Allan Hanbury, współzałożyciel contextflow – seria wywiadów

Allan Hanbury jest profesorem Inteligencji Danych na TU Wien w Austrii, oraz członkiem Complexity Science Hub, gdzie kieruje badaniami i innowacjami, aby nadać sens nieustrukturyzowanym danym. Jest inicjatorem austriackiego projektu ICT Lighthouse, Data Market Austria, który tworzy ekosystem usług danych w Austrii. Był koordynatorem naukowym projektu Unii Europejskiej Khresmoi dotyczącego wyszukiwania i analizy informacji medycznych i zdrowotnych, oraz jest współzałożycielem contextflow, spin-offu, który komercjalizuje technologię wyszukiwania obrazów radiologicznych opracowaną w projekcie Khresmoi. Koordynował również projekt Unii Europejskiej VISCERAL dotyczący oceny algorytmów na dużych zbiorach danych oraz projekt Unii Europejskiej KConnect dotyczący technologii do analizy tekstu medycznego.

contextflow to spin-off z Medycznego Uniwersytetu Wiedeńskiego i europejskiego projektu badawczego KHRESMOI. Czy mógłbyś nam powiedzieć o projekcie KHRESMOI?

Oczywiście! Celem Khresmoi było stworzenie wielojęzycznego, wielomodalnego systemu wyszukiwania i dostępu do informacji biomedycznych i dokumentów, co wymagało od nas skutecznego zautomatyzowania procesu ekstrakcji informacji, opracowania adaptacyjnych interfejsów użytkownika oraz połączenia nieustrukturyzowanych i półustrukturyzowanych informacji tekstowych z obrazami. Chcieliśmy uczynić proces wyszukiwania informacji dla profesjonalistów medycznych niezawodnym, szybkim, dokładnym i zrozumiałym.

Jaki jest obecnie zestaw danych, który napędza algorytm głębokiego uczenia contextflow?

Nasze dane obejmują około 8000 tomografii komputerowych płuc. Ponieważ nasz AI jest dość elastyczny, przechodzimy do następnego etapu, czyli do obrazów rezonansu magnetycznego mózgu.

Czy zaobserwowaliście poprawę w działaniu AI wraz ze wzrostem zestawu danych?

Często zadawane jest nam to pytanie, a odpowiedź nie jest najprawdopodobniej satysfakcjonująca dla większości czytelników. W pewnym stopniu tak, jakość poprawia się wraz ze wzrostem liczby badań, ale po przekroczeniu pewnego progu nie uzyskuje się już znacznej poprawy tylko dzięki zwiększeniu liczby badań. Ile jest wystarczająco dużo, zależy od różnych czynników (narządu, modalności, wzoru choroby itp.), a podanie dokładnej liczby jest niemożliwe. Najważniejsza jest jakość danych.

Czy contextflow jest zaprojektowany dla wszystkich przypadków, czy tylko do określenia różnicowej diagnozy dla trudnych przypadków?

Radiolodzy są naprawdę dobrzy w tym, co robią. W większości przypadków wyniki są oczywiste, a zewnętrzne narzędzia są niepotrzebne. contextflow wyróżnia się na rynku, koncentrując się na ogólnym wyszukiwaniu, a nie na automatycznej diagnozie. Istnieją kilka przypadków użycia naszych narzędzi, ale główny to pomoc w trudnych przypadkach, w których wyniki nie są natychmiast widoczne. Tutaj radiolodzy muszą konsultować się z różnymi źródłami, a ten proces zajmuje czas. contextflow SEARCH, nasza trójwymiarowa wyszukiwarka obrazowa, ma na celu skrócenie czasu potrzebnego radiologom do wyszukiwania informacji podczas interpretacji obrazu, umożliwiając im wyszukiwanie za pomocą samego obrazu. Ponieważ dostarczamy również informacje referencyjne przydatne do różnicowej diagnozy, szkolenie nowych radiologów to kolejny obiecujący przypadek użycia.

Czy mógłbyś nas przeprowadzić przez proces korzystania z platformy contextflow przez radiologa?

contextflow SEARCH Lung CT jest w pełni zintegrowany z workflow radiologa (w przeciwnym razie nie używaliby go). Radiolog wykonuje swoją pracę zwykle, a gdy potrzebuje dodatkowych informacji o konkretnym pacjencie, po prostu wybiera obszar zainteresowania w tym badaniu i klikają ikonę contextflow w swojej stacji roboczej, aby otworzyć nasz system w nowym oknie przeglądarki. Stamtąd otrzymają przypadki referencyjne z naszej bazy danych pacjentów z podobnymi wzorami chorób, jak u pacjenta, którego aktualnie oceniają, oraz statystyki i literaturę medyczną (np. radiopedia). Mogą przewinąć swój pacjenta w naszym systemie normalnie, wybierając dodatkowe obszary do wyszukiwania dodatkowych informacji i porównując je równolegle z przypadkami referencyjnymi. Są również mapy cieplne, które zapewniają wizualizację ogólnego rozkładu wzorów chorób, co pomaga w raportowaniu wyników. Naprawdę staraliśmy się umieścić wszystko, czego radiolog potrzebuje do napisania raportu, w jednym miejscu i udostępnić to w ciągu kilku sekund.

To było początkowo zaprojektowane dla badań tomografii komputerowej płuc, czy contextflow będzie rozszerzony o inne typy badań?

Tak! Mamy listę narządów i modalności, o które proszą radiolodzy, które chcemy dodać. Ostatecznym celem jest zapewnienie systemu, który obejmuje całe ludzkie ciało, niezależnie od narządu czy typu badania.

contextflow otrzymał wsparcie dwóch wspaniałych programów inkubatorowych INiTS i i2c TU Wien. Jak korzystne były te programy i co nauczyłeś się z tego procesu?

Zależymy bardzo od tych inkubatorów. Obie połączyły nas z mentorami, konsultantami i inwestorami, którzy zakwestionowali nasz model biznesowy i ostatecznie wyjaśnili nam, kto, dlaczego i jak. Zapewnili również praktyczną pomoc, dostarczając fundusze i miejsce pracy, abyśmy mogli się skoncentrować na pracy i nie martwić się zbyt dużo o kwestie administracyjne. Naprawdę nie moglibyśmy dojść tak daleko bez ich wsparcia. Austriacki ekosystem startupów jest jeszcze mały, ale są programy, które pomagają wprowadzić innowacyjne pomysły do życia.

Jesteś również inicjatorem austriackiego projektu ICT Lighthouse, którego celem jest budowanie zrównoważonego ekosystemu usług danych w Austrii. Czy mógłbyś nam powiedzieć więcej o tym projekcie i o Twojej roli w nim?

Ilność danych wytwarzanych codziennie rośnie wykładniczo, a ich znaczenie dla większości branż również rośnie… jest to jeden z najważniejszych zasobów na świecie! Projekt Data Market Austria’s Lighthouse ma na celu opracowanie lub reformę wymagań dla udanych przedsięwzięć opartych na danych, zapewniając niskie koszty, wysoką jakość i interoperacyjność. Koordynowałem ten projekt w pierwszym roku 2016-2017. To doprowadziło do utworzenia Data Intelligence Offensive, w której jestem członkiem zarządu. Misją DIO jest wymiana informacji i know-how między członkami dotyczącymi zarządzania danymi i bezpieczeństwa.

Czy jest coś jeszcze, co chciałbyś podzielić się z naszymi czytelnikami o contextflow?

Przepływy pracy radiologiczne nie są często przedmiotem zainteresowania przeciętnego obywatela, i tak powinno być. System powinien po prostu działać. Niestety, kiedy stajesz się pacjentem, zdajesz sobie sprawę, że nie zawsze tak jest. contextflow pracuje nad transformacją tego procesu zarówno dla radiologów, jak i pacjentów. Możecie oczekiwać wielu ekscytujących rozwojów od nas w nadchodzących latach, więc zostańcie z nami!

Proszę odwiedzić contextflow, aby dowiedzieć się więcej.