Jonas Muff, Oprichter & CEO van Vara – Interviewreeks

Jonas Muff is de oprichter en CEO van Vara, een platform voor borstkankeronderzoek. Opgericht in Duitsland, opereert Vara in verschillende landen in Europa. Ze hebben onlangs twee belangrijke samenwerkingen aangekondigd dit jaar in Griekenland en Mexico, waardoor hun technologie beschikbaar zal komen voor meer dan 30 miljoen vrouwen.

Wat trok je aanvankelijk aan tot het veld van kunstmatige intelligentie?

Als zoon van een arts, heb ik altijd geloofd dat de kracht en het potentieel van de gezondheidszorg liggen in preventie in plaats van alleen genezing; het houden van gezonde mensen gezond, in plaats van alleen het behandelen van zieken. Kunstmatige intelligentie houdt de sleutel vast tot niet alleen het ontsluiten van deze paradigma-shift, maar ook tot het helpen van moderne gezondheidszorgsystemen om kwantumsprongen te maken in zowel de diagnose als de behandeling van ziekten. AI-gestuurde diagnostiek heeft het potentieel om goedkoper en minder afhankelijk te zijn van middelen en expertkennis, waarvan er een wereldwijd tekort is. Op deze manier kan AI mogelijk worden gebruikt om hoogwaardige geneeskunde te bieden in minder ontwikkelde landen, waardoor toegang tot goede gezondheidszorg eerlijker en wereldwijd wordt.

Kun je de oorsprong van Vara bespreken?

Vara is ontstaan uit Merantix, een venture studio in Berlijn die zich richt op het ontsluiten van het potentieel van AI door middel van een samenwerkingsbenadering. Merantix brengt mensen samen uit verschillende achtergronden, allemaal met ondernemende mentaliteit, om echte wereldproblemen op innovatieve wijze aan te pakken. We hebben een team samengesteld van machine learning-experts, software-ontwikkelaars, productontwerpers en radiologen, en zijn begonnen om de borstkankeronderzoekworkflow van onderaf te herbouwen.

Wanneer mammogrammen worden gelezen, zoekt een screeningsradioloog effectief naar een naald in een hooiberg. Terwijl de overgrote meerderheid van de mammogrammen als ‘normaal’ wordt beschouwd – dat wil zeggen, ze bevatten geen tekenen van borstkanker – is een kleine, maar volledig significante minderheid verdacht en vereist verdere analyse.

Dit legt enorme druk op de radioloog om ervoor te zorgen dat geen naalden worden gemist, maar ze moeten ook 98% (of meer) van hun dagelijkse werktijd besteden aan het rapporteren van normale mammogrammen. Het is een combinatie die kan leiden tot fouten en waarin we vanaf de eerste dag hebben geloofd dat AI kan helpen om zowel de menselijke fouten te compenseren als de administratieve last te verminderen. Op deze manier kunnen radiologen meer aandacht besteden aan het vinden van de afwijkingen.

Met dit in gedachten hebben we samengewerkt met enkele van Duitslands toonaangevende screeningsradiologen om een platform te bouwen dat de hele klinische workflow standaardiseert en versterkt met geavanceerde AI, automatisering en datamanagementtools. In plaats van radiologen te vervangen, heeft het Vara-platform als doel om ze te versterken, om de processen efficiënter, transparanter en effectiever te maken.

Door ons werk hebben we ook beseft dat, hoewel borstkankeronderzoek in de meeste Europese landen, inclusief ons thuisland Duitsland, vanzelfsprekend is – dat een bevolkingsgebaseerd screeningsprogramma is gestart in 2002 – de meeste landen ter wereld geen onderzoek aanbieden. We geloven dat elke vrouw het recht heeft op onderzoek en daarom is ons platform ontworpen om overal ter wereld te werken. Onze missie is om gegevensgestuurd borstkankeronderzoek toegankelijker te maken voor iedereen.

Hoeveel trainingssets zijn gebruikt om de gegevens te trainen, en bevatten deze sets een grote variëteit aan huidtypes?

Onze modellen zijn ontwikkeld op basis van meer dan 7 miljoen mammogrammen met gegevens uit Europa, voornamelijk Duitsland.

Mammogrammen zijn zeer vergelijkbaar tussen verschillende bevolkingsgroepen en etniciteiten. Wat varieert over globale bevolkingsgroepen is de borstdichtheid (hoeveelheid vetweefsel in de borst), pathologische kankersubtypen, evenals letsels en letseltypes.

Wanneer we Vara evalueren, hebben we niet alleen gekeken naar de gemiddelde prestaties, maar ook naar de prestaties in elke subgroep, d.w.z. vet versus dichte borsten, of kleine versus grote letsels. Onze resultaten laten zien dat we de metrieken van radiologen kunnen verbeteren in alle relevante subgroepen.

Dit betekent dat, zelfs als vrouwen uit andere bevolkingsgroepen de neiging hebben om meer dichte borsten te hebben, Vara de zorgstandaard zal verbeteren. We hebben een lokale evaluatie uitgevoerd om de prestaties van de AI in Mexico te begrijpen, om ervoor te zorgen dat we de zorgstandaard daadwerkelijk verbeteren. En we zullen de vooruitzichten van Vara in real-time blijven monitoren en in constant overleg blijven met onze screeningspartners. Ons doel is om de zorgstandaard in Mexico te verbeteren door een gestandaardiseerd, AI-gebaseerd screeningsproces te bieden.

Het Vara-systeem gebruikt 3 classificatietypen voor elk mammogram, kun je bespreken wat deze zijn en hoe ze helpen bij het voorkomen van valse positieven?

Het beslissingsreferentiepad is een screeningsproces ontwikkeld door Vara, waarin de algoritme alleen een verklaring aflegt voor gevallen waarin het met vertrouwen accurate voorspellingen maakt – en andere gevallen overlaat aan de menselijke expertise.

Het doel van het beslissingsreferentiepad is om de radioloog te ondersteunen met AI om zowel de gevoeligheid als de specificiteit te verbeteren, d.w.z. om valse negatieven en valse positieven te verminderen. Tegelijkertijd is AI niet perfect en kan het geen 100% correcte voorspellingen maken voor alle gevallen. Daarom is het doel van de beslissingsreferentie om de menselijke expertise van radiologen te combineren met de technische mogelijkheden van AI om zowel te verbeteren.

De drie classificatietypen zijn:

1. Normale triage: De algoritme selecteert een subset van gevallen die het als normaal beschouwt met een hoge mate van vertrouwen en labelt deze gevallen automatisch voor de radioloog. Het doel van de normale triage is om zo veel mogelijk normale gevallen te labelen als negatief, met minimale misclassificatie.
2. Veiligheidsnet: Voor gevallen waarin de AI zeer zeker is dat de beelden verdacht zijn, biedt het een veiligheidsnet: Als de radioloog een van deze gevallen als negatief classificeert, activeert het veiligheidsnet en wijst de radioloog op een specifiek gebied in de afbeelding dat verdacht is voor de AI. De radioloog kan dan de beslissing heroverwegen, mogelijk een kanker die anders zou zijn gemist.
3. Niet-geclassificeerde gevallen: Belangrijk is dat de AI geen verklaring aflegt voor alle gevallen. Er zijn gevallen die noch als normaal (de minst verdachte gevallen) noch als veiligheidsnet (de meest verdachte gevallen) worden geclassificeerd. Voor deze gevallen is de AI niet voldoende zeker en moet de beslissingsexpertise van de radioloog komen.

Een intrinsieke eigenschap van de beslissingsreferentie is de configureerbaarheid. We kunnen de AI configureren zodat de onderste 50% van de gevallen als normaal worden gelabeld, of we kunnen het configureren om de onderste 70% als normaal te labelen. Evenzo kan het veiligheidsnet worden geactiveerd voor de 1% meest verdachte gevallen, of alternatief voor de 2% meest verdachte gevallen.

Mensen, inclusief radiologen, ervaren vaak cognitieve bias, hoe helpt de AI-toepassing bij het oplossen van dit probleem?

Onze AI heeft geleerd van gegevens uit een van de beste screeningsystemen ter wereld in Duitsland. Bovendien heeft de AI tijdens de training toegang tot gegevens die radiologen niet hebben in de klinische praktijk, namelijk de biopsie-resultaten of de tweejaarlijkse follow-up van elk geval. Door het gebruik van brede en representatieve datasets voorkomen we biases in de trainingsgegevens.

We hebben vervolgens de Veiligheidsnet ontwikkeld om eventuele bias in de interactie tussen mensen en AI te verminderen. De Veiligheidsnet toont geen verdachte gebieden aan de radioloog van tevoren. In plaats daarvan rapporteert de radioloog zijn bevindingen met de Vara-viewer en toont Vara de lokale voorspelling in het geval de AI het niet eens is met de beoordeling van de radioloog. Dit geeft de radioloog de kans om zijn initiële rapport te herzien en aan te passen. Op deze manier helpt de Veiligheidsnet bij het verminderen van gemiste kankers.

Anders dan mensen, wordt het model niet moe, en levert het continu verbeterde prestaties, onafhankelijk van de tijd van de dag. AI kan dus de resultaten van radiologen objectiveren.

Kun je de uitdagingen bespreken van het detecteren van borstkanker in randgevallen, zoals implantaten?

Onze modellen zijn getraind op een real-world, diverse dataset van alle vrouwen die onderzoek ondergaan, inclusief vrouwen met implantaten. We hebben niet gevonden dat deze gevallen een bijzondere uitdaging vormen voor Vara. Bovendien maakt ons model geen uitspraken over alle gevallen. Als het onzeker is over een specifiek geval, wijst het de beslissing door naar radiologen, een aanpak die we noemen beslissingsreferentie (zie hierboven voor meer details).

Vara screent ook mammogrammen na, in deze stap van het proces wordt specifiek naar welke aspecten gekeken?

Vara toont voorspellingen na het rapport van de radioloog (zie “Veiligheidsnet” hierboven voor meer details). Radiologen krijgen kritieke inzichten door de ontwikkeling van weefsel en letsels over tijd te vergelijken. Evenzo zal het gebruik van temporele informatie de diagnostische nauwkeurigheid van AI-modellen verder verbeteren. Ons AI-model draait niet alleen op het huidige onderzoek, maar controleert ook eerdere onderzoeken op tekenen van kanker – met de belofte van verdere verbetering van de screeningsprestaties.

Is er nog iets anders dat je over Vara wilt delen?

De beslissingsreferentiebenadering van het Vara AI-platform wordt nu gebruikt in 30% van alle screeningsunits in Duitsland. Als onderdeel van onze wereldwijde missie hebben we onlangs screeningsunits gelanceerd in Mexico en Griekenland, in samenwerking met zorgverleners op de grond in die regio’s. Met dergelijke partners laten we zien hoe we bestaande zorginfrastructuur kunnen gebruiken om hen in staat te stellen om hun huidige opstelling te omzeilen naar een state-of-the-art, gestandaardiseerd screeningsdienst.

Ons team is verdubbeld tot 30 en we hebben wereldwijde experts in radiologie aangesteld, zoals Professor Katja Pinker-Domenig, die onze Lead Medical Advisor is geworden, evenals Stephan Dreier als Chief Revenue Officer. We hebben ook samenwerkingen met gerenommeerde academische instellingen in de VS en Europa, zoals Memorial Sloan Kettering Cancer Center, University of Cambridge, Karolinska Institutet en de Cancer Registry of Norway.

De AI-prestaties van Vara laten immense beloften zien in termen van reproduceerbaarheid en generaliseerbaarheid. Een grote retrospectieve studie is momenteel in druk bij de wereldberoemde Lancet Digital Health, evenals een andere belangrijke peer-review-publicatie over intervalkankerpreventie bij het European Journal of Radiology.

We zijn ook gestart met Duitslands allereerste prospectieve studie om de impact van Vara in de klinische routine te laten zien. Al deze prestaties helpen ons om onze hoofdmissie te bereiken, namelijk om gegevensgestuurd borstkankeronderzoek toegankelijker te maken voor iedereen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Vara bezoeken.