Jonas Muff, Założyciel i Dyrektor Generalny Vara – Seria Wywiadów

Jonas Muff jest założycielem i dyrektorem generalnym Vara, platformy do wykrywania raka piersi. Założona w Niemczech, Vara działa w kilku krajach Europy. Ostatnio ogłosili oni dwa duże partnerstwa w tym roku w Grecji i Meksyku, co sprawi, że ich technologia będzie dostępna dla ponad 30 milionów kobiet.

Czym początkowo zainteresował się Pan dziedziną sztucznej inteligencji?

Jako syn lekarza, zawsze wierzyłem, że siła i potencjał opieki zdrowotnej tkwią w zapobieganiu, a nie tylko w leczeniu; utrzymaniu zdrowych ludzi w zdrowiu, a nie tylko leczeniu chorych. Sztuczna inteligencja posiada klucz do odblokowania tego paradygmatu, a także do pomocy nowoczesnym systemom opieki zdrowotnej w osiągnięciu skoków jakościowych w diagnozie i leczeniu chorób. Diagnostyka wspomagana przez sztuczną inteligencję może być tańsza i mniej zależna od zasobów wiedzy eksperckiej, których na świecie brakuje. W ten sposób sztuczna inteligencja mogłaby być wykorzystywana do zapewnienia wysokiej jakości medycyny w mniej rozwiniętych krajach, aby uczynić dostęp do dobrej opieki zdrowotnej sprawiedliwszym i bardziej globalnym.

Czy mógłby Pan opowiedzieć o historii powstania Vara?

Vara powstała z Merantix, studia venture w Berlinie, którego celem jest odblokowanie potencjału sztucznej inteligencji poprzez współpracę. Merantix łączy ludzi z różnych środowisk, wszystkich z przedsiębiorczym nastawieniem, aby rozwiązać prawdziwe problemy w innowacyjny sposób. Zgromadziliśmy zespół ekspertów od uczenia maszynowego, developerów oprogramowania, projektantów produktów i radiologów, i postanowiliśmy zreorganizować proces wykrywania raka piersi od podstaw.

Podczas czytania mammografii, radiolog jest skutecznie szukał igły w stogu siana. Podczas gdy ogromna większość mammografii będzie uznana za „normalną” – to znaczy, nie zawierają żadnych oznak raka piersi – niewielka, lecz bardzo istotna mniejszość będzie podejrzana i wymaga dalszej analizy.

To nakłada ogromną presję na radiologa, aby upewnić się, że nie zostaną pominięte żadne „igły”. Jednocześnie muszą oni spędzać 98% (lub więcej) swojego codziennego życia na raportowaniu normalnych mammografii. Jest to połączenie, które może prowadzić do błędów, i w którym od samego początku wierzymy, że sztuczna inteligencja może pomóc rozwiązać oba problemy, rekompensując błędy ludzkie i usuwając obciążenie administracyjne. W ten sposób radiolodzy mogą poświęcić więcej uwagi znalezieniu anomalii.

Z tym na uwadze, współpracowaliśmy z niektórymi z czołowych niemieckich radiologów, aby zbudować platformę, która standaryzuje cały proces kliniczny i ulepsza go za pomocą zaawansowanych narzędzi sztucznej inteligencji, automatyzacji i zarządzania danymi. Zamiast próbować zastąpić radiologów, platforma Vara ma na celu „naładowanie” ich, aby uczynić procesy bardziej wydajnymi, przejrzystymi i skutecznymi.

Przez naszą pracę zrealizowaliśmy również, że chociaż wykrywanie raka piersi jest dane w większości krajów europejskich, w tym w naszym kraju ojczystym, Niemczech – który ma dumne dziedzictwo rozpoczęcia programu przesiewowego w 2002 roku – większość krajów na świecie nie oferuje kobietom przesiewu. Wierzymy, że każda kobieta ma prawo do przesiewu, a zatem nasza platforma została zaprojektowana tak, aby działać w dowolnym miejscu na świecie. Naszym celem jest uczynienie przesiewu raka piersi opartego na danych bardziej dostępnym dla wszystkich.

Ile zestawów treningowych zostało wykorzystanych do trenowania danych, a czy te zestawy obejmują szeroki zakres typów skóry?

Nasze modele zostały opracowane na podstawie ponad 7 milionów mammografii, wykorzystując dane z Europy, głównie z Niemiec.

Mammografie są bardzo podobne między różnymi populacjami i etnicznościami. To, co się różni w populacjach na całym świecie, to gęstość piersi (ilość tkanki tłuszczowej w piersi), patologiczne podtypy raka, a także rodzaje i rozmiary guzów.

Poddając Vara ocenie, nie tylko rozważyliśmy średnią wydajność, ale także wydajność w każdej podgrupie, tzn. piersi tłuszczowe vs. gęste, lub małe vs. duże guzy. Nasze wyniki pokazują, że możemy poprawić wskaźniki radiologów we wszystkich istotnych podgrupach.

To oznacza, że nawet jeśli kobiety z innych populacji mają tendencję do posiadania gęstszych piersi, Vara nadal poprawi ich standard opieki. Przeprowadziliśmy lokalną ocenę, aby zrozumieć wydajność AI w Meksyku, aby upewnić się, że rzeczywiście poprawiamy standard opieki. I będziemy nadal monitorować prospektywną wydajność Vara w czasie rzeczywistym i pozostawać w stałym dialogu z naszymi partnerami przesiewowymi. Naszym celem jest poprawienie standardu opieki w Meksyku, zapewniając standaryzowany, przesiewowy proces napędzany przez AI.

Vara wykorzystuje 3 typy klasyfikacji dla każdej mammografii, czy mógłby Pan omówić, co to są i jak pomagają w zapobieganiu fałszywym pozytywom?

Ścieżka decyzji jest procesem przesiewowym opracowanym przez Vara, w którym algorytm dokonuje oświadczenia tylko w przypadku, gdy jest pewny, że dokonuje dokładnych przewidywań — pozostawiając inne przypadki do ludzkiej ekspertyzy.

Celem ścieżki decyzji jest wsparcie radiologa za pomocą AI, aby poprawić zarówno czułość, jak i specyficzność, tj. zmniejszyć fałszywe negatywy i fałszywe pozytywy. Jednocześnie AI nie jest doskonała i nie może dokonywać 100% poprawnych przewidywań we wszystkich przypadkach. Dlatego celem ścieżki decyzji jest połączenie ludzkiej ekspertyzy radiologów z technicznymi możliwościami AI, aby poprawić obie.

Trzy typy klasyfikacji to:

1. Normalne triage: Algorytm wybiera podzbiór przypadków, które uważa za normalne z wysokim poziomem pewności i automatycznie oznacza te przypadki dla radiologa. Celem normalnego triage jest oznaczenie jak największej liczby przypadków normalnych jako negatywnych, z minimalnymi błędami klasyfikacji.
2. Sieć bezpieczeństwa: Dla przypadków, w których AI jest bardzo pewna, że obrazy są podejrzane, oferuje sieć bezpieczeństwa: Jeśli radiolog zaklasyfikuje jeden z tych przypadków jako negatywny, sieć bezpieczeństwa zostaje uruchomiona i wskazuje radiologowi konkretny obszar w obrazie, który jest podejrzany dla AI. Radiolog może wtedy ponownie rozważyć decyzję, potencjalnie łapiąc raka, który mógłby zostać pominięty.
3. Nieklasyfikowane przypadki: Co ważne, AI nie dokonuje oświadczenia we wszystkich przypadkach. Są przypadki, które nie są klasyfikowane jako normalne (najmniej podejrzane przypadki), ani nie uruchamiają sieci bezpieczeństwa (najbardziej podejrzane przypadki). Dla tych przypadków AI nie jest wystarczająco pewna, a ekspertyza decyzyjna powinna pochodzić od radiologa.

Własność ścieżki decyzji jest jej konfigurowalność. Możemy skonfigurować AI tak, aby 50% przypadków było oznaczonych jako normalne, lub możemy ją skonfigurować tak, aby 70% przypadków było oznaczonych jako normalne. Podobnie, sieć bezpieczeństwa może być aktywowana dla 1% najbardziej podejrzanych przypadków lub alternatywnie dla 2% najbardziej podejrzanych przypadków.

Ludzie, w tym radiolodzy, często doświadczają cognitive bias, jak aplikacja AI pomaga rozwiązać ten problem?

Nasza AI nauczyła się z danych z jednego z najlepszych systemów przesiewowych na świecie w Niemczech. Ponadto, podczas treningu AI ma dostęp do danych, których radiolodzy nie mają w praktyce klinicznej, tj. wyników biopsji lub dwuletniego follow-upu każdego przypadku. Wykorzystując szerokie i reprezentatywne zestawy danych, zapobiegamy błędom w danych treningowych.

Następnie opracowaliśmy Sieć bezpieczeństwa, aby zmniejszyć potencjalne błędy w interakcji między ludźmi a AI. Sieć bezpieczeństwa nie pokazuje podejrzanych obszarów radiologowi na początku. Zamiast tego radiolog raportuje swoje wyniki z Vara viewer, a w przypadku, gdy AI nie zgadza się z oceną radiologa, Vara pokazuje lokalizację prognozy. Daje to radiologowi możliwość ponownego rozważenia swojej pierwotnej oceny i dostosowania jej. W ten sposób Sieć bezpieczeństwa pomaga zmniejszyć liczbę pominiętych raków.

W przeciwieństwie do ludzi, model nie męczy się, i stale dostarcza poprawionej wydajności, niezależnie od pory dnia. AI może zatem obiektywizować wyniki radiologów.

Czy mógłby Pan omówić wyzwania związane z wykrywaniem raka piersi w przypadku możliwych przypadków brzegowych, takich jak implanty?

Nasze modele zostały opracowane na podstawie rzeczywistego, zróżnicowanego zestawu danych wszystkich kobiet, które przeszły przesiew, w tym kobiet z implantami. Nie stwierdziliśmy, że te przypadki są szczególnym wyzwaniem dla Vara. Dodatkowo, nasz model nie dokonuje oświadczenia we wszystkich przypadkach. Jeśli jest niepewny co do konkretnego przypadku, odsyła decyzję do radiologa, co nazywamy ścieżką decyzji (patrz powyżej).

Vara również przeprowadza przesiew mammografii, w tym etapie procesu co jest szukane konkretnie?

Vara pokazuje prognozy po tym, jak radiolog sformułował swoją opinię (patrz „Sieć bezpieczeństwa” powyżej). Radiolodzy zyskują krytyczne spojrzenie, porównując rozwój tkanek i guzów w czasie. Podobnie, wykorzystanie informacji czasowych poprawi jeszcze bardziej dokładność diagnostyczną modeli AI. Nasz AI nie tylko działa na bieżącym badaniu, ale także sprawdza poprzednie badania w poszukiwaniu oznak raka — z obietnicą dalszego poprawienia wyników przesiewowych.

Czy jest coś jeszcze, co Pan chciałby podzielić się na temat Vara?

Podejście Vara do ścieżki decyzji jest już teraz wykorzystywane w 30% wszystkich jednostek przesiewowych w Niemczech. W ramach naszej globalnej misji, niedawno uruchomiliśmy jednostki przesiewowe w Meksyku i Grecji, we współpracy z dostawcami opieki zdrowotnej na miejscu w tych regionach. Z takimi partnerami, pokazujemy, jak możemy wykorzystać istniejącą infrastrukturę opieki zdrowotnej, aby umożliwić im przeskoczenie ich obecnego stanu do usługi przesiewowej w standardzie.

Nasz zespół podwoił się do 30 i mianowaliśmy globalnych ekspertów w dziedzinie radiologii, takich jak Professor Katja Pinker-Domenig, który został naszym głównym doradcą medycznym, a także Stephana Dreiera jako Chief Revenue Officer. Mamy również współpracę z renomowanymi instytucjami akademickimi w USA i Europie, takimi jak Memorial Sloan Kettering Cancer Center, University of Cambridge, Karolinska Institutet i Cancer Registry of Norway.

Wydajność Vara pokazuje ogromną obietnicę pod względem odtwarzalności i uogólnienia. Duże badanie retrospektywne jest obecnie w prasie w słynnym Lancet Digital Health, a także inne ważne publikacje recenzowane na temat zapobiegania rakowi piersi w European Journal of Radiology.

Vara rozpoczęła pierwsze prospektywne badanie w Niemczech, aby pokazać wpływ Vara na rutynę kliniczną. Wszystkie te osiągnięcia pomagają nam osiągnąć nasz główny cel, jakim jest uczynienie przesiewu raka piersi opartego na danych bardziej dostępnym dla wszystkich.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Vara.