Jonas Muff, grunnlegger og CEO av Vara – Intervju-serie

Jonas Muff er grunnlegger og CEO av Vara, en plattform for brystkreftskriving. Grunnlagt i Tyskland, opererer Vara i flere land i Europa. De har nylig annonsert to store samarbeid i Hellas og Mexico, som vil gjøre teknologien tilgjengelig for over 30 millioner kvinner.

Hva var det som først tiltalte deg til feltet kunstig intelligens?

Som sønn av en lege, har jeg alltid trodd på helsevesens kraft og potensial ligger i forebygging snarere enn bare kurering; å holde friske mennesker friske, snarere enn bare å behandle de syke. Kunstig intelligens holder nøkkel til ikke bare å låse opp denne paradigmeskiftet, men også å hjelpe moderne helsevesen til å gjøre kvantumhopp i både diagnose og behandling av sykdom. AI-drevne diagnostiske verktøy har potensialet til å være billigere og mindre avhengig av ressurser og ekspertkunnskap, som det er en global mangel på. På denne måten kan AI potensielt brukes til å gi høykvalitetsmedisin i mindre utviklede land for å gjøre tilgang til god helse rettferdig og mer global.

Kunne du diskutere opphavshistorien bak Vara?

Vara ble født ut av Merantix, et venture-studio i Berlin som har som mål å låse opp potensialet i AI gjennom en samarbeidsorientert tilnærming. Merantix bringer mennesker sammen fra ulike bakgrunner, alle med entreprenør-mentality, for å løse virkelige problemer på innovative måter. Vi samlet et team av maskinlærings-eksperter, programvare-utviklere, produkt-designere og radiologer, og satte oss mål å gjenskape brystkreftskravings-workflowen fra bunnen av.

Når man leser mammogrammer, ser en skjerings-radiolog effektivt etter en nål i en høystak. Mens de fleste mammogrammer vil være betraktet som ‘normalt’ – det vil si, de vil ikke inneholde noen tegn på brystkreft – vil en liten, men fullt signifikant minoritet være mistenkelig og kreve ytterligere analyse.

Dette legger enormt press på radiologen til å sikre at ingen nåler blir mistet, men de er også pålagt å bruke 98% (eller mer) av sin daglige arbeidstid på å rapportere normale mammogrammer. Dette er en kombinasjon som kan føre til feil og noe som vi har trodd på fra dag én, at AI kan hjelpe med å løse både ved å kompensere for menneskelige feil og fjerne den administrative byrden. På denne måten kan radiologer dedikere enda mer oppmerksomhet til å finne anomaliene.

Med dette i mente, samarbeidet vi med noen av Tysklands ledende skjerings-radiologer for å bygge en plattform som standardiserer hele den kliniske workflowen og forbedrer den gjennom bruk av avansert AI, automatisering og datahåndtering-verktøy. I stedet for å prøve å erstatte radiologer, har Vara-plattformen som mål å gi radiologer en superkraft for å gjøre prosessene mer effektive, mer transparente og mer effektive.

Gjennom vårt arbeid, har vi også innsett at selv om brystkreftskriving er en selvfølge i de fleste europeiske land, inkludert vårt hjemland Tyskland – som har en stolt arv fra å starte et populasjonsbasert skravingsprogram tilbake i 2002 – så tilbyr de fleste land i verden ikke kvinner skriving. Vi tror at hver kvinne har rett til skriving, og derfor er vår plattform designet for å fungere overalt i verden. Vår misjon er å gjøre data-drevne brystkreftskriving mer tilgjengelig for alle.

Hvor mange treningssett har blitt brukt til å trene dataene, og inkluderer disse settene en bred variasjon av hudtyper?

Våre modeller er utviklet basert på over 7 millioner mammogrammer ved hjelp av data fra Europa, hovedsakelig Tyskland.

Mammogrammer er svært like mellom ulike befolkningsgrupper og etniske grupper. Det som varierer over globale befolkningsgrupper er brysttetthet (mengde fettvev i brystet), patologiske kreft-undergrupper, samt lesjonstyper og lesjonsstørrelser.

Når vi evaluerte Vara, så vi ikke bare på gjennomsnittsprestasjonen, men også på prestasjonen i hver undergruppe, dvs. fett mot tett bryst, eller små mot store lesjoner. Våre resultater viser at vi kan forbedre radiologenes mål over alle relevante undergrupper.

Dette betyr at selv om kvinner fra andre befolkningsgrupper tenderer til å ha mer tette bryst, så vil Vara likevel forbedre standarden for omsorgen deres. Vi utførte en lokal evaluering for å forstå AIens prestasjon i Mexico for å sikre at vi faktisk forbedrer standarden for omsorgen. Og vi vil fortsette å overvåke den prospektive prestasjonen til Vara i sanntid og holde en konstant dialog med våre skjerings-partnere. Vårt mål er å forbedre standarden for omsorgen i Mexico ved å tilby en standardisert, skjerings-workflow drevet av AI.

Vara-systemet bruker 3 typer klassifiseringer for hver mammogram, kunne du diskutere hva disse er og hvordan de hjelper med å forebygge feil-positive?

Beslutnings-referral-prosessen er en skjerings-prosess utviklet av Vara hvor algoritmen bare gjør en uttalelse for saker når den er trygg på å gjøre nøyaktige prediksjoner — mens den lar andre saker til menneskelig ekspertise.

Målet med beslutnings-referral-prosessen er å støtte radiologen med AI for å forbedre både sensitiviteten og spesifisiteten, dvs. å redusere feil-negative og feil-positive. Samtidig er AI ikke perfekt og kan ikke gjøre 100% korrekte prediksjoner for alle saker. Derfor er målet med beslutnings-referral å kombinere menneskelig ekspertise med tekniske muligheter i AI i dag for å forbedre både.

De tre typene klassifiseringer er derfor:

1. Normal triaging: Algoritmen velger en undergruppe av saker som den mener er normale med høy konfidens og automatisk merker disse sakene for radiologen. Målet med normal triaging er å merke så mange normale saker som mulig negativt, med minimal misklassifisering.
2. Sikkerhetsnett: For saker hvor AI er svært trygg på at bildene er mistenkelige, tilbyr den et sikkerhetsnett: Hvis radiologen klassifiserer en av disse sakene som negativ, utløser sikkerhetsnettet og peker radiologen til en bestemt region i bildet som er mistenkelig for AI. Radiologen kan deretter omgjøre avgjørelsen, potensielt fange en kreft som ellers ville ha blitt mistet.
3. Uklassifiserte saker: Viktigst, gjør AI ikke en uttalelse for alle saker. Det finnes saker som ikke er klassifisert som normale (de minst mistenkelige sakene), eller hvor sikkerhetsnettet ikke er aktivert (de mest mistenkelige sakene). For disse sakene er AI ikke trygg nok, og avgjørelse-ekspertisen bør komme fra radiologen.

En intrinsisk egenskap ved beslutnings-referral er dens konfigurerbarhet. Vi kan konfigurere AI så at de laveste 50% av sakene merkes som normale, eller vi kan konfigurere det til å merke de laveste 70% som normale. Liksom kan sikkerhetsnettet aktiveres for 1% av de mest mistenkelige sakene, eller alternativt for 2% av de mest mistenkelige sakene.

Mennesker, inkludert radiologer, opplever ofte kognitive feil, hvordan hjelper AI-applikasjonen med å løse dette problemet?

Vår AI har lært fra data fra ett av de beste skjerings-systemene i verden i Tyskland. I tillegg, under trening, har AI faktisk tilgang til data som radiologer ikke har i klinisk praksis. Det er, biopsi-resultatene eller to-års oppfølgingen av hver sak. Ved å bruke brede og representative datasett, forhindrer vi fordommer i treningsdataene.

Deretter utviklet vi Sikkerhetsnettet for å redusere noen potensielle fordommer i interaksjonen mellom mennesker og AI. Sikkerhetsnettet viser ikke mistenkelige områder for radiologen på forhånd. I stedet rapporterer radiologen funnene sine med Vara-visoren, og i tilfelle AI er uenig med radiologens vurdering, viser Vara den lokale prediksjonen. Dette gir radiologen muligheten til å gjennomgå sin opprinnelige rapport og tilpasse den. På denne måten hjelper Sikkerhetsnettet med å redusere feil-negative.

Kunne du diskutere utfordringene med å påvise brystkreft når det gjelder mulige rand-saker som for eksempel implantater?

Våre modeller er trent på et virkelige, diversifisert datasett av alle kvinner som deltar i skriving, inkludert kvinner med implantater. Vi har ikke funnet at disse sakene er en spesiell utfordring for Vara. I tillegg gjør vår modell ikke uttalelse om alle saker. Hvis den er usikker på en bestemt sak, henviser den avgjørelsen til radiologen, en tilnærming vi kaller beslutnings-referral (se over).

Vara gjennomfører også etter-skjerming av mammogrammer, hva søkes spesifikt i denne delen av prosessen?

Vara viser prediksjoner etter at radiologen har dannet en oppfatning (se “Sikkerhetsnett” over for mer informasjon). Radiologer får kritisk innsikt ved å sammenligne utviklingen av vev og lesjoner over tid. Liksom vil å utnytte temporale informasjon ytterligere forbedre diagnostisk nøyaktighet av AI-modeller. Ikke bare kjører vår AI på den nåværende eksamen, men sjekker også tidligere eksamener for tegn på kreft — med løftet om å ytterligere forbedre skjermings-prestasjonen.

Er det noe annet du ville like å dele om Vara?

Vara AI-plattformens beslutnings-referral-tilnærming er nå i bruk i 30% av alle skjerings-enhetene i Tyskland. Som en del av vår globale misjon, har vi nylig lansert skjerings-enhetene i Mexico og Hellas, i samarbeid med helse-tilbydere på bakken i disse regionene. Med slike partnere, viser vi hvordan vi kan utnytte eksisterende helse-infrastruktur for å muliggjøre dem å hoppe over deres nåværende oppsett til en moderne, standardisert skjerings-tjeneste.

Vårt team har doblet seg til 30, og vi har utnevnt globale eksperter i radiologi, som Professor Katja Pinker-Domenig, som ble vår leder for medisinsk rådgivning, samt Stephan Dreier som Chief Revenue Officer. Vi har også samarbeid med kjente akademiske institusjoner i USA og Europa, som Memorial Sloan Kettering Cancer Center, University of Cambridge, Karolinska Institutet og Kreftregisteret i Norge.

Vara’s AI-prestasjon viser enormt løfte i terms of reproduksjon og generalisering. En stor retrospektiv studie er for tiden under presse i det verdenskjente Lancet Digital Health, samt en annen viktig peer-review publikasjon om interval-kreft-forhindring på European Journal of Radiology.

Vi har også nettopp startet Tysklands første prospektive studie for å vise Vara’s påvirkning i den kliniske rutinen. Alle disse prestasjonene hjelper oss med å nå vårt hovedmål om å gjøre data-drevne brystkreftskriving mer tilgjengelig for alle.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Vara.