Chaim Linhart, PhD, medeoprichter en CTO van Ibex Medical Analytics – Interviewreeks

Chaim Linhart, PhD is de CTO en medeoprichter van Ibex Medical Analytics. Hij heeft meer dan 25 jaar ervaring in algoritme-ontwikkeling, AI en machine learning uit de academische wereld en uit zijn diensttijd in een elite-eenheid van het Israëlische leger en bij verschillende technologiebedrijven. Chaim heeft een PhD in Computer Science van de Tel Aviv University en heeft meerdere Kaggle-machine learning-wedstrijden gewonnen.

Sinds 2016 leidt Ibex de weg in AI-gestuurde diagnostiek voor pathologie. Het bedrijf streefde ernaar om de pathologie te transformeren door ervoor te zorgen dat elke patiënt een nauwkeurige, tijdige en gepersonaliseerde kankerdiagnose kan krijgen. Vandaag is Ibex het meest uitgebreid geïmplementeerde kunstmatige intelligentieplatform in de pathologie. Ontwikkeld door pathologen voor pathologen, zijn hun oplossingen bedoeld voor de wereldberoemde artsen, gezondheidsorganisaties en diagnostische aanbieders. Elke dag heeft Ibex het voorrecht om het leven van patiënten over de hele wereld te beïnvloeden. Het platform verhoogt de vertrouwen van artsen, stroomlijnt diagnostische workflows, helpt klinici om meer gepersonaliseerde diagnoses te verstrekken en, het belangrijkste, maakt betere klinische resultaten mogelijk.

Kunt u de reis en visie achter de oprichting van Ibex en de missie om kankerdiagnostiek met AI te transformeren delen?

In 2016 leerden mijn medeoprichter, Joseph Mossel, en ik over de directe impact die een digitale revolutie in de pathologie kon hebben op de verbetering van kankerdiagnostiek. Radiologie was 20 jaar eerder een soortgelijke transformatie ondergaan, die een opvallende invloed had op de manier waarop het specialisme werd beoefend. Met de digitalisering van de pathologie erkenden we dat dit een kans bood om nieuwe geavanceerde tools te ontwikkelen die kunstmatige intelligentie (AI) gebruiken voor geavanceerde beeldanalyse. We hebben ons gericht op het ontwikkelen van AI-gestuurde tools die artsen helpen bij het bereiken van meer nauwkeurige, objectieve, reproduceerbare diagnoses, en zo elke patiënt de juiste diagnose te geven, op tijd, wat leidt tot de beste mogelijke behandeling.

Hoe is het landschap van kankerdiagnostiek veranderd sinds de oprichting van Ibex in 2016?

Laboratoria hebben digitale technologieën met een toenemend tempo geadopteerd, nog verder versneld door Covid-19. De digitale revolutie heeft het mogelijk gemaakt voor laboratoria om hun capaciteiten uit te breiden voorbij de microscoop op een impactvolle en zinvolle manier, door AI te gebruiken die pathologen helpt om resultaten efficiënt te analyseren en te begrijpen.

Het veld van AI-gestuurde kankerdiagnostiek is exponentieel gegroeid, aangezien we startups en andere bedrijven zien die werken aan verschillende aspecten van AI voor pathologie in de kankerdiagnose. Precisiegeneeskunde, bijvoorbeeld, is data-gedreven patiëntstratificatie die mogelijk wordt gemaakt door een nauwkeurige diagnose en verschillende informatica-benaderingen die leiden tot optimale, gepersonaliseerde behandeling. Een toename van precisiegeneeskunde gaat gepaard met een verhoogde behoefte aan complexe diagnostiek om de nieuwe gerichte behandelingen te ondersteunen.

We hebben ook een toename gezien in academische publicaties en industrie-associaties die zich richten op het veld. Toen Joseph en ik onze eerste conferentie over digitale en computationele pathologie in 2016 bijwoonden, was AI een klein deel van het gesprek over kankerdiagnose, omdat het niet zo mainstream was. Nu, wanneer we een grote pathologieconferentie bijwonen, is AI het hoofdevenement.

Wat onderscheidt Ibex van andere bedrijven in het veld van AI-gestuurde pathologie?

Wanneer we het hebben over AI-gestuurde pathologie, zijn er verschillende subdomeinen. Er zijn bedrijven die prioriteit geven aan onderzoeksapplicaties, zoals tools die weefselbeelden analyseren om ziekteprocessen op morfologisch en cellulair niveau te begrijpen, bijvoorbeeld. Ten tweede zijn er bedrijven die zich richten op klinische applicaties, dat wil zeggen producten die in laboratoria worden gebruikt om routine-diagnose te ondersteunen.

Ibex richt zich op klinische applicaties en heeft de grootste en meest uitgebreide installatiebasis met pathologen over de hele wereld die onze tools dagelijks gebruiken voor kankerdiagnose. We werken ook samen met farmaceutische bedrijven om AI-gestuurde klinische applicaties te ontwikkelen die pathologen helpen bij het kwantificeren van biomarkers die gerichte therapieën mogelijk maken.

Bovendien, terwijl sommige bedrijven zich richten op specifieke, beperkte indicaties per tumortype, zoals kankerdetectie, is onze aanpak om de AI te trainen om alles te analyseren wat een patholoog in deze weefsels zou zien. Het gaat niet alleen om kankerdetectie, maar ook om het type en subtype van kanker, de graad, de grootte, evenals kanker-gerelateerde morfologieën en andere klinische kenmerken. We weten dat pathologie meer is dan alleen bepalen of de patiënt kanker heeft of niet. We willen helpen om pathologen te laten zien wat de voordelen van AI zijn.

Kunt u de kern technologie achter Ibex-oplossingen uitleggen en hoe deze pathologen helpen bij kankerdetectie en -gradering?

Onze aanpak is dat pathologen de machine trainen. We hebben een groot team van pathologen over de hele wereld die dia’s annoteren. Dit betekent dat ze specifieke gebieden binnen die dia’s markeren en labelen. Ze kunnen een laaggradige tumor markeren, een bloedvat, een zenuw, ontsteking, enz. We nemen die gegevens en gebruiken ze om de AI-modellen te trainen. Dit zorgt ervoor dat de AI zeer nauwkeurig is, zelfs voor zeldzame en moeilijke gevallen, wat vitally belangrijk is. Onze AI wordt getraind door pathologen en is getraind om veel verschillende soorten structuren en morfologieën van weefsel te identificeren, wat zeer nuttig is voor pathologen en uiteindelijk de nauwkeurigheid verhoogt. Door toegang te hebben tot een breed scala aan gegevens en kennis, kunnen we onze AI verbeteren en inzichten implementeren met de feedback die we rechtstreeks in het veld krijgen.

Hoe zorgt Ibex voor klinisch-grade nauwkeurigheid bij verschillende soorten kanker, zoals borst-, prostaat- en maagkanker?

Dit vereist veel harde werk. We verzamelen gegevens van veel partners over de hele wereld. We zorgen ervoor dat de gegevens zeer divers zijn, met vertegenwoordiging van verschillende laboratoria en verschillende weefselvoorbereidingsmethoden, scanners en klinische bevindingen. We verrijken de trainingsgegevens met zeldzame soorten kanker. Dit zorgt ervoor dat de AI wordt getraind met een breed scala aan kenmerken. Tijdens het trainingsproces meten we wat de AI goed doet en we bepalen waar verbeteringen nodig zijn. Het team, met uitgebreide ervaring in machine learning, test de AI op duizenden dia’s die we hebben verzameld van verschillende laboratoria. We voeren studies en klinische trials uit en vergelijken twee fundamentele aspecten van het systeem. Ten eerste beoordelen we de prestaties van de AI alleen. Ten tweede bepalen we hoe nauwkeurig de patholoog werkt met en zonder AI. Op deze manier zorgen we ervoor dat de AI nauwkeurig, robuust, onbevooroordeeld en veilig is. We meten de impact op de pathologen die de AI gebruiken. Over alle applicaties heen zien we dat de patholoog, met de ondersteuning van AI, betere resultaten bereikt (wat betekent meer nauwkeurig, hogere overeenstemming met de grondwaarheid) dan in de standaard zorg (d.w.z. wanneer ze niet worden ondersteund door AI). We meten ook de efficiëntie van hun werk en andere belangrijke voordelen van het AI-platform, zoals het optimaliseren van de workflow in het laboratorium en het verlagen van de doorlooptijd (hoe snel de patiënt de resultaten krijgt).

Wat zijn enkele unieke kenmerken van Ibex-oplossingen die diagnostische workflows verbeteren en patiëntresultaten verbeteren?

Ons geïntegreerde systeem omvat een dia-weergave, de AI-resultaten en ingebouwde rapportagetools. Dit holistische systeem is ontworpen om de nauwkeurigheid en productiviteit te verbeteren. Het leidt pathologen door het diagnostische proces, waarbij ze de belangrijkste bevindingen in elke zaak en dia zien. In plaats van kenmerken te zoeken, die klein en moeilijk te detecteren kunnen zijn, markeert de AI alles duidelijk. Vanaf daar kan de patholoog bevestigen of wijzigen. De AI toont metingen en kwantificeringen; het scoort ook alles. Met ingebouwde rapporten hoeft de patholoog niet naar de dia te kijken, de diagnose in zijn hoofd te maken en vervolgens naar een ander systeem te gaan en alles te rapporteren; in plaats daarvan wordt rapportage gedaan terwijl de AI de geïntegreerde workflow aandrijft. Zelfs het aantal muisklikken is geoptimaliseerd. Alles is gebouwd met pathologen in gedachten om diagnostische nauwkeurigheid en efficiëntie te verbeteren, waardoor een betere werkomgeving wordt gecreëerd voor deze artsen met betere resultaten voor hun patiënten.

Hoe integreren Ibex-oplossingen met bestaande digitale pathologie software-oplossingen en laboratoriuminformatiesystemen?

We werken met verschillende leveranciers in het veld die beeldbeheersoplossingen verkopen of laboratoriuminformatiesystemen aanbieden. Voor elke partner zijn er verschillende integratiekansen. In sommige gevallen integreren we onze AI in hun tools, zodat de patholoog hun platform kan gebruiken met onze AI erin. In andere gevallen integreren we met deze tools op een manier die het pathologen mogelijk maakt om Ibex vanuit het andere systeem te starten. Ongeacht de integratie, we willen altijd ervoor zorgen dat de gebruikers de meest optimale manier hebben om de AI te gebruiken. Bovendien hebben we een open applicatieprogramma-interface (API) ontwikkeld die het andere bedrijven, waaronder andere bedrijven of de IT-afdelingen van klanten, mogelijk maakt om informatie uit onze AI op te halen en te integreren in hun omgeving.

Welke uitdagingen heeft Ibex ondervonden bij het bereiken van een brede adoptie van AI-gestuurde oplossingen in de pathologie?

Bij nader inzien zou ik zeggen dat de belangrijkste uitdaging die Ibex heeft ondervonden, te maken had met de enorme complexiteit en de hoeveelheid werk, inspanning en tijd die nodig was om diagnostische producten op de markt te brengen. Dit omvat multidisciplinaire benaderingen: gegevens verzamelen, werken met pathologen, AI trainen en testen, klinische trials uitvoeren en, in sommige geografische gebieden, regelgevende goedkeuring verkrijgen – en al dit doen onder strikte kwaliteitsborgingsmaatregelen. In het medische veld is het ook extreem belangrijk om wetenschappelijk bewijs te genereren en resultaten te publiceren met meerdere laboratoria om de prestaties en voordelen van het AI-platform te demonstreren.

Een andere opvallende uitdaging is integratie. We moeten ervoor zorgen dat pathologen de AI op een efficiënte en natuurlijke manier kunnen gebruiken. Er zijn meerdere systemen in het laboratorium: digitale pathologie-scanners, het laboratoriuminformatiesysteem en workflow, en rapportagetools. Kortom, we zorgen ervoor dat alles op de meest efficiënte manier samenkomt, ondanks de uitdagingen.

Kunt u enkele succesverhalen of casestudy’s delen van gezondheidsorganisaties die Ibex-oplossingen hebben geïmplementeerd?

We zijn erg trots op onze partnerschappen en wereldwijde bereik. Bijvoorbeeld, we hebben de eerste landelijke implementatie van AI in Wales – alle gezondheidsraden in Wales gebruiken Ibex’s AI-oplossing. Een ander voorbeeld is CorePlus Laboratories in Puerto Rico – ze hebben Ibex gebruikt voor verschillende jaren en hebben een paper gepubliceerd, dat de impact van het platform op hun klinische praktijk laat zien. Als voorbeeld, met behulp van de AI-algoritme, konden de pathologen 160 mannen identificeren die anders verkeerd zouden zijn gediagnosticeerd. Deze patiënten kregen de juiste behandeling dankzij de ondersteuning van AI. Dat is echt de impact die we maken. Het is iets dat we niet kunnen vergeten – we zijn hier om het leven van mensen te beïnvloeden.

Wat is de rol die u ziet voor AI in de toekomst van de pathologie en kankerdiagnostiek in de komende tien jaar?

Gedurende de komende tien jaar zullen we blijven zien dat pathologen AI gebruiken om hen te ondersteunen in hun primaire diagnostische inspanningen. Ik voorzie dat pathologen AI zullen gebruiken voor de meeste van hun werklast om ervoor te zorgen dat de kwaliteit hoog is en alles objectief, reproduceerbaar en tijdig is. Bovendien zal AI artsen helpen om dingen te doen die ze nu niet doen. Het kan artsen helpen om te beslissen welke aanvullende tests moeten worden uitgevoerd op een specifiek geval, evenals om een nauwkeurigere prognose en gestroomlijnde behandelselectie te bieden.

AI zal een integraal onderdeel zijn van de hele patiëntreis, niet alleen het kankerdiagnose-deel in het pathologie-laboratorium, maar ook, bijvoorbeeld, de oncoloog die de loop van de behandeling bepaalt. Ook denk ik dat AI zal helpen om disciplines te combineren. Met de tijd zullen de verschillende modaliteiten (pathologie, radiologie, genomics, klinische records) worden gevoed naar verschillende AI-modules om nieuwe en verbeterde precisiegeneeskunde te ondersteunen. Vanuit een gezondheids-equiteitsperspectief zullen patiënten die geen toegang hebben tot de beste artsen in de wereld, een enorme sprong zien in de kwaliteit van hun diagnose en behandeling. AI zal iedereen naar het niveau van near-expert brengen. Iedereen verdient toegang tot kwaliteitszorg, en AI zal ons helpen om in de juiste richting te gaan voor gedemocratiseerde gezondheidszorg.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Ibex Medical Analytics bezoeken Ibex Medical Analytics.