Jonas Muff, Pendiri & CEO Vara – Seri Wawancara

Jonas Muff adalah Pendiri & CEO Vara, sebuah platform skrining kanker payudara. Didirikan di Jerman, Vara beroperasi di beberapa negara di Eropa. Mereka baru-baru ini mengumumkan dua kemitraan besar tahun ini di Yunani dan Meksiko, yang akan membuat teknologinya tersedia untuk lebih dari 30 juta wanita.

Apa yang awalnya menarik Anda ke bidang kecerdasan buatan?

Sebagai putra seorang dokter, saya selalu percaya bahwa kekuatan dan potensi kesehatan terletak pada pencegahan daripada hanya pengobatan; menjaga orang sehat tetap sehat, bukan hanya mengobati orang sakit. Kecerdasan buatan memegang kunci untuk tidak hanya membuka paradigma shift ini tetapi juga membantu sistem kesehatan modern untuk membuat lompatan kuantum dalam diagnosis dan pengobatan penyakit. Diagnostik yang ditenagai oleh kecerdasan buatan memiliki potensi untuk lebih murah dan kurang bergantung pada sumber pengetahuan ahli, yang ada kekurangan global. Dengan cara ini, kecerdasan buatan dapat digunakan untuk menyediakan obat yang berkualitas tinggi di negara yang kurang berkembang untuk membuat akses ke kesehatan yang adil dan lebih global.

Apakah Anda dapat membahas cerita genesis di balik Vara?

Vara lahir dari Merantix, sebuah studio ventura di Berlin yang bertujuan untuk membuka potensi kecerdasan buatan melalui pendekatan kolaboratif. Merantix mengumpulkan orang-orang dari latar belakang yang berbeda, semua dengan pola pikir kewirausahaan, untuk menangani masalah dunia nyata dengan cara inovatif. Kami mengumpulkan tim ahli pembelajaran mesin, pengembang perangkat lunak, desainer produk, dan radiolog, dan memulai untuk membayangkan alur kerja skrining kanker payudara dari bawah.

Ketika membaca mammogram, seorang radiolog skrining secara efektif mencari jarum di tumpukan jerami. Sementara sebagian besar mammogram akan dianggap ‘normal’ – yaitu, mereka tidak mengandung tanda-tanda kanker payudara – sebagian kecil, tetapi sangat signifikan, akan mencurigakan dan memerlukan analisis lebih lanjut.

Hal ini menempatkan tekanan besar pada radiolog untuk memastikan bahwa tidak ada jarum yang terlewatkan, tetapi mereka juga diharuskan menghabiskan 98% (atau lebih) dari waktu kerja sehari-hari mereka untuk melaporkan mammogram yang normal. Ini adalah kombinasi yang dapat menyebabkan kesalahan dan satu di mana kami telah percaya, dari hari pertama, bahwa kecerdasan buatan dapat membantu menyelesaikannya dengan mengkompensasi kesalahan manusia dan menghilangkan beban administratif. Dengan cara ini, radiolog dapat mengarahkan perhatian mereka lebih banyak untuk menemukan anomali.

Dengan ini dalam pikiran, kami bermitra dengan beberapa radiolog skrining terkemuka di Jerman untuk membangun platform yang memstandarisasi seluruh alur kerja klinis dan memperkuatnya melalui penggunaan kecerdasan buatan canggih, alat otomatisasi, dan alat manajemen data. Alih-alih mencoba menggantikan radiolog, platform Vara bertujuan untuk meningkatkan kemampuan mereka untuk membuat proses lebih efisien, lebih transparan, dan lebih efektif.

Melalui pekerjaan kami, kami juga menyadari bahwa meskipun skrining kanker payudara adalah hal yang diberikan di sebagian besar negara Eropa, termasuk negara asal kami Jerman – yang memiliki warisan yang bangga dengan memulai program skrining berbasis populasi pada tahun 2002 – sebagian besar negara di dunia tidak menawarkan skrining kepada wanita. Kami percaya bahwa setiap wanita memiliki hak untuk skrining dan oleh karena itu platform kami telah dirancang untuk bekerja di mana saja di dunia. Misi kami adalah membuat skrining kanker payudara yang berbasis data lebih mudah diakses oleh semua orang.

Berapa banyak set pelatihan yang telah digunakan untuk melatih data, dan apakah set-set ini termasuk berbagai jenis kulit?

Model kami telah dikembangkan berdasarkan lebih dari 7 juta mammogram menggunakan data dari Eropa, terutama Jerman.

Mammogram sangat mirip antara populasi dan etnis yang berbeda. Apa yang berbeda di seluruh populasi global adalah kepadatan payudara (jumlah jaringan lemak di payudara), subtipe kanker patologis, serta jenis lesi dan ukuran lesi.

Ketika mengevaluasi Vara, kami tidak hanya mempertimbangkan kinerja rata-rata, tetapi juga mempertimbangkan kinerja di setiap subgroup, yaitu payudara yang kurus vs. payudara yang padat, atau lesi kecil vs. lesi besar. Hasil kami menunjukkan bahwa kami dapat meningkatkan metrik radiolog di semua subgroup yang relevan.

Ini berarti bahwa bahkan jika wanita dari populasi lain cenderung memiliki payudara yang lebih padat, misalnya, Vara masih akan meningkatkan standar perawatan mereka. Kami melakukan evaluasi lokal untuk memahami kinerja AI di Meksiko untuk memastikan bahwa kami memang meningkatkan standar perawatan. Dan kami akan terus memantau kinerja prospektif Vara secara waktu nyata dan tetap dalam dialog konstan dengan mitra skrining kami. Tujuan kami adalah meningkatkan standar perawatan di Meksiko dengan menyediakan alur kerja skrining yang standar, ditenagai oleh kecerdasan buatan.

Vara menggunakan 3 jenis klasifikasi untuk setiap mammogram, apakah Anda dapat membahas apa saja itu dan bagaimana mereka membantu mencegah positif palsu?

Jalur rujukan keputusan adalah proses skrining yang dikembangkan oleh Vara di mana algoritma hanya membuat pernyataan untuk kasus ketika itu membuat prediksi yang akurat — sementara meninggalkan kasus lain untuk keahlian manusia.

Tujuan dari jalur rujukan keputusan adalah untuk mendukung radiolog dengan kecerdasan buatan untuk meningkatkan baik sensitivitas maupun spesifisitas, yaitu untuk mengurangi negatif palsu dan positif palsu. Pada saat yang sama, kecerdasan buatan tidak sempurna dan tidak dapat membuat prediksi yang 100% benar untuk semua kasus. Oleh karena itu, tujuan dari keputusan rujukan adalah untuk menggabungkan keahlian manusia radiolog dengan kemampuan teknis kecerdasan buatan saat ini dalam upaya untuk meningkatkan keduanya.

Tiga jenis klasifikasi adalah:

1. Triaging normal: Algoritma memilih subset kasus yang dianggap normal dengan kepercayaan tinggi dan secara otomatis melabeli kasus-kasus tersebut untuk radiolog. Tujuan dari triaging normal adalah untuk melabeli sebanyak mungkin kasus normal negatif dengan minimal mis klasifikasi.
2. Jaring pengaman: Untuk kasus di mana kecerdasan buatan sangat yakin bahwa gambar-gambar tersebut mencurigakan, itu menawarkan jaring pengaman: Jika radiolog mengklasifikasikan salah satu kasus tersebut sebagai negatif, jaring pengaman dipicu dan menunjuk radiolog ke wilayah tertentu di gambar yang mencurigakan bagi kecerdasan buatan. Radiolog kemudian dapat mempertimbangkan kembali keputusan, potensial menangkap kanker yang akan terlewatkan.
3. Kasus yang tidak terklasifikasi: Yang penting, kecerdasan buatan tidak membuat pernyataan untuk semua kasus. Ada kasus yang tidak terklasifikasi sebagai normal (kasus yang paling tidak mencurigakan), atau jaring pengaman diaktifkan (kasus yang paling mencurigakan). Untuk kasus-kasus tersebut, kecerdasan buatan tidak cukup percaya diri dan keahlian keputusan harus datang dari radiolog.

Sifat intrinsik dari keputusan rujukan adalah konfigurabilitasnya. Kami dapat mengkonfigurasi kecerdasan buatan sehingga 50% kasus terendah dilabeli normal, atau kami dapat mengkonfigurasi untuk melabeli 70% terendah sebagai normal. Demikian pula, jaring pengaman dapat diaktifkan untuk 1% kasus yang paling mencurigakan, atau alternatif untuk 2% kasus yang paling mencurigakan.

Manusia, termasuk radiolog, sering mengalami bias kognitif, bagaimana aplikasi kecerdasan buatan membantu menyelesaikan masalah ini?

Kecerdasan buatan kami telah belajar dari data dari salah satu sistem skrining terbaik di dunia di Jerman. Selain itu, selama pelatihan kecerdasan buatan sebenarnya memiliki akses ke data yang radiolog tidak miliki dalam praktek klinis. Yaitu, hasil biopsi atau dua tahun follow-up dari setiap kasus. Dengan menggunakan dataset yang luas dan representatif kami mencegah bias dalam data pelatihan.

Kami kemudian mengembangkan Jaring Pengaman untuk mengurangi bias potensial dalam interaksi antara manusia dan kecerdasan buatan. Jaring Pengaman tidak menunjukkan area yang mencurigakan kepada radiolog secara langsung. Sebaliknya, radiolog melaporkan temuan mereka dengan Vara viewer dan dalam kasus kecerdasan buatan tidak setuju dengan penilaian radiolog, Vara menunjukkan prediksi lokal. Ini memberi radiolog kesempatan untuk meninjau kembali laporan awal mereka dan menyesuaikannya. Dengan cara ini, Jaring Pengaman membantu mengurangi kanker yang terlewatkan.

Tidak seperti manusia, model tidak lelah, dan terus-menerus memberikan kinerja yang ditingkatkan, independen dari waktu hari. Kecerdasan buatan dapat oleh karena itu mengobjectifikasi hasil radiolog.

Apakah Anda dapat membahas tantangan dalam mendeteksi kanker payudara ketika datang ke kasus tepi seperti implan?

Model kami telah dilatih pada dataset dunia nyata yang beragam dari semua wanita yang hadir dalam skrining, termasuk wanita dengan implan. Kami tidak menemukan kasus-kasus tersebut sebagai tantangan khusus untuk Vara. Selain itu, model kami tidak membuat pernyataan tentang semua kasus. Jika itu tidak yakin tentang kasus tertentu, itu mengalihkan keputusan ke radiolog, pendekatan yang kami sebut keputusan rujukan (lihat di atas).

Vara juga melakukan skrining mammogram, dalam langkah proses ini apa yang dicari secara khusus?

Vara menunjukkan prediksi setelah radiolog telah membentuk pendapat (lihat “Jaring Pengaman” di atas untuk detail lebih lanjut). Radiolog mendapatkan wawasan kritis dengan membandingkan perkembangan jaringan dan lesi dari waktu ke waktu. Demikian pula, memanfaatkan informasi temporal akan lebih meningkatkan akurasi diagnostik model kecerdasan buatan. Tidak hanya kecerdasan buatan kami berjalan pada pemeriksaan saat ini, tetapi juga memeriksa pemeriksaan sebelumnya untuk tanda-tanda kanker — dengan janji untuk lebih meningkatkan kinerja skrining.

Apakah ada yang lain yang Anda ingin bagikan tentang Vara?

Platform Vara yang menggunakan pendekatan keputusan rujukan saat ini digunakan di 30% dari semua unit skrining di Jerman. Sebagai bagian dari misi global kami, kami baru-baru ini meluncurkan unit skrining di Meksiko dan Yunani, dalam kemitraan dengan penyedia layanan kesehatan di lapangan di wilayah tersebut. Dengan mitra seperti itu, kami menunjukkan bagaimana kami dapat memanfaatkan infrastruktur kesehatan yang ada untuk memungkinkan mereka melompat ke layanan skrining yang standar dan canggih.

Tim kami telah berkembang menjadi 30 dan kami telah menunjuk ahli global dalam radiologi, seperti Professor Katja Pinker-Domenig, yang menjadi Penasihat Medis Utama kami, serta Stephan Dreier sebagai Chief Revenue Officer. Kami juga memiliki kolaborasi dengan lembaga akademis terkenal di AS dan Eropa, seperti Memorial Sloan Kettering Cancer Center, University of Cambridge, Karolinska Institutet dan Cancer Registry of Norway.

Kinerja Vara menunjukkan janji besar dalam hal reproduktivitas dan generalisasi. Sebuah studi retrospektif besar saat ini sedang diproses di Lancet Digital Health yang terkenal di dunia, serta publikasi peer-review lainnya tentang pencegahan kanker interval di European Journal of Radiology.

Kami juga baru saja memulai studinya prospektif pertama di Jerman untuk menunjukkan dampak Vara dalam rutinitas klinis. Semua pencapaian ini membantu kami mencapai misi utama kami untuk membuat skrining kanker payudara yang berbasis data lebih mudah diakses oleh semua orang.

Terima kasih atas wawancara yang baik, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Vara.