Tobias Rijken, medgrunnlegger og CTO i Kheiron Medical Technologies – Intervju-serie

Tobias Rijken er medgrunnlegger og CTO i Kheiron Medical Technologies, et medisinsk bildeanalyse-selskap som bruker avanserte maskinlærings-teknologier for å utvikle og levere intelligente verktøy for radiologer, radiologiske avdelinger, bildeanalyse-sentre og sykehus for å forbedre effektiviteten, konsistensen og nøyaktigheten i radiologiske rapporter.

Kheiron Medical Technologies ble grunnlagt med det ene målet om å hjelpe radiologer med å oppdage brystkreft tidligere med maskinlærings-programvare.

Hva var det som først tiltalte deg til maskinlærings-teknologien?

Min uformelle introduksjon til maskinlærings-teknologien var da jeg først begynte å lære programmering da jeg var en ung teenager. Det var et spill-motor der du kunne programmere dine egne spill. Jeg ville spille dette spillet, men hvem skulle jeg spille mot? Det kunne være en annen spiller, eller det kunne være et program. Hvordan bygger du et program som lærer å spille et spill? Det var ikke moderne AI, det var regel-basert AI. Jeg vant hver gang, så det var ikke et godt AI.

Da jeg studerte for min mastergrad ved University College London, gikk vi inn i en ny æra av moderne AI. DeepMind hadde nettopp blitt kjøpt opp, og jeg studerte maskinlærings-teknologien på stedet der DeepMind faktisk ble grunnlagt. David Silver, en av de ledende forskerne ved DeepMind, underviste en kurs i forsterkning-læring. Som en del av kurset, bygde jeg en agent som lærte å spille et spill – en forenklet versjon av blackjack. Da jeg fullførte AI-en og spilte mot min egen skapelse, kunne jeg ikke lenger vinne. Og det var en virkelig åpenbaring.

Min formelle introduksjon til maskinlærings-teknologien kom i mitt første år ved universitetet. Jeg studerte matematikk og datavitenskap ved Amsterdam University College. Samtidig ble det etablert massive nye åpne online-kurs, og jeg kunne delta i AI-kurs fra ledende personer i feltet. Kurset som hadde størst innvirkning var med Peter Norvig og Sebastian Thrun fra Stanford, og jeg kunne studere AI med 100 000 mennesker samtidig.

Nå med Kheiron, det jeg liker så mye om maskinlærings-teknologien, er bruken den har på den virkelige verden. Muligheten den har til å løse virkelige verdens-problemer. Det er det som virkelig opphenser meg.

Kunne du diskutere opphavet til Kheiron Medical?

Peter og jeg møttes i 2016 ved det britiske akselerator-programmet Entrepreneur First. Vi koblet oss umiddelbart – antageligvis på grunn av våre lignende bakgrunner. Vi begge kommer fra medisinske familier – Peters mor er radiolog, jeg vokste opp i en medisinsk familie, omgitt av leger, og begge valgte å gå ned STEM-veien.

Våre bakgrunner ga oss en klar forståelse av de utfordringer og problemene som helsearbeidere møter, og en forståelse av hvordan AI kan forbedre deres liv, samt livene til pasientene. Vi deler en tro på at AI sammen med kliniske eksperter vil endre helsevesenet til det bedre.

Det er et stort problem som må løses her. Det er en global mangel på radiologer. Mange mennesker dør av kreft – mer enn 40 000 amerikanske kvinner dør hvert år av brystkreft. En del av grunnen til at så mange mennesker dør av kreft er at leger ikke har riktig informasjon til å ta riktige beslutninger. AI kan hjelpe med det.

Først og fremst er Kheiron her for å hjelpe radiologen, så radiologen kan hjelpe pasientene. Jeg personlig blir veldig motivert av å grave ned i problemet for å forstå dets kompleksitet. Vi arbeider hardt for å virkelig forstå radiologenes arbeid, dataene de jobber med på en daglig basis, deres arbeidsflyt. Så kan vi finne ut hvordan vi kan utplassere AI som en del av denne arbeidsflyten.

Vi investerer tungt i å forstå brukerne og dataene. Vi har radiologer på vårt team som hjelper oss å integrere brukerbehovene i design- og utviklingsprosessen. Vi har et pasient-engasjement-initiativ som engasjerer direkte med kvinner for å forstå deres frykt og behov for brystscreening.

Mange mennesker spør meg om navnet på vårt selskap – Kheiron. Kheiron var en vis og mild kentaur – et vesen som er delvis menneske, delvis hest i gresk mytologi – som trente helten i medisin. Denne idéen om to halvdeler som danner noe mer kraftfullt enn de enkelte delene, er inspirasjonen for Kheiron – AI og kliniske eksperter som arbeider sammen for å endre hva som er mulig i standarden for omsorg.

Kunne du diskutere brystkreft-screening-løsningene som tilbys?

Vi arbeider med flere brystkreft-løsninger langs brystkreft-screening-veien.

Vårt første produkt heter Mia – som står for mammografi-intelligent vurdering. Mia er optimalisert for å utføre samme oppgave som radiologen – nemlig å bestemme om kvinnen skal kalles tilbake for videre undersøkelse eller ikke.

Nivået av ytelse vi oppnår, tillater oss å tenke om arbeidsflyten på nytt. For amerikanske kvinner, er dette ekstremt meningsfullt. USA har det som kalles en “enkel-leser-arbeidsflyt”. Dette betyr at hver mammografi leses av en radiolog. Imidlertid har Storbritannia og Europa en “doble-leser-arbeidsflyt”, som betyr at hver mammografi leses av to radiologer. Mange amerikanske radiologer anser dobbel-lesing som “gullstandarden” fordi det er mer sannsynlig å oppdage tidlige, små brystkreft enn enkelt-lesing.

Våre kliniske studier viser at Mia er en klinisk trygg og kostnadseffektiv løsning som en uavhengig eller samtidig lesing. Dette betyr at i USA, kan Mia brukes sammen med radiologen for å oppnå gullstandarden for en dobbel-leser-arbeidsflyt – med en enkelt menneskelig lesing. Som jeg sa tidligere, er dette virkelig hvordan vi ser på kraften til AI og menneskelig samarbeid for å løse store problemer.

Det første produktet vi bringer til den amerikanske markedet, heter Mia IQ, som sitter ett steg tidligere i brystkreft-screening-veien. Mia IQ hjelper radiografi-teknikerne med å analysere kvaliteten på bildet. Hvis vi kan forbedre kvaliteten på bildet, så vil kvaliteten på lesingen også gå opp. Og dette betyr at flere kreft-tilfeller vil bli oppdaget tidligere, når utfallene kan bli bedre for kvinnen.

Dette er veldig viktig for MQSA-kvalitetssikrings-auditer og for kontinuerlig opplæring, som er der vi forventer å se Mia IQs første anvendelser. Mia IQ gir screening-programmer med rapporter som detaljerer posisjons-problemer. Dette vil tillate program-lederne å gi punkt-opplæring for teknikerne og å håndtere eventuelle bredere bilde-kvalitets-problemer som kan påvirke deres kvalitetssikrings-auditer.

Hvor mange bilder har neuralt nettverk blitt trent på?

For oss, er mengden data ikke poenget. Det gode med brystkreft-screening-området, er at det finnes mye data tilgjengelig. Det finnes mye historisk data, fordi screening-programmer har vært rundt i lang tid. Og fordi du screener en hel befolkning, genereres det mye ny data.

Utfordringen er at dataene er sterkt skjeve. 99% av screening-populasjonen har ikke kreft, heldigvis, som betyr at det er en skjevhet mot normale bilder. Det er også populasjons-forskjeller, med en mangel på diversitet i dataene.

Så for Kheiron, er utfordringen ikke å få mengden data. I stedet, kommer en stor del av vår suksess fra å forstå hvilke data å samle for å få de beste resultater, og å være svært selektive og målrettede i hvor og hvordan vi får våre data. Vår samarbeid med Emory University er et godt eksempel på hvordan vi gjør dette.

Er feil-positiver for tiden et problem?

Feil-positiver er bare en del av problemet. Vitenskapen om screening avhenger av avveininger mellom feil-positiver og feil-negativer. For eksempel, kan vi oppnå en svært lav feil-positiv rate, men vi vil da også gå glipp av noen kreft-tilfeller. På den andre siden, kan vi ha svært få glipp av kreft-tilfeller hvis vi har en høy feil-positiv rate. Det er viktig å forstå disse avveininger og å balansere din screening-tjeneste basert på prioriteringer og ressurser.

Kulturelle og politiske forskjeller eksisterer også mellom land, som påvirker måten disse avveininger gjøres på. I noen land, anses det som svært problematisk å gå glipp av en kreft. I andre land, anses det som viktigere å minimere unødvendige tilbakekall på grunn av helse-utgiftene forbundet med hver tilbakekall.

Til slutt, handler det om å forstå hvordan denne avveinigen påvirker pasientene, i form av antall unødvendige tilbakekall og videre tester som erfaringer av “feil-positiv”-gruppen versus “feil-negativ”-gruppen hvis kreft-tilfeller ikke oppdages. Det er en vanskelig balanse-akt, men AI lover å heve standarden for begge grupper.

Kheiron Medical Technologies og Emory University kunngjorde nylig et samarbeid for å evaluere data fra tidligere mammografier på over 50 000 afro-amerikanske kvinner som har blitt skreenet ved Emory Healthcare. Kunne du dele flere detaljer om dette prosjektet?

Vårt samarbeid med Emory University utvider diversiteten av dataene vi bruker for å sikre at Mia, vår AI-brystkreft-screening-løsning, fungerer på samme standard for enhver kvinne, uavhengig av etnisitet.

Det første prosjektet i samarbeidet vil støtte valideringen av Mias ytelse mot Emorys diverse screening-populasjon. Dette er en multi-senter-studie som omfatter fire screening-sentre og sykehus. En kohort på over 200 000 screening-mammografier vil være inkludert i dette prosjektet – omtrent 45% av kvinnene i denne kohorten er av afro-amerikansk opphav.

Vi kunngjorde dette samarbeidet i slutten av november og har gjort stor fremgang siden da, selv når vi møter utfordringer med å operere under en global pandemi og fjern-arbeidsforhold. Jeg tror det er en stor kreditt til teamet ved Emory, som også er kliniske eksperter som gir utmerket omsorg til pasientene i samfunnet.

For tiden er vårt samarbeid investert i å etablere en sterk grunnlag for vårt fremtidige arbeid. Vi arbeider tett med Emory-teamet for å forstå kliniske arbeidsflyter. Dette tjener som den nødvendige grunnlaget for dypt analyse og avhøring av potensielle forskjeller mellom under-populasjoner, som etniske grupper.

Dette arbeidet er ikke enkelt eller raskt. Ikke mange ting i helsevesenet er det. Men det er svært belønning, og vi er heldige å ha en rekke globale partnere som er ekstremt samarbeidende og alignert med oss på vår felles misjon: å hjelpe enhver kvinne overalt å ha en bedre kamp-chance mot brystkreft.

Hvor stort er problemet med under-representasjon av ikke-hvite for bilde-data for kreft-diagnose?

Historisk sett har diversiteten av pasient-populasjoner ikke blitt speilet i medisinsk forskning i den utstrekning det burde være. De av oss som utvikler AI, har en ansvarlig rolle i å inkludere etnisk diversitet i våre studier.

Under-representerte populasjoner er et problem for brystkreft-screening. Resultater for afro-amerikanske kvinner er et eksempel på dette. Afro-amerikanske kvinner har en tendens til å ha høyere dødelighet (39% høyere enn ikke-hispanske hvite), og dette kan tilskrives tilgang til helsevesen, forsinkelser i diagnose og forsinkelser i behandlings-start, blant andre faktorer.

Generaliserbarheten av AI over ulike populasjoner er et viktig skritt mot å håndtere rasiske forskjeller i bryst-screening. Jeg er spesielt glad at vårt Kheiron-team er dedikert til å bygge en løsning som fungerer like godt på mammografier fra rase-diverse populasjoner – og dette er en stor motivator for vårt arbeid. Vårt samarbeid med Emory og UCSF vil hjelpe oss å oppnå denne visjonen om generaliserbarhet – å sikre at Mia gir hver kvinne, overalt en bedre kamp-chance mot brystkreft.

Takk for det flotte intervjuet og for å arbeide med så viktig livs-redningsteknologi. Lesere som ønsker å lære mer, bør besøke Kheiron Medical Technologies.