Ophir Tanz, Oprichter & CEO van Pearl – Interviewreeks

Ophir Tanz is de oprichter en CEO van Pearl, een bedrijf dat is opgericht met de gedachte dat kunstmatige intelligentie de tandartspraktijk altijd kan ondersteunen en de patiënt kan helpen. De oprichters hebben een unieke persoonlijke connectie met de tandheelkundige industrie en de kennis en educatie om de volledige en praktische potentie van AI te actualiseren.

Wat trok je aanvankelijk aan bij Kunstmatige Intelligentie?

Ik ben al geïnteresseerd in AI sinds ik op de universiteit zat. Ik zag veel kansen daar en dat dreef mijn ambitie om het toe te passen op het creëren van nieuwe mogelijkheden en commerciële toepassingen. In het bijzonder was ik geïnteresseerd in computer visie – het veld van kunstmatige intelligentie waar we computers leren om de wereld te zien, te verwerken en te begrijpen op dezelfde manier als het menselijk brein – dus na mijn afstuderen lanceerde ik een bedrijf, GumGum, dat zich richtte op het toepassen van visuele machine-intelligentie om waarde te creëren in de digitale media categorie. Hoewel ik de kracht van AI al vroeg begreep, werd ik, toen ik dat bedrijf groeide, getroffen door hoe geavanceerd en praktisch het veld werd – en werd steeds meer geïnteresseerd in bredere toepassingen van de technologie.

Jouw eerste bedrijf GumGum, dat zich specialiseerde in het gebruik van AI in contextuele advertenties, werd enorm succesvol, waaraan schrijf je dit succes toe?

Ik denk dat wat GumGum succesvol maakte, was de nadruk die we legden op AI-toepassing en innovatie. Het is voornamelijk een digitaal advertentiebedrijf, maar hoewel we opereerden binnen de bredere grenzen van die categorie, was het werk dat we met AI deden niet daadwerkelijk beperkt door die categorie. Dat betekende dat we een technologiebedrijf waren, evenzeer als een adtech-bedrijf, wat een significante differentiatie creëerde. Onze AI-georiënteerde mentaliteit leidde ons ertoe om te innoveren in gebieden buiten de natuurlijke grenzen van digitale advertenties – in sponsorwaardering en, natuurlijk, tandheelkunde. Omdat we nooit gefocust waren op “alleen maar een advertentiebedrijf” en we constant op zoek waren naar manieren om het beter te doen, kon GumGum groeien met ons, terwijl onze visie uitbreidde en de onderliggende technologie en AI-veld evolueerde.

Kun je het verhaal achter je nieuwe AI-startup Pearl delen?

Na het starten van GumGum en het focussen op computer visie, wist ik dat er meer was dat we konden doen met de technologie en was ik altijd op zoek naar nieuwe toepassingen. Gezondheidszorg en radiologie waren van bijzonder belang voor mij, en vertegenwoordigden duidelijke toepassingen van het type machine learning dat GumGum toepaste. We lanceerden een tandheelkundige afdeling genaamd GumGum Dental, die de oorsprong was van Pearl. Ik besloot de tandheelkundige afdeling volledig af te splitsen omdat ik geloofde dat de kans een zelfstandig bedrijf verdiende. Ik denk dat je zou kunnen zeggen dat het zo bedoeld was – mijn vader was tandarts, en ik groeide op met het helpen in zijn praktijk, dus het overstappen naar het focussen op de tandheelkundige industrie was een soort thuiskomst voor mij. Maar het is niet alsof mijn kinderlijke connectie met tandheelkunde de belangrijkste impuls was voor mijn verlangen om Pearl te leiden als een nieuw avontuur. Ik geloof sterk dat computer visie en AI de tandheelkunde en de mondiale gezondheidszorg zullen transformeren, en ik wilde in staat zijn om de aandacht te geven aan het project dat ik voel dat het verdient.

Kun je de computer visie en machine learning systemen bespreken die worden gebruikt om radiografische en 3D tandheelkundige beelden te scannen?

Computer visie is een vorm van AI die computers leert om “te zien” op een manier die vergelijkbaar is met die van de mens. We voeden grote hoeveelheden expert-geannoteerde tandheelkundige beelden in een reeks algoritmen die zijn gemodelleerd naar de neurale netwerken in het menselijk brein. Door de geannoteerde beelden te bestuderen, leert het netwerk hoe het tandheelkundige pathologieën kan herkennen van het type dat is gemarkeerd in de geannoteerde beelden. Dit proces wordt “supervised learning” genoemd. Door een computer zo te leren, kan het leren om beelden te herkennen op niet-litteraire manieren. Bijvoorbeeld, het leert hoe het een gedeeltelijk verborgen object of een object dat alleen vanuit bepaalde hoeken zichtbaar is, kan identificeren door duizenden verschillende voorbeelden te absorberen en een soort computer-versie van een mentale afbeelding van dat object te bouwen.

We hebben onze AI en machine learning algoritmen getraind door een grote collectie radiografische beelden op te bouwen en hebben met tandartsen en radiologen samengewerkt om de beelden te labelen, en hebben vervolgens die gelabelde beelden gebruikt om het systeem te leren om nieuwe beelden te interpreteren. Nu hebben we een AI die naar potentieel problemen kan wijzen die kunnen worden geïdentificeerd in radiografische beelden en tandartsen kan helpen om patiënt radiografische beelden meer nauwkeurig en consistent te lezen.

Voor onze 3D-beeldsysteem gebruiken we een soortgelijke aanpak, maar met verschillende klassen van algoritmen. Met 3D kan de training complexer zijn, omdat 3D-beelden veel meer gegevens bevatten, wat soms annotatie meer arbeidsintensief maakt. Natuurlijk, omdat er zoveel meer gegevens zijn, kan het systeem, eens het getraind is om een 3D-beeld te interpreteren, meer precies zijn in zijn bevindingen. Het is eigenlijk hetzelfde als wanneer een mens naar een kegelvormige CT kijkt in plaats van een traditionele bitewing radiografie: we kunnen elke kleine facet van de tand zien in een kegelvormige CT, maar we kunnen vaak alleen maar enkele basis tandstructuren zien in een bitewing. AI heeft hetzelfde probleem.

Wat voor soort informatie of diagnose wordt onthuld door dit systeem?

Ons radiologisch AI-systeem kan een groot aantal pathologische en niet-pathologische aandoeningen, restauratieve kenmerken en natuurlijke anatomie detecteren. Caries, botverliesmeting, periapicale radiolucency, calculus, crowding, impaction, WPL, furcatie, obturatie, margin discrepancy – de lijst is te lang om alles te noemen en het blijft groeien. Veel van deze mogelijkheden zijn opgenomen in Second Opinion, onze real-time pathologie detectiehulp die momenteel beschikbaar is in Canada, Australië, Europa en verschillende andere gebieden, en de meeste worden toegepast in Practice Intelligence, onze niet-patiëntgerichte klinische intelligentieoplossing, die beschikbaar is voor praktijken in de VS en wereldwijd.

Wat voor soort beeldgegevens is het systeem getraind op?

Ons radiologisch pathologie detectiesysteem is getraind op bitewing, periapicale en pano radiografische beelden, die meestal worden gebruikt in tandheelkundige diagnostiek – het soort röntgenfoto’s dat je elke twee jaar of zo krijgt bij de tandarts, en als dat nodig is. Radiografische beelden zijn relatief gemakkelijk te verkrijgen in de tandheelkundige sector in vergelijking met andere vormen van geneeskunde en meer tandheelkundige röntgenfoto’s worden jaarlijks gemaakt dan enige andere vorm van radiografie. Het duur en tijdrovende deel is het krijgen van experts die de röntgenfoto’s beoordelen en annoteren. We hebben de grootste collectie gelabelde tandheelkundige röntgenfoto’s ter wereld samengesteld. Deze beschikbaarheid van radiografische gegevens is een van de redenen waarom de tandheelkundige sector zo rijp is voor disruptie door AI.

Wat voor soort efficiëntieverbeteringen en nauwkeurigheidspercentages zijn gezien van het Pearl-systeem in vergelijking met handmatige menselijke beoordeling van beelden?

We hebben verschillende grote studies uitgevoerd over duizenden radiografische beelden en honderden tandartsen om de nauwkeurigheid van ons systeem te testen, zowel als een zelfstandig detectiesysteem als wanneer het wordt gebruikt om tandartsen te helpen. We hebben gekeken naar de nauwkeurigheid voor elk detectietype en breed over alle detecties die door het systeem worden ondersteund. Er is variatie in nauwkeurigheid tussen individuele detectieklassen, met nauwkeurigheid die varieert van ongeveer 84-96 procent. Over het algemeen is het systeem correct meer dan 92 procent van de tijd. Dat is vrij goed en het systeem blijft verbeteren.

Natuurlijk zijn deze absolute nauwkeurigheidspercentages niet zo indicatief als de relatieve nauwkeurigheid van het systeem in vergelijking met menselijke tandartsen. Als menselijke nauwkeurigheid 60% zou zijn, zou een AI-systeem dat alleen 70% van de tijd nauwkeurig is, een aanzienlijk voordeel bieden aan tandartsen die het gebruiken. In de studies die we hebben uitgevoerd die een menselijke zelfstandige component bevatten, variëren tandartsen van 70-85%. Er is echter significante variatie tussen individuele tandartsen, dus er zijn zeker tandartsen die even nauwkeurig zijn als ons systeem en een aanzienlijk percentage dat minder nauwkeurig is. Om het voordeel van het systeem te evalueren, willen we een toename in nauwkeurigheid zien voor een tandarts wanneer hij het systeem gebruikt in vergelijking met dezelfde tandarts wanneer hij het systeem niet gebruikt. Onze studies laten een duidelijk voordeel zien.

Nu Second Opinion in praktijken wordt gebruikt, moeten we meer onderzoek doen naar de invloed in de praktijk. We zijn begonnen met het doen van dat onderzoek met de hulp van academische partners in Duitsland. Versnelt het patiëntbezoeken? Faciliteert het betere arts-patiëntcommunicatie? Verhoogt het patiëntvertrouwen? Verhoogt het de acceptatie van gevallen? We zijn momenteel bezig om deze vragen te beantwoorden. Uiteindelijk zouden we graag het effect van het systeem op patiëntgezondheidsresultaten onderzoeken, maar dat is een langetermijnproject.

Ik moet opmerken dat, omdat Practice Intelligence deels een analysetool is die praktijkbrede patiëntgezondheidskenmerken en de diagnostische en behandelingplanningsprestaties van praktijken kan beoordelen, we eigenlijk enig inzicht hebben in hoe AI patiëntzorg kan beïnvloeden. Het is geen academisch onderzoek, maar we hebben onlangs een studie uitgevoerd naar productiegegevens van tien Practice Intelligence-geactiveerde kantoren over een periode van een maand. Gedurende die maand, bracht het systeem gemiddeld meer dan $84.000 per praktijk aan potentieel gemiste behandelmogelijkheden in radiografische beelden voor patiënten met geplande afspraken in die periode. Voor dat bedrag van $84.000 aan potentieel gemiste behandelmogelijkheden, konden de praktijken gemiddeld $12.500 aan restauratieve behandeling en $23.800 aan specialistische behandeling uitvoeren. Die boost komt voort uit behandelmogelijkheden die eerder werden gemist. Omdat het is voltooid, kunnen we aannemen dat deze behandelingen noodzakelijk waren en na de vorige bezoeken van de patiënten hadden moeten worden verleend. Dit was een informele casestudy, maar het lijkt duidelijk te laten zien dat AI aanzienlijke voordelen biedt, zowel voor patiënten als voor de praktijken die het gebruiken.

Wat is, naar jouw mening, de reden dat AI niet breder wordt geadopteerd in tandheelkundige klinieken?

De reactie is overweldigend positief van tandartsen die Second Opinion in het buitenland gebruiken en de duizend-plus kantoren die Practice Intelligence in de VS hebben geïmplementeerd, dus er is een segment van de industrie dat al een brede integratie van AI in de tandheelkunde wil. Maar bredere adoptie vereist bredere bewustwording. AI is nieuw in de tandheelkundige sector. Toen we begonnen te werken aan tandheelkundige radiologie als GumGum Dental, waren we, voor zover ik weet, het enige commerciële bedrijf dat zich met de inspanning bezighield. Dat was vijf jaar geleden. De eerste marktgerichte oplossingen verschenen eind 2019 en het waren verzekeringen en laboratoriumtoepassingen, niet klinische toepassingen. We lanceerden Practice Intelligence in 2020 en Second Opinion kwam in september 2021 op de wereldmarkt. Dus, voor zover de meeste tandartsen betreft, is AI een noviteit. Ze moeten worden geïntroduceerd en onderwezen over wat het kan en niet kan doen. Er zijn enkele misvattingen over AI die moeten worden overwonnen. Bepaalde tandartsen kunnen de neiging hebben om AI te zien als een bedreiging, bijvoorbeeld. Die misvattingen zullen worden opgelost als tandartsen beter geïnformeerd raken over de bruikbaarheid ervan. De voordelen van AI zijn fundamenteel aantrekkelijk – hogere zorgstandaard, betere mondzorg, betere financiële resultaten voor praktijken – dus ik verwacht dat de adoptie snel zal versnellen zodra AI-geletterdheid in de tandheelkunde een kritische massa bereikt.

Wat is jouw visie voor de toekomst van tandzorg in 10 jaar?

Naarmate de tandheelkundige industrie digitale transformatie blijft omarmen, zie ik tandartsen AI integreren in de meeste tijdrovende taken die ze dagelijks uitvoeren – zoals het bijhouden van gegevens, plannen, operaties, voorraadbeheer – zodat ze zich kunnen concentreren op patiënten in plaats van op de routine taken die hen weghouden van het werk waarvoor hun vaardigheden uniek geschikt zijn. We zullen een hogere standaard van patiëntenzorg zien over de hele linie, lagere kosten en, uiteindelijk, een grotere industrie die betere mondzorg brengt aan meer mensen over de hele wereld.

Ik zal ook verrast zijn als, binnen 15 jaar, AI niet is begonnen met het creëren van een pad naar effectieve voorspellende diagnostiek en persoonlijke behandeling. Is deze individuele patiënt meer risico voor cariës op basis van zijn genetisch profiel, levensstijl, eerdere diagnoses? Kunnen we een preventieve aanpak aanbevelen die zijn behoefte aan een invasieve behandeling in de toekomst zal verminderen? Als hij nu cariës heeft, op basis van wat we weten over zijn individuele kenmerken, moeten we doorgaan met restauratieve behandeling of kunnen we deze uitstellen met de verwachting dat een specifieke verandering in levensstijl of consumptie de voortgang van verval zal vertragen? Met de steun van AI zouden we in staat moeten zijn om deze vragen te beantwoorden – en, terwijl we daar mee bezig zijn, misschien de onnatuurlijke kloof tussen mond- en systeemgezondheid die vandaag bestaat, verkleinen.

Is er nog iets dat je over Pearl wilt delen?

Experts hebben beloofd dat AI betere klinische resultaten en kostenbesparingen zal bieden in de gezondheidszorg voor meer dan een decennium. Veel van deze beloften zijn niet waargemaakt. Tandheelkunde is eigenlijk een beetje laat met AI, maar AI ontwikkelt zich in de tandheelkunde veel sneller dan in andere gezondheidssectoren. Waarom?

Als we geneeskunde door een commercieel prisma bekijken, is tandheelkunde veel ondernemender dan andere vormen van geneeskunde. Tandheelkunde wordt uitgevoerd in veel kleine, traditioneel particuliere praktijken. De meeste andere vormen van geneeskunde worden beheerd door ziekenhuizen, die over het algemeen grote, bureaucratische corporate instellingen zijn. Tandheelkundige praktijken en ziekenhuizen hebben allebei het verlangen om efficiëntie te verhogen, patiëntresultaten te verbeteren, enz., maar structureel zijn ziekenhuizen te langzaam en conservatief om effectief te integreren en te profiteren van opkomende technologieën die deze verlangens bevredigen. Tandheelkundige praktijken, aan de andere kant, zijn flexibel – en de ondernemende karakter van tandartsen maakt tandheelkunde een veel vruchtbaardere bodem voor innovaties zoals AI. Als een tandarts een potentieel voordeel ziet in iets, kan hij het onmiddellijk implementeren. Een ziekenhuis zal niet in staat zijn om met die mate van unilaterale beslissingsbevoegdheid te handelen. Er zullen haalbaarheids- en impactstudies zijn, tegenwerking van tegenstrijdige belangen en stakeholders, begrotingsonderhandelingen en een reeks andere hindernissen waardoor een nieuwe technologie moet gaan voordat deze wordt geïmplementeerd.

Even belangrijk is het feit dat tandartsen kunnen bijdragen aan de inspanning om de technologie te ontwikkelen en te verbeteren als ze dat willen. Pearl heeft in staat gesteld om deze technologie zo snel te concepen, bouwen en commercialiseren omdat tandartsen actieve en gemachtigde consumenten zijn – we ontwikkelen producten voor een markt die niet wordt gehinderd door de bureaucratische wrijving die bedrijven tegenkomen die proberen te verkopen aan ziekenhuizen – en omdat tandartsen vrij zijn om hun materiële en intellectuele steun te geven aan onze inspanningen. Uiteindelijk is onze AI zo slim als het is omdat het is getraind en verfijnd door een leger van slimme tandartsen die in de technologie geloven en vrij waren om bij te dragen aan de creatie ervan.

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