Jonas Muff, Fondatore e Amministratore Delegato di Vara – Serie di Interviste

Jonas Muff è il Fondatore e Amministratore Delegato di Vara, una piattaforma di screening per il cancro al seno. Fondata in Germania, Vara opera in diversi paesi europei. Recentemente, hanno annunciato due importanti partnership quest’anno in Grecia e Messico, che renderanno la loro tecnologia disponibile a oltre 30 milioni di donne.

Cosa ti ha inizialmente attratto nel campo dell’intelligenza artificiale?

Essendo il figlio di un medico, ho sempre creduto che il potere e il potenziale della sanità risiedano nella prevenzione piuttosto che nella cura; mantenere le persone sane, piuttosto che curare solo i malati. L’intelligenza artificiale detiene la chiave per sbloccare questo cambiamento di paradigma e aiutare i moderni sistemi sanitari a fare passi da gigante nella diagnosi e nel trattamento delle malattie. La diagnostica basata sull’intelligenza artificiale ha il potenziale di essere più economica e meno dipendente dalle risorse della conoscenza esperta, di cui c’è una carenza globale. In questo modo, l’intelligenza artificiale potrebbe essere utilizzata per fornire una medicina di alta qualità nei paesi meno sviluppati, rendendo l’accesso alle cure mediche più equo e globale.

Puoi discutere la storia di genesi di Vara?

Vara è nata da Merantix, uno studio di venture a Berlino che mira a sbloccare il potenziale dell’intelligenza artificiale attraverso un approccio collaborativo. Merantix riunisce persone provenienti da diversi background, tutti con mentalità imprenditoriale, per affrontare problemi del mondo reale in modi innovativi. Abbiamo assemblato un team di esperti di apprendimento automatico, sviluppatori di software, designer di prodotti e radiologi, e abbiamo iniziato a ripensare il flusso di lavoro dello screening per il cancro al seno dall’inizio.

Quando si leggono le mammografie, un radiologo di screening sta effettivamente cercando un ago in un pagliaio. Mentre la stragrande maggioranza delle mammografie sarà considerata “normale” – cioè, non conterrà segni di cancro al seno – una piccola, ma significativa minoranza sarà sospetta e richiederà ulteriore analisi.

Ciò pone una grande pressione sul radiologo per assicurarsi di non perdere nessun ago, ma sono anche tenuti a trascorrere il 98% (o più) della loro vita lavorativa quotidiana a segnalare mammografie normali. È una combinazione che può portare a errori e in cui abbiamo creduto, fin dal primo giorno, che l’intelligenza artificiale possa aiutare a risolvere entrambi, compensando gli errori umani e rimuovendo il carico amministrativo. In questo modo, i radiologi possono dedicare ancora più attenzione alle anomalie.

Con questo obiettivo, abbiamo collaborato con alcuni dei principali radiologi di screening della Germania per costruire una piattaforma che standardizzi l’intero flusso di lavoro clinico e lo potenzi attraverso l’uso di strumenti avanzati di intelligenza artificiale, automazione e gestione dei dati. Invece di cercare di sostituire i radiologi, la piattaforma Vara mira a potenziarli, rendendo i processi più efficienti, più trasparenti e più efficaci.

Attraverso il nostro lavoro, abbiamo anche capito che, sebbene lo screening per il cancro al seno sia una cosa data nella maggior parte dei paesi europei, compresa la nostra patria, la Germania – che ha un orgoglioso retaggio di aver avviato un programma di screening basato sulla popolazione nel 2002 – la maggior parte dei paesi del mondo non offre screening alle donne. Crediamo che ogni donna abbia il diritto allo screening e quindi la nostra piattaforma è stata progettata per funzionare ovunque nel mondo. La nostra missione è rendere lo screening per il cancro al seno basato sui dati più accessibile a tutti.

Quanti set di addestramento sono stati utilizzati per addestrare i dati e includono questi set una vasta gamma di tipi di pelle?

I nostri modelli sono stati sviluppati sulla base di oltre 7 milioni di mammografie utilizzando dati dall’Europa, in prevalenza dalla Germania.

Le mammografie sono molto simili tra diverse popolazioni e etnie. Ciò che varia tra le popolazioni globali è la densità del seno (quantità di tessuto grasso nel seno), sottotipi di cancro patologico, nonché tipi e dimensioni di lesioni.

Quando valutiamo Vara, non consideriamo solo la prestazione media, ma guardiamo alla prestazione in ogni sottogruppo, ad esempio seni grassi vs. seni densi, o lesioni piccole vs. lesioni grandi. I nostri risultati mostrano che possiamo migliorare le metriche dei radiologi in tutti i sottogruppi rilevanti.

Ciò significa che, anche se le donne di altre popolazioni tendono ad avere seni più densi, ad esempio, Vara migliorerà comunque lo standard di cura. Abbiamo eseguito una valutazione locale per comprendere le prestazioni dell’AI in Messico, per assicurarci di migliorare effettivamente lo standard di cura. E continueremo a monitorare le prestazioni prospettiche di Vara in tempo reale e a mantenere un costante dialogo con i nostri partner di screening. Il nostro obiettivo è migliorare lo standard di cura in Messico, fornendo un flusso di lavoro di screening standardizzato, potenziato dall’AI.

Il sistema Vara utilizza 3 tipi di classificazioni per ogni mammografia, puoi discutere cosa sono e come aiutano a prevenire i falsi positivi?

Il percorso di riferimento della decisione è un processo di screening sviluppato da Vara, in cui l’algoritmo fa solo una dichiarazione per i casi in cui è confidente nelle previsioni accurate – lasciando gli altri casi all’esperienza umana.

L’obiettivo del percorso di riferimento della decisione è supportare il radiologo con l’AI per migliorare sia la sensibilità che la specificità, cioè ridurre i falsi negativi e i falsi positivi. Allo stesso tempo, l’AI non è perfetta e non può fare previsioni corrette al 100% per tutti i casi. Pertanto, l’obiettivo del percorso di riferimento della decisione è combinare l’esperienza umana dei radiologi con le capacità tecniche dell’AI di oggi, al fine di migliorare entrambi.

I tre tipi di classificazione sono quindi:

1. Triage normale: l’algoritmo seleziona un subset di casi che ritiene normali con alta confidenza e li etichetta automaticamente per il radiologo. L’obiettivo del triage normale è etichettare il maggior numero possibile di casi normali con minima classificazione errata.
2. Rete di sicurezza: per i casi in cui l’AI è molto confidente che le immagini siano sospette, offre una rete di sicurezza: se il radiologo classifica uno di quei casi come negativo, la rete di sicurezza si attiva e indica al radiologo una regione specifica nell’immagine che è sospetta per l’AI. Il radiologo può quindi riconsiderare la decisione, potenzialmente catturando un cancro che altrimenti sarebbe stato perso.
3. Casi non classificati: è importante notare che l’AI non fa una dichiarazione per tutti i casi. Ci sono casi che non sono classificati come normali (i meno sospetti) e per i quali non si attiva la rete di sicurezza (i più sospetti). Per quei casi, l’AI non è abbastanza confidente e la decisione dovrebbe essere presa dal radiologo.

Gli esseri umani, compresi i radiologi, spesso sperimentano pregiudizi cognitivi, come aiuta l’applicazione AI a risolvere questo problema?

Il nostro AI ha imparato dai dati di uno dei migliori sistemi di screening del mondo in Germania. Inoltre, durante l’addestramento, l’AI ha effettivamente accesso ai dati che i radiologi non hanno nella pratica clinica, ovvero i risultati della biopsia o il follow-up di due anni per ogni caso. Utilizzando dataset ampi e rappresentativi, evitiamo pregiudizi nei dati di addestramento.

Poi abbiamo sviluppato la Rete di sicurezza per ridurre eventuali pregiudizi nell’interazione tra esseri umani e AI. La Rete di sicurezza non mostra aree sospette al radiologo in anticipo. Invece, il radiologo segnala i suoi risultati con il visualizzatore Vara e, nel caso in cui l’AI non concorda con la valutazione del radiologo, Vara mostra la previsione localizzata. Ciò dà al radiologo l’opportunità di rivedere la sua relazione iniziale e adattarla. In questo modo, la Rete di sicurezza aiuta a ridurre i cancri persi.

A differenza degli esseri umani, il modello non si stanca e fornisce costantemente prestazioni migliorate, indipendentemente dall’ora del giorno. L’AI può quindi oggettivare i risultati dei radiologi.

Puoi discutere le sfide di rilevamento del cancro al seno quando si tratta di casi limite, come ad esempio impianti?

I nostri modelli sono stati addestrati su un dataset del mondo reale e diversificato di tutte le donne che partecipano allo screening, comprese le donne con impianti. Non abbiamo trovato quei casi particolarmente impegnativi per Vara. Inoltre, il nostro modello non fa dichiarazioni su tutti i casi. Se non è sicuro di un caso specifico, deferisce la decisione ai radiologi, un approccio che chiamiamo percorso di riferimento della decisione (vedi sopra).

Vara esegue anche uno screening post-mammografico, in questo passaggio del processo cosa si cerca specificamente?

Vara mostra le previsioni dopo che il radiologo ha espresso un parere (vedi “Rete di sicurezza” sopra per ulteriori dettagli). I radiologi ottengono informazioni critiche confrontando lo sviluppo del tessuto e delle lesioni nel tempo. Allo stesso modo, sfruttare le informazioni temporali migliorerà ulteriormente l’accuratezza diagnostica dei modelli AI. Il nostro AI non solo esegue l’esame attuale, ma controlla anche gli esami precedenti per segni di cancro – con la promessa di migliorare ulteriormente le prestazioni di screening.

C’è qualcos’altro che vorresti condividere su Vara?

L’approccio di percorso di riferimento della decisione della piattaforma AI di Vara è ora in uso nel 30% di tutte le unità di screening in Germania. Come parte della nostra missione globale, abbiamo recentemente lanciato unità di screening in Messico e Grecia, in partnership con fornitori di assistenza sanitaria sul campo in quelle regioni. Con tali partner, stiamo mostrando come possiamo sfruttare l’infrastruttura sanitaria esistente per consentire loro di saltare il loro attuale setup e arrivare a un servizio di screening standardizzato e all’avanguardia.

Il nostro team è raddoppiato a 30 e abbiamo nominato esperti globali in radiologia, come Professor Katja Pinker-Domenig, che è diventato il nostro Consulente Medico Principale, nonché Stephan Dreier come Direttore delle Entrate. Abbiamo anche collaborazioni con istituzioni accademiche di fama mondiale negli Stati Uniti e in Europa, come il Memorial Sloan Kettering Cancer Center, l’Università di Cambridge, Karolinska Institutet e il Registro dei Tumori della Norvegia.

Le prestazioni dell’AI di Vara stanno mostrando una grande promessa in termini di riproducibilità e generalizzazione. Uno studio retrospettivo di grandi dimensioni è attualmente in stampa sulla rivista Lancet Digital Health, nonché un’altra importante pubblicazione peer-review sulla prevenzione del cancro a intervallo sulla rivista European Journal of Radiology.

Abbiamo appena avviato il primo studio prospettico della Germania per mostrare l’impatto di Vara nella routine clinica. Tutti questi risultati ci stanno aiutando a raggiungere la nostra missione principale di rendere lo screening per il cancro al seno basato sui dati accessibile a tutti.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Vara.