Ophir Tanz, grunnlegger og administrerende direktør i Pearl – Intervju-serie

Ophir Tanz er grunnlegger og administrerende direktør i Pearl, et selskap som ble grunnlagt på ideen om at kunstig intelligens kan være tannlegens alltid-tilgjengelige assistent og pasientens mest pålitelige venn. Grunnleggerne har en unik personlig tilknytning til tannhelsebransjens kompleksitet, samt kunnskap og utdanning til å realisere den fulle og praktiske potensialen som kunstig intelligens har å tilby.

Hva var det som opprinnelig tiltalte deg til kunstig intelligens?

Jeg har vært interessert i kunstig intelligens siden jeg var på college. Jeg så en del muligheter der og det drev min ambition til å anvende det til å skape nye evner og kommersielle anvendelser. Spesielt var jeg interessert i datavisjon – feltet for kunstig intelligens der vi lærer datamaskiner å se, prosessere og forstå verden på samme måte som det menneskelige hjernen gjør – så etter å ha avsluttet utdannelsen min, lanserte jeg et selskap, GumGum, som fokuserte på å anvende visuell maskinintelligens til å bygge verdi i den digitale mediekategorien. Selv om jeg forstod kraften i kunstig intelligens ganske tidlig, så ble jeg, etterhvert som jeg vokste selskapet, slått av hvor avansert og praktisk feltet var blitt – og ble stadig mer interessert i bredere anvendelser av teknologien.

Ditt første selskap, GumGum, som spesialiserte seg i å bruke kunstig intelligens i kontekstuell annonsering, endte opp med å bli svært suksessfullt, hva tilskriver du denne suksessen til?

Jeg tror det som tillot GumGum å lykkes i den grad det har, var betoningen vi la på kunstig intelligens-applikasjon og innovasjon. Det er hovedsakelig et digitalt annonseringsselskap, men selv om vi opererte innenfor de bredere grensene for denne kategorien, så var arbeidet vi gjorde med kunstig intelligens ikke begrenset av kategorien. Det betød at vi var et teknologiselskap like mye som et annonseringsselskap, noe som skapte betydelig differensiering. Vår kunstig intelligens-først-mentalitet ledet oss til å innovere i områder utenfor de naturlige grensene for digital annonsering – i sponsorverdi og, naturligvis, tannhelse. Fordi vi aldri var fokusert på å være “bare et annonseringsselskap” og vi stadig søkte etter måter å gjøre det bedre på, så kunne GumGum vokse med oss mens vår visjon utvidet seg og den underliggende teknologien og kunstig intelligens-feltet utviklet seg.

Kunne du dele historien bak ditt nye kunstig intelligens-selskap, Pearl?

Etter å ha startet GumGum og fokusert på datavisjon, visste jeg det var mer vi kunne gjøre med teknologien og var alltid på utkikk etter nye anvendelser. Helsevesen og radiologi var av særlig interesse for meg, og representerte også klare anvendelser av den type maskinlæring GumGum anvendte. Vi lanserte en tannhelseavdeling kalt GumGum Dental, som var opphavet til Pearl. Jeg bestemte meg for å spinne av tannhelseavdelingen helt, fordi jeg trodde muligheten fortjente et eget selskap. Jeg antar du kunne si det var meningen at det skulle være på denne måten – min far var tannlege, og jeg vokste opp med å hjelpe til på hans praksis, så å gå over til å fokusere på tannhelsebransjen var en litt hjemkomst for meg. Men det er ikke slik at min barndomsforbindelse til tannhelse var hovedårsaken til min ønske om å lede Pearl som et nytt foretak. Jeg tror sterkt på at datavisjon og kunstig intelligens vil transformere tannhelse og global helse, og jeg ønsket å kunne gi prosjektet den oppmerksomheten det fortjener.

Kunne du diskutere datavisjons- og maskinlærings-systemene som brukes til å skanne radiografiske og 3D-tannhelsebilder?

Datavisjon er en form for kunstig intelligens som lærer datamaskiner å “se” på samme måte som mennesker gjør. Vi fôrer store mengder ekspert-annoterte tannhelsebilder inn i en serie algoritmer som er modellert etter de neurale nettverkene i det menneskelige hjernen. Ved å studere de annoterte bildene, lærer nettverket å gjenkjenne tannhelsepatologier av den typen som har blitt merket i de annoterte bildene. Dette prosessen kalles “overvåket læring”. Ved å lære en datamaskin på denne måten, kan den lære å gjenkjenne bilder på ikke-bokstavelige måter. For eksempel, lærer den å identifisere et delvis skjult objekt eller ett som bare kan ses fra visse vinkler ved å absorbere tusenvis av forskjellige eksempler og bygge hva som i praksis er en datamaskins versjon av et mentalt bilde av det objektet.

Vi lærte vårt kunstig intelligens- og maskinlærings-algoritmer ved å bygge en stor samling av radiografier og arbeidet med tannleger og radiologer for å merke bildene, og deretter brukte de merkte bildene til å lære systemet å tolke nye bilder. Nå har vi et kunstig intelligens-system som kan peke på potensielle problemer som kan identifiseres i radiografier og hjelpe tannleger med å lese pasient-radiografier mer nøyaktig og konsekvent.

I våre 3D-bilde-systemer, bruker vi en lignende tilnærming, men med forskjellige klasser av algoritmer. Med 3D, kan treningen være mer komplisert, fordi 3D-bilder inneholder så mye mer data, noe som noen ganger gjør annoteringen mer arbeidskrevende. Naturligvis, fordi det er så mye mer data, så er systemet i stand til å være mer presist i sine funn, når det først har blitt trent til å tolke et 3D-bilde. Det er i praksis det samme som når et menneske ser på en kegelstråle mot en tradisjonell bitewing-radiografi: Vi kan se hver enkelt liten fasett av tannen i en kegelstråle, men vi kan ofte bare se noen få grunnleggende tannstrukturer i en bitewing. Kunstig intelligens møter samme utfordring.

Hva type informasjon eller diagnose avdekkes av dette systemet?

Vårt radiologiske kunstig intelligens-system kan detektere en stor mengde patologiske og ikke-patologiske tilstander, restaurative trekk og naturlig anatomi. Karies, bein-tap, periapikal radiolusens, kalk, tann-kramper, impakt, WPL, furkasjon, obturasjon, margin-feil – listen er for lang til å oppregne alt, og den vokser stadig. Mange av disse evnene er inkludert i Second Opinion, vårt sanntids-patologi-dettekteringshjelpemiddel som for tiden er tilgjengelig i Canada, Australia, Europa og flere andre territorier, og de fleste av disse evnene anvendes i Practice Intelligence, vårt ikke-pasient-orienterte kliniske intelligens-løsning, som er tilgjengelig for praksiser i USA og globalt.

Hva type bilde-data ble systemet trent på?

Vårt radiologiske patologi-dettektingssystem ble trent på bitewing, periapikal og pano-radiografier, som er de vanligste i tannhelse-diagnostikk – de typene røntgenbilder du får på tannlegen hver to år eller så, og når behov oppstår. Radiografiske bilder er relativt enkelt å skaffe i tannhelsefeltet sammenlignet med andre former for medisin, og flere tannhelse-røntgenbilder tas årlig enn noen annen form for radiografi. Den dyre og tidskrevende delen er å få eksperter til å gjennomgå og annotere røntgenbildene. Vi har samlet verdens største samling av merkte tannhelse-røntgenbilder. Tilgjengeligheten av radiografisk data er en av årsakene til at tannhelsefeltet er så godt egnet for å bli forstyrret av kunstig intelligens.

Hva type effisiens-forbedringer og nøyaktighets-grad har vært sett fra Pearl-systemet sammenlignet med manuell menneskelig gjennomgang av bilder?

Vi har gjennomført flere store studier over flere tusen radiografier og hundrevis av tannleger for å teste nøyaktigheten av vårt system, både som et selvstendig detekteringssystem og når det brukes til å hjelpe tannleger. Vi har sett på nøyaktighet for hver detekteringstype, samt bredt over alle detekteringene som støttes av systemet. Det er variasjon i nøyaktighet mellom individuelle detektering-klasser, med nøyaktighet som varierer fra rundt 84-96 prosent. I gjennomsnitt er systemet korrekt bare over 92 prosent av tiden. Det er ganske bra, og systemet forbedres stadig.

Selvfølgelig er disse absolutte nøyaktighets-tallene ikke like indikative som er den relative nøyaktigheten av systemet sammenlignet med menneskelige tannleger. Hvis menneskelig nøyaktighet var 60 prosent, så ville et kunstig intelligens-system som bare var 70 prosent nøyaktig, gi en betydelig fordel til tannleger som bruker det. I studiene vi har gjennomført som inkluderte en menneskelig selvstendig komponent, varierer tannleger fra 70-85 prosent. Det er betydelig variasjon mellom individuelle tannleger, men det er også noen tannleger der ute som er like eller mer nøyaktige enn vårt system, og en god del som er mye mindre nøyaktige. For å vurdere fordelene av systemet, så ønsker vi å se en økning i nøyaktighet for en tannlege når de bruker systemet sammenlignet med samme tannlege når de ikke bruker det. Våre studier viser en tydelig fordel der.

Nå som Second Opinion brukes i praksiser, må vi gjøre mer forskning på den virkelige verdens påvirkning. Vi begynner å gjøre det med hjelp av akademiske partnere i Tyskland. Øker det pasient-besøkene? Fasiliteter det bedre lege-pasient-kommunikasjon? Forbedrer det pasient-tillit? Øker det saken-aksept? Vi jobber med å svare på disse spørsmålene. Til slutt ønsker vi å undersøke systemets påvirkning på pasient-helse-resultater, men det er et lengre prosjekt.

Jeg må bemerke at, fordi Practice Intelligence delvis er et analyse-verktøy som kan vurdere praksis-omfattende pasient-helse-egenskaper og diagnostisk- og behandlings-planleggings-ytelse til praktiserende leger, så har vi faktisk en del forståelse av hvordan kunstig intelligens kan påvirke pasient-omsorg. Det er ikke akademisk-stil forskning, men vi gjennomførte nylig en studie som så på produksjonsdata fra ti Practice Intelligence-aktiverende kontorer over en måneds periode. Over den måneden, avdekket systemet i gjennomsnitt over 84 000 dollar per praksis i potensielle missede behandlings-muligheter i tidligere radiografier for pasienter med planlagte besøk i den perioden. For de 84 000 dollar i potensielle muligheter som ble avdekket, kunne praksisene fullføre i gjennomsnitt 12 500 dollar i restaurerende behandling og ytterligere 23 800 dollar i spesialist-behandling. Denne økningen kommer fra behandlings-muligheter som tidligere ble missede. Fordi det ble fullført, kan vi anta at disse behandlingene var nødvendige og burde ha blitt gitt etter pasientenes tidligere besøk. Dette var en uformell casestudie, men det ser ut til å vise at kunstig intelligens bringer betydelige fordeler, både til pasienter og til praksisene som bruker det.

Hva i din mening holder tilbake den videre aksepten av kunstig intelligens i tannklinikkene?

Mottakelsen har vært overveldende positiv fra tannleger som bruker Second Opinion i utlandet og de over tusen kontorene som har deployert Practice Intelligence i USA, så det er et segment av industrien som allerede har en ønske om bred kunstig intelligens-integrasjon i tannhelse. Men videre aksept krever videre bevissthet. Kunstig intelligens er nytt i tannhelsefeltet. Når vi startet å arbeide med tannhelse-radiologi som GumGum Dental, var vi, så langt jeg vet, det eneste kommersielle foretaket som var engasjert i denne innsatsen. Det var for fem år siden. De første markedsmessige løsningene dukket opp i slutten av 2019, og de var forsikrings- og laboratorie-applikasjoner, ikke kliniske applikasjoner. Vi lanserte Practice Intelligence i 2020 og Second Opinion kom inn på det globale markedet i september 2021. Så, så langt de fleste tannleger er bekymret, er kunstig intelligens en nyhet. De må bli introdusert for det og lære hva det kan og ikke kan gjøre. Det er noen misforståelser om kunstig intelligens som må overvinnes. Visse tannleger kan være tilbøyelige til å se kunstig intelligens som en trussel, for eksempel. Disse misforståelsene vil bli løst når tannleger blir bedre informert om dens nytte. Fordelene med kunstig intelligens er fundamentalt tiltrekkende – høyere standard for omsorg, bedre munnhelse, bedre økonomiske resultater for praksiser – så jeg forventer at aksepten vil akselerere raskt når kunstig intelligens-bevissthet i tannhelse når en kritisk masse.

Hva er din visjon for fremtiden for tannhelse i løpet av 10 år?

Etterhvert som tannhelse-industrien fortsetter å omfavne digital transformasjon, ser jeg tannleger som inkorporerer kunstig intelligens i de fleste av de tidkrevende oppgavene de utfører daglig – som kartlegging, planlegging, operasjoner, lagerstyring – så de kan fokusere på pasienter i stedet for på de rutine-oppdragene som tar dem bort fra arbeidet som deres ferdigheter er unikt egnet til. Vi vil se en høyere standard for pasient-omsorg over hele linjen, lavere kostnader og, til slutt, en større industri som bringer bedre munnhelse til flere mennesker over hele verden.

Jeg vil også bli overrasket hvis, innen 15 år, kunstig intelligens ikke har begynt å åpne en vei mot effektive prediktive diagnostiske og personlige behandlings-planer. Er denne enkelt-pasienten i høyere risiko for karies basert på deres genetiske profil, livsstil, tidligere diagnoser? Kan vi anbefale en forebyggende tilnærming som vil redusere deres behov for en invasiv behandling i fremtiden? Hvis de har karies nå, basert på hva vi vet om deres enkelt-egenskaper, må vi gå videre med restaurerende behandling nå eller kan vi utsette med forventningen om at en bestemt endring i livsstil eller forbruk vil sannsynligvis redusere fremdriften av forfall? Med støtte fra kunstig intelligens, burde vi være i stand til å svare på disse spørsmålene – og, samtidig, kanskje smalne den unaturlige klyfta mellom munnhelse og systemisk helse som eksisterer i dag.

Er det noe annet du ønsker å dele om Pearl?

Ekspertene har lovet at kunstig intelligens vil gi bedre kliniske resultater og kostnadsbesparelser i helsevesenet i over en tiår. Mange av disse løftene har ikke blitt innfridd. Tannhelse er faktisk en litt senkommer til kunstig intelligens-spillet, men kunstig intelligens utvikler seg raskere i tannhelse enn i andre helse-kategorier. Hvorfor?

Når man ser på medisin gjennom et kommersielt lins, er tannhelse mye mer entreprenøriell enn andre former for medisin. Tannhelse utføres i mange små, tradisjonelt private praksiser. De fleste andre former for medisin styres av sykehus, som generelt er store byråkratiske korporative institusjoner. Tannhelse-praksiser og sykehus har begge samme ønske om å øke effisiens, forbedre pasient-resultater osv, men strukturelt er sykehus for langsomme og konservative til å effektivt integrere og kapitalisere på fremvoksende teknologier som tilfredsstiller disse ønskene. Tannhelse-praksiser, på den andre siden, er agile – og den entreprenørielle karakteren til tannleger gjør tannhelse til et mye mer fruktbart jord for innovasjoner som kunstig intelligens. Hvis en tannlege ser en potensiell fordel i noe, kan de umiddelbart implementere det. Et sykehus vil ikke være i stand til å handle med samme unilateral besluttsomhet. Det vil være gjennomførbarhets- og påvirknings-studier, motstand fra motstridende interesser og interessenter, budsjettnegotiasjoner og en rekke andre hindringer som en ny teknologi må gå gjennom før implementering.

Likelynt, er det også viktig at tannleger kan bidra til å utvikle og forbedre teknologien hvis de ønsker. Pearl har vært i stand til å konseptualisere, bygge og kommersialisere denne teknologien så raskt som vi har, både fordi tannleger er aktive og empowerment-forbrukere – vi utvikler produkter for en marked som ikke er hindret av den byråkratiske friksjonen som selskaper som prøver å selge inn på sykehus møter – og fordi tannleger er i stand til å sette sin materielle og intellektuelle støtte bak våre bestrebelser. Til slutt er vårt kunstig intelligens-system like smart som det er, fordi det har blitt trent og finpusset av en hær av smarte tannleger som tror på teknologien og var i stand til å bidra til dens skapelse.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Pearl.