Jonas Muff, Założyciel & CEO Vara – Seria Wywiadów

Jonas Muff jest Założycielem & CEO Vara, platformy do wykrywania raka piersi. Założona w Niemczech, Vara działa w kilku krajach europejskich. 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.

Co początkowo skłoniło Cię do zainteresowania się sztuczną inteligencją?

Jako syn lekarza, zawsze wierzyłem, że potęga i możliwości opieki zdrowotnej leżą w profilaktyce, a nie tylko w leczeniu; utrzymaniu zdrowych ludzi w zdrowiu, zamiast tylko leczeniu chorych. Sztuczna inteligencja posiada klucz do odblokowania tego paradygmatu i pomocy nowoczesnym systemom opieki zdrowotnej w dokonaniu skoków kwantowych w diagnozie i leczeniu chorób. Diagnostyka oparta na sztucznej inteligencji ma potencjał być tańsza i mniej zależna od wiedzy ekspertów, której na świecie brakuje. W ten sposób sztuczna inteligencja może być wykorzystana do świadczenia wysokiej jakości medycyny w mniej rozwiniętych krajach, aby uczynić dostęp do dobrej opieki zdrowotnej sprawiedliwszym i bardziej globalnym.

Czy mógłbyś 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 rozwiązywać rzeczywiste problemy w innowacyjny sposób. Zgromadziliśmy zespół ekspertów od uczenia maszynowego, developerów oprogramowania, projektantów produktów i radiologów, i postanowiliśmy zrekonstruować proces wykrywania raka piersi od podstaw.

Podczas czytania mammogramów, radiolog jest skutecznie szuka igły w stogu siana. Podczas gdy ogromna większość mammogramów będzie uważana za „normalne” – to znaczy, nie zawierają one żadnych oznak raka piersi – niewielka, lecz znacząca mniejszość będzie podejrzana i wymaga dalszej analizy.

To nakłada ogromną presję na radiologa, aby upewnić się, że nie zostaną przegapione żadne przypadki, ale także wymaga od nich spędzania 98% (lub więcej) swojego codziennego życia na raportowaniu normalnych mammogramów. Jest to kombinacja, która może prowadzić do błędów i w której, od samego początku, uważaliśmy, że sztuczna inteligencja może pomóc rozwiązać oba problemy, kompensując błędy ludzkie i usuwając biurokratyczne obciążenia. W ten sposób radiolodzy mogą poświęcić więcej uwagi na wyszukiwanie 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 zaawansowanej sztucznej inteligencji, automatyzacji i narzędzi 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 czymś oczywistym 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 badań przesiewowych. Uważamy, że każda kobieta ma prawo do badań przesiewowych, dlatego nasza platforma została zaprojektowana tak, aby działała gdziekolwiek na świecie. Naszym celem jest uczynienie danych napędzanych wykrywaniem raka piersi bardziej dostępnym dla wszystkich.

Ile zestawów treningowych zostało użytych do treningu danych, i czy te zestawy obejmują szeroką gamę typów skóry?

Nasze modele zostały opracowane na podstawie ponad 7 milionów mammogramów przy użyciu danych z Europy, głównie z Niemiec.

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

Podczas oceny Vara, nie tylko rozważaliśmy średnią wydajność, ale także sprawdziliśmy wyniki w każdej podgrupie, tj. 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 mających gęstsze piersi, na przykład, 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, dostarczając standaryzowany, przesiewowy proces napędzany przez AI.

System Vara używa 3 typów klasyfikacji dla każdego mammogramu, czy mógłbyś 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 przypadkach, gdy jest pewny swoich prognoz — pozostawiając inne przypadki do ludzkiej ekspertyzy.

Celem ścieżki decyzji jest wspieranie radiologa za pomocą sztucznej inteligencji, aby poprawić zarówno czułość, jak i swoistość, tj. zmniejszyć fałszywe negatywy i fałszywe pozytywy. Jednocześnie sztuczna inteligencja nie jest doskonała i nie może dokonywać 100% poprawnych prognoz we wszystkich przypadkach. Dlatego celem ścieżki decyzji jest połączenie ludzkiej ekspertyzy radiologów z technicznymi możliwościami sztucznej inteligencji, aby poprawić oba.

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 minimalną ilością błędnych klasyfikacji.
2. Sieć bezpieczeństwa: W przypadkach, w których AI jest bardzo pewny, że obrazy są podejrzane, oferuje sieć bezpieczeństwa: Jeśli radiolog zaklasyfikuje jeden z tych przypadków jako negatywny, sieć bezpieczeństwa wyzwala i wskazuje radiologowi konkretny obszar w obrazie, który jest podejrzany dla AI. Radiolog może następnie ponownie rozważyć decyzję, potencjalnie wykrywając 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 aktywuje się sieć bezpieczeństwa (najbardziej podejrzane przypadki). Dla tych przypadków AI nie jest wystarczająco pewny i decyzja powinna należeć do radiologa.

Wewnętrzną właściwością ścieżki decyzji jest jej konfigurowalność. Możemy skonfigurować AI tak, aby najniższe 50% przypadków zostało oznaczonych jako normalne, lub możemy ją skonfigurować tak, aby oznaczyć najniższe 70% 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. To jest, wyniki biopsji lub dwuletni follow-up każdego przypadku. Poprzez wykorzystanie szerokich i reprezentatywnych zbiorów danych, zapobiegamy stronniczości w danych treningowych.

Następnie opracowaliśmy Sieć bezpieczeństwa, aby zmniejszyć potencjalną stronniczość 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 lokalizowaną prognozę. To daje radiologowi możliwość ponownego przeanalizowania swojego pierwotnego raportu i dostosowania go. W ten sposób Sieć bezpieczeństwa pomaga zmniejszyć przypadki niezdiagnozowanych raków.

W przeciwieństwie do ludzi, model nie męczy się, i jest ciągle dostarczany z poprawioną wydajnością, niezależnie od pory dnia. AI może więc obiektywizować wyniki radiologów.

Czy mógłbyś omówić wyzwania związane z wykrywaniem raka piersi, gdy chodzi o możliwe przypadki brzegowe, takie jak implanty?

Nasze modele zostały opracowane na podstawie rzeczywistych, zróżnicowanych danych wszystkich kobiet poddanych badaniom przesiewowym, w tym kobiet z implantami. Nie stwierdziliśmy, że te przypadki są szczególnym wyzwaniem dla Vara. Ponadto, nasz model nie dokonuje oświadczenia we wszystkich przypadkach. Jeśli jest niepewny co do konkretnego przypadku, odsyła decyzję do radiologów, co nazywamy podejściem decyzji (patrz powyżej).

Vara również przeprowadza badania mammogramów, w tym kroku procesu, co jest szukane szczególnie?

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

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

Platforma AI Vara z podejściem decyzji jest obecnie wykorzystywana 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 stanu sztuki, standaryzowanego procesu przesiewowego.

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 AI Vara pokazuje ogromne obietnice pod względem odtwarzalności i uogólnienia. Duże badanie retrospektywne jest obecnie w prasie w renomowanym Lancet Digital Health, a także inne ważne publikacje przeglądowe na temat prewencji raków piersi w European Journal of Radiology.

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

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