

Ma présentation formelle à l’apprentissage automatique a eu lieu lors de ma première année d’université. J’étudiais les mathématiques et l’informatique à l’Amsterdam University College. En même temps, de nouveaux cours en ligne massifs ont été créés et je pouvais rejoindre des cours d’AI dispensés par des personnalités de premier plan dans le domaine. Le cours qui a eu le plus d’impact a été celui de Peter Norvig et Sebastian Thrun de Stanford, et j’ai pu étudier l’AI avec 100 000 personnes en même temps.

Aujourd’hui, avec Kheiron, ce que j’aime tant dans l’apprentissage automatique, c’est l’application qu’il a sur le monde réel. L’opportunité qu’il a de résoudre des problèmes du monde réel. C’est ce qui m’excite vraiment.

Pouvez-vous discuter de l’histoire de la création de Kheiron Medical ?

Peter et moi nous sommes rencontrés en 2016 à l’accélérateur Entrepreneur First au Royaume-Uni. Nous nous sommes connectés immédiatement – probablement en raison de nos antécédents similaires. Nous venons tous les deux de familles médicales – la mère de Peter est radiologue, j’ai grandi dans une famille médicale, entouré de médecins, et nous avons tous les deux choisi de suivre la voie STEM.

Nos antécédents nous ont donné une vision claire des difficultés et des défis auxquels sont confrontés les professionnels de la santé et une compréhension de la manière dont l’AI peut améliorer leur vie ainsi que celle des patients. Nous partageons la conviction que l’AI, associée aux cliniciens, changera la santé pour le mieux.

Il y a un grand problème à résoudre ici. Il y a une pénurie mondiale de radiologues. Beaucoup de personnes meurent du cancer – plus de 40 000 femmes américaines meurent chaque année du cancer du sein. Partie de la raison pour laquelle autant de personnes meurent du cancer est que les médecins n’ont pas les bonnes informations pour prendre les bonnes décisions. L’AI peut aider à cela.

Tout d’abord et avant tout, Kheiron est là pour aider le radiologue afin que le radiologue puisse aider les patients. Je me motive personnellement en creusant le problème pour en comprendre les complexités. Nous travaillons tous dur pour vraiment comprendre le travail des radiologues, les données avec lesquelles ils travaillent quotidiennement, leur flux de travail. Ensuite, nous pouvons déterminer comment nous pouvons déployer l’AI dans le cadre de ce flux de travail.

Nous investissons lourdement dans une compréhension approfondie des utilisateurs et des données. Nous avons des radiologues dans notre équipe qui nous aident à intégrer les besoins des utilisateurs dans le processus de conception et de développement. Nous avons une initiative d’implication des patients qui engage directement des femmes pour comprendre leurs peurs et leurs besoins en matière de dépistage du cancer du sein.

Beaucoup de personnes me demandent le nom de notre entreprise – Kheiron. Kheiron était un centaure sage et doux – une créature qui est à la fois homme et cheval dans la mythologie grecque – qui a formé les héros en médecine. Cette idée de deux moitiés qui forment quelque chose de plus puissant que les parties individuelles est l’inspiration pour Kheiron – l’AI et le clinicien travaillant ensemble pour changer ce qui est possible dans la norme de soins.

Pouvez-vous discuter des solutions de dépistage du cancer du sein proposées ?

Nous travaillons sur plusieurs solutions de dépistage du cancer du sein le long du parcours de dépistage du cancer du sein.

Notre premier produit s’appelle Mia – qui signifie évaluation intelligente de la mammographie. Mia a été optimisé pour effectuer la même tâche que le radiologue – à savoir, déterminer si la femme doit être rappelée pour un examen plus approfondi ou non.

Le niveau de performance que nous atteignons nous permet de repenser le flux de travail. Pour les femmes américaines, cela est incroyablement significatif. Les États-Unis ont ce qu’on appelle un “flux de travail à lecteur unique”. Cela signifie que chaque mammographie est lue par un radiologue. Cependant, le Royaume-Uni et l’Europe ont un “flux de travail à double lecteur”, ce qui signifie que chaque mammographie est lue par deux radiologues. Beaucoup de radiologues américains considèrent la double lecture comme la “norme d’or” car elle est plus susceptible de détecter les petits cancers du sein précoces.

Nos études cliniques prouvent que Mia est une option sûre et rentable en tant que lecteur indépendant ou concomitant. Cela signifie que, aux États-Unis, Mia peut être utilisé avec le radiologue pour atteindre la norme d’or d’un flux de travail à double lecteur – avec un seul lecteur humain. Comme je l’ai dit plus tôt, c’est vraiment ainsi que nous voyons le pouvoir de l’AI et de l’humain se réunir pour résoudre de grands problèmes.

Le premier produit que nous apportons sur le marché américain s’appelle Mia IQ, qui se situe un peu plus tôt dans le parcours de dépistage du cancer du sein. Mia IQ aide les techniciens de radiographie à analyser la qualité de l’image. Si nous pouvons améliorer la qualité de l’image, alors la qualité de la lecture augmentera également. Et cela signifie que plus de cancers seront détectés plus tôt, lorsque les résultats peuvent être meilleurs pour la femme.

Ceci est très important pour les audits de qualité MQSA et pour la formation continue, c’est là que nous attendons de voir les premières applications de Mia IQ. Mia IQ fournit des rapports de programme détaillant les problèmes de positionnement. Cela permettra aux directeurs de programme de fournir une formation ciblée pour les techniciens et de résoudre tout problème de qualité d’image qui pourrait affecter leurs audits de qualité.

Combien d’images le réseau neuronal a-t-il été formé ?

Pour nous, la quantité de données n’est pas le point. La bonne chose à propos de l’espace de dépistage du cancer du sein est qu’il y a beaucoup de données disponibles. Il y a beaucoup de données historiques parce que les programmes de dépistage ont existé pendant un certain temps. Et parce que vous dépistez une population entière, il y a beaucoup de nouvelles données générées.

Le défi est que les données sont fortement biaisées. 99 % de la population de dépistage n’a pas de cancer, heureusement, ce qui signifie qu’il y a un biais vers les images normales. Il y a également des différences de population, avec un manque de diversité dans les données.

Donc, pour Kheiron, le défi n’est pas d’obtenir la quantité de données. Au lieu de cela, une grande partie de notre succès vient de la compréhension de quelles données collecter pour obtenir les meilleurs résultats, et d’être très sélectif et ciblé dans la manière dont nous obtenons nos données. Notre collaboration avec l’Université Emory est un excellent exemple de la manière dont nous faisons cela.

Les faux positifs sont-ils actuellement un problème ?

Les faux positifs ne sont qu’une partie du problème. La science du dépistage repose sur des compromis entre les faux positifs et les faux négatifs. Par exemple, nous pouvons atteindre un taux de faux positifs très faible, mais nous manquerons certains cancers. D’un autre côté, nous pouvons avoir très peu de cancers manqués si nous avons un taux de faux positifs élevé. Il est important de comprendre ces compromis et d’équilibrer votre service de dépistage en fonction des priorités et des ressources.

Des différences culturelles et politiques existent également entre les pays, ce qui influence la manière dont ces compromis sont faits. Dans certains pays, manquer un cancer est considéré comme très problématique. Dans d’autres pays, il est considéré comme plus important de minimiser les rappels inutiles en raison du coût de soins de santé associé à chaque rappel.

En fin de compte, il s’agit de comprendre comment ce compromis affecte les patients, en termes de nombre de rappels inutiles et de tests supplémentaires subis par le groupe des “faux positifs” par rapport au groupe des “faux négatifs” dont les cancers ne sont pas détectés. C’est un acte d’équilibre difficile, mais l’AI promet d’améliorer les deux groupes.

Kheiron Medical Technologies et l’Université Emory ont récemment annoncé une collaboration pour évaluer les données de mammographies antérieures sur plus de 50 000 femmes afro-américaines qui ont été dépistées à Emory Healthcare. Pouvez-vous partager plus de détails sur ce projet ?

Notre partenariat avec l’Université Emory élargit la diversité des données que nous utilisons pour nous assurer que Mia, notre solution de dépistage du cancer du sein basée sur l’AI, fonctionne à la même norme pour toute femme, quelle que soit son origine ethnique.

Le premier projet de la collaboration soutiendra la validation des performances de Mia par rapport à la population de dépistage diversifiée d’Emory. Il s’agit d’une étude multisite couvrant quatre sites de dépistage et hôpitaux. Un cohort de plus de 200 000 mammographies de dépistage sera inclus dans ce projet – environ 45 % des femmes de ce cohort sont d’origine afro-américaine.

Nous avons annoncé cette collaboration à la fin du mois de novembre et avons fait de grands progrès depuis, même compte tenu des défis de fonctionnement sous une pandémie mondiale et des conditions de travail à distance. Je pense que c’est un grand crédit pour l’équipe d’Emory, qui sont également des cliniciens qui fournissent des soins de qualité aux patients de la communauté.

Actuellement, notre collaboration investit l’énergie initiale pour établir une base solide pour notre travail futur. Nous travaillons en étroite collaboration avec l’équipe d’Emory pour comprendre les flux de travail cliniques. Cela sert de base nécessaire pour une analyse approfondie et une interrogation des différences potentielles entre les sous-populations, comme les groupes ethniques.

Ce travail n’est pas facile ou rapide. Rien dans le domaine de la santé ne l’est. Cependant, c’est très gratifiant, et nous avons la chance de bénéficier d’un ensemble de partenaires mondiaux qui sont extrêmement collaboratifs et alignés avec nous sur notre mission partagée : aider toute femme, partout, à avoir une chance de lutter contre le cancer du sein.

Quelle est l’ampleur du problème de la sous-représentation des non-Blancs pour les données d’images pour le diagnostic du cancer ?

Historiquement, la diversité des populations de patients n’a pas été reflétée dans la recherche médicale dans la mesure où elle aurait dû l’être. Ceux d’entre nous qui développent l’AI ont la responsabilité d’inclure la diversité ethnique dans nos études.

Les populations sous-représentées sont un problème pour le dépistage du cancer du sein. Les résultats pour les femmes afro-américaines en sont un exemple. Les femmes afro-américaines ont tendance à avoir des taux de mortalité plus élevés (39 % plus élevés que les non-Hispaniques blancs), et cela peut être attribué à l’accès aux soins de santé, aux retards dans le diagnostic et aux retards dans l’initiation du traitement, entre autres facteurs.

La généralisabilité de l’AI à travers les différentes populations est une étape clé pour résoudre les disparités raciales dans le dépistage du cancer du sein. Je suis ravi que notre équipe Kheiron soit déterminée à construire une solution qui fonctionne également bien sur les mammographies de populations racialement diversifiées – et c’est un grand facteur de motivation pour notre travail. Notre collaboration avec Emory et UCSF nous aidera à atteindre cette vision de généralisabilité – en nous assurant que Mia donne à chaque femme, partout, une meilleure chance de lutter contre le cancer du sein.

Je vous remercie pour cette excellente interview et pour votre travail sur ces technologies de sauvegarde de vies si importantes. Les lecteurs qui souhaitent en savoir plus peuvent visiter Kheiron Medical Technologies.