Chaim Linhart, PhD, medgrunnlegger og CTO av Ibex Medical Analytics – Intervju-serie

Chaim Linhart, PhD er CTO og medgrunnlegger av Ibex Medical Analytics. Han har mer enn 25 års erfaring med algoritmeutvikling, AI og maskinlæring fra akademisk hold samt tjeneste i en elitestyrke i det israelske forsvaret og i flere teknologiselskaper. Chaim har en PhD i datavitenskap fra Tel Aviv Universitet og har vunnet flere Kaggle maskinlæringkonkurranser.

Siden 2016 har Ibex ledet an i AI-drevne diagnostiske verktøy for patologi. Selskapet satte ut til å transformere patologi ved å sikre at hver pasient kan motta en nøyaktig, rettidig og personlig kreftdiagnose. I dag er Ibex den mest utbredte kunstig intelligensplattformen i patologi. Utviklet av patologer for patologer, deres løsninger betjener verdens ledende leger, helseorganisasjoner og diagnostiske leverandører. Hver dag har Ibex privileget til å påvirke livene til pasienter over hele verden. Plattformen øker legens tillit, strømlinjeformer diagnostiske arbeidsflyter, hjelper kliniske leger med å gi mer personlige diagnoser og, viktigst av alt, muliggjør bedre kliniske resultater.

Kan du dele reisen og visjonen bak Ibex’ etablering og dens misjon om å transformere kreftdiagnostikk med AI?

I 2016 lærte min medgrunnlegger, Joseph Mossel, og jeg om den direkte innvirkningen en digital revolusjon i patologi kunne ha på å forbedre kreftdiagnostikken. Radiologi hadde gått gjennom en lignende transformasjon 20 år tidligere, som hadde en fremtredende innvirkning på hvordan spesialiteten ble praktisert. Med patologi som ble digitalisert, erkjente vi at det ga en mulighet til å utvikle nye avanserte verktøy som utnytter kunstig intelligens (AI) til å utføre sofistikert bildeanalyse. Vi har fokusert på å utvikle AI-drevne verktøy som hjelper leger med å nå mer nøyaktige, objektive, reproduserbare diagnoser, og dermed hjelpe hver pasient med å motta riktig diagnose, på en rettidig måte, som fører til den beste mulige behandlingen.

Hvordan har landskapet for kreftdiagnostikk endret seg siden Ibex’ etablering i 2016?

Laboratorier har adoptert digitalisering i en økende rate, enda mer akselerert av Covid-19. Den digitale revolusjonen har enablet laboratoriene til å utvide sine evner utover mikroskopet på en betydningfull og meningsfull måte, ved å utnytte AI som hjelper patologer med å analysere og forstå resultater effektivt.

Kreftdiagnostikk AI-feltet har vokst eksponentielt, ettersom vi har sett startups og andre selskaper som arbeider med ulike aspekter av AI for patologi i kreftdiagnose-domenet. Presisjonsmedisin, for eksempel, er data-drevet pasient-stratifikasjon enablet av en nøyaktig diagnose og ulike informasjonsteknologiske tilnærminger som leder til optimal, personlig behandling. En økning i presisjonsmedisin kommer med en forbedret behov for mer komplekse diagnostiske verktøy for å støtte de nye målrettede behandlingene.

Vi har også sett en økning i akademiske publikasjoner og bransjeorganisasjoner som fokuserer på feltet. Da Joseph og jeg deltok på vår første konferanse om digital og komputasjonell patologi i 2016, var AI en liten del av samtalen omkring kreftdiagnose, da det ikke var like mainstream. Nå, når vi deltar på en stor patologikonferanse, er AI hovedbegivenheten.

Hva skiller Ibex fra andre selskaper i feltet av AI-drevet patologi?

Når vi snakker om AI-drevet patologi, er det flere underdomener. Det er selskaper som prioriterer forskningsapplikasjoner, som verktøy som analyserer vevsbilder for å hjelpe med å forstå sykdomsprosesser på morfologisk og cellulært nivå, for eksempel. For det andre er det selskaper som fokuserer hovedsakelig på kliniske applikasjoner, dvs. produkter som brukes i laboratorier til å støtte rutinediagnose.

Ibex fokuserer på kliniske applikasjoner, og vi har den største og mest utbredte installasjonsbasen med patologer over hele verden som bruker våre verktøy daglig for kreftdiagnose. Vi samarbeider også med legemiddelindustrien for å utvikle AI-drevne kliniske applikasjoner som støtter patologer i å kvantifisere biomarkører som enablet målrettede behandlinger.

I tillegg, mens noen selskaper fokuserer på bestemte, begrensede indikasjoner per tumor-type, som kreftdeteksjon, er vår tilnærming å trene AI til å analysere alt en patolog ville se i disse vevsene. Det handler ikke bare om kreftdeteksjon, men også typen og under-typen av kreft, graden, størrelsen, samt kreft-relaterte morfologier og andre kliniske egenskaper. Vi vet at patologi er mer enn bare å bestemme om pasienten har kreft eller ikke. Vi ønsker å hjelpe patologer med å realisere de store fordelene som AI bringer til bordet.

Kan du forklare kjerne-teknologien bak Ibex’ løsninger og hvordan den assisterer patologer i kreftdeteksjon og -gradering?

Vår tilnærming er at patologer essensielt trener maskinen. Vi har et stort team av patologer over hele verden som annoterer bilder. Dette betyr at de markerer bestemte områder innenfor disse bildene og merker dem. De kan merke en lav-grads tumor, en blodåre, en nerve, betennelse, og så videre. Vi tar deretter denne dataen og bruker den til å trene AI-modellene. Dette sikrer at AI er svært nøyaktig, selv for sjeldne og vanskelige tilfeller, som er svært viktig. Vår AI er lært av patologer og er trent til å identifisere mange forskjellige typer strukturer og morfologier av vev, som er svært nyttig for patologer og uunngåelig øker dens nøyaktighet. Ved å ha tilgang til en bredde av data og kunnskap, er vi i stand til å forbedre vår AI og implementere læringene med tilbakemeldingen som er mottatt direkte i feltet.

Hvordan sikrer Ibex klinisk-grad nøyaktighet over forskjellige kreft-typer som bryst-, prostata- og magesekk-kreft?

Dette krever mye hardt arbeid. Vi samler inn data fra mange partnere over hele verden. Vi sikrer at dataene er svært diverse, med representasjon fra forskjellige laboratorier og ulike vevsforberedelsesteknikker, skannere og kliniske funn. Vi beriker treningsdataene med sjeldne kreft-typer. Dette sikrer at AI er trent med en bred variasjon av egenskaper. Under treningsprosessen måler vi hva AI gjør bra, og vi bestemmer også hvor forbedringer må gjøres. Teamet, med stor erfaring i maskinlæring, tester AI på tusenvis av bilder som vi har samlet inn fra forskjellige laboratorier. Vi kjører studier og kliniske prøver og sammenligner to grunnleggende aspekter av systemet. Først gjennomgår vi dets enkeltstående ytelse sammenlignet med bakgrunns-sannheten. For det andre bestemmer vi hvor nøyaktig patologen arbeider med og uten AI. Ved å gjøre dette, sikrer vi at AI er nøyaktig, robust, upartisk og trygg. Vi måler dens innvirkning på patologer som bruker AI. Over våre applikasjoner ser vi at patologen, med AI-støtte, når bedre resultater (det vil si mer nøyaktig, høyere enighet med bakgrunns-sannheten) enn i standard omsorg (dvs. når de ikke støttes av AI). Vi måler også effektiviteten av deres arbeid og andre viktige fordelene av AI-plattformen, som optimalisering av arbeidsflyten i laboratoriet og reduksjon av omloppstiden (hvor raskt pasienten mottar resultater).

Hva er noen unike egenskaper ved Ibex’ løsninger som forbedrer diagnostiske arbeidsflyter og forbedrer pasient-resultater?

Vårt integrerte system inkluderer en bilde-viser, AI-resultater og innebygde rapporteringsverktøy. Dette holistiske systemet ble designet for å forbedre nøyaktighet og produktivitet. Det guider patologer gjennom diagnostiske prosessen, viser dem de viktigste funnene i hver sak og bilde. I stedet for å søke etter egenskaper, som kan være små og vanskelige å oppdage, fremhever AI alt svært tydelig. Deretter kan patologen bekrefte eller modifisere. AI viser målinger og kvantifiseringer; det scorer også alt. Med innebygde rapporter må patologen ikke se på bildet, gjøre diagnosen i sinnet og deretter gå til et annet system og rapportere alt; i stedet gjøres rapporteringen mens AI driver den integrerte arbeidsflyten. Selv antallet museklikk ble optimalisert. Alt ble bygget med patologer i mente for å forbedre diagnostisk nøyaktighet og effektivitet, og dermed skape en bedre arbeidsmiljø for disse leger med bedre resultater for pasientene.

Hvordan integrerer Ibex’ løsninger med eksisterende digitale patologi-programvare-løsninger og laboratorieinformasjonssystemer?

Vi samarbeider med flere leverandører i feltet som selger bildehåndtering-løsninger eller tilbyr laboratorieinformasjonssystemer. For hver partner er det forskjellige typer integreringsmuligheter. I noen tilfeller integrerer vi vår AI i deres verktøy, så patologen kan bruke deres plattform med vår AI innebygget. I andre tilfeller integrerer vi med disse verktøyene på en måte som tillater patologer å starte Ibex fra det andre systemet. Uansett integrering, ønsker vi alltid å sikre at brukerne har den mest optimale måten å bruke AI på. I tillegg har vi utviklet en åpen applikasjonsprogrammeringsgrensesnitt (API) som tillater tredjeparter, inkludert andre selskaper eller kunder IT-avdelinger, å hente informasjon fra vår AI og integrere den i deres miljø.

Hva var noen av utfordringene Ibex møtte i å oppnå vidt utbredt aksept av sine AI-drevne løsninger i patologi?

I etterkant, ville jeg si at den største utfordringen Ibex møtte var rundt den rene kompleksiteten og mengden av arbeid, innsats og tid som var nødvendig for å bringe diagnostiske produkter til markedet. Dette inkluderer tverrfaglige tilnærminger: innsamling av data, arbeid med patologer, trening av AI og testing av den rigorøst, gjennomføring av kliniske prøver og, i noen geografier, å oppnå regulatorisk godkjenning – og gjøre all dette under strenge kvalitets-sikringsmessige tiltak. I det medisinske feltet er det også ekstremt viktig å generere vitenskapelig bevis og publisere resultater med flere laboratorier for å demonstrere ytelsen og fordelene av AI-plattformen.

En annen merkbart utfordring er integrering. Vi må sikre at patologer kan bruke AI på en måte som er effektiv og naturlig. Det er flere systemer i laboratoriet: digitale patologi-skannere, laboratorieinformasjonssystem og arbeidsflyt, samt rapporteringsverktøy. Enkelt sagt, vi sikrer at alt kommer sammen på den mest effektive måten mulig, til tross for utfordringene.

Kan du dele noen suksess-historier eller case-studier fra helseorganisasjoner som har implementert Ibex’ løsninger?

Vi er svært stolte av våre partnerskap og globale rekkevidde. For eksempel har vi den første nasjonale utrullingen av AI i Wales – alle helsestyrene i Wales bruker Ibex’ AI-løsning. Et annet eksempel er CorePlus Laboratories i Puerto Rico – de har brukt Ibex i flere år og har publisert en artikkel som viser innvirkningen plattformen har hatt på deres kliniske praksis. For eksempel, ved å bruke AI-algoritmen, kunne patologene identifisere 160 menn som ellers ville ha blitt feildiagnostisert. Disse pasientene fikk riktig behandling takket være AI-støtten. Det er virkelig innvirkningen vi gjør. Det er noe vi ikke kan glemme – vi er her for å påvirke menneskers liv.

Hva rolle ser du AI spille i fremtiden for patologi og kreftdiagnostikk over de neste ti årene?

Gjennom de neste ti årene, vil vi fortsette å se patologer bruke AI til å støtte dem i deres primære diagnostiske innsats. Jeg forestiller meg at patologer vil bruke AI på de fleste av deres arbeidsmengder for å sikre at kvaliteten er høy, og alt er objektive, reproduserbare og rettidige. I tillegg vil AI hjelpe leger med å gjøre ting de ikke gjør i dag. Det kan hjelpe dem med å bestemme hvilke ytterligere tester som må utføres på en bestemt sak, samt gi en mer nøyaktig prognose og strømlinjeformet behandlingsvalg.

AI vil være en integrert del av hele pasient-reisen, ikke bare den kreft-diagnostiske delen i patologilaboratoriet, men også, for eksempel, onkologen som bestemmer behandlingsforløpet. Jeg tror også at AI vil hjelpe med å kombinere disipliner. Med tid, vil de forskjellige modalitetene (patologi, radiologi, genetikk, kliniske journaler) bli matet til ulike AI-moduler for å støtte ny og forbedret presisjonsmedisin. Fra et helse-likhet-perspektiv, vil pasienter som ikke har tilgang til de beste leger i verden, oppleve et enormt sprang i kvaliteten på deres diagnose og behandling. AI vil bringe alle til nær-ekspertnivå. Alle fortjener tilgang til kvalitetsbehandling, og AI vil hjelpe oss i retning mot demokratisert helse-tilgang.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Ibex Medical Analytics.