Tobias Rijken, Współzałożyciel i CTO w Kheiron Medical Technologies – Wywiad

Tobias Rijken jest Współzałożycielem i CTO w Kheiron Medical Technologies, firmie medycznej, która wykorzystuje zaawansowane technologie uczenia maszynowego do opracowania i dostarczania inteligentnych narzędzi dla radiologów, oddziałów radiologii, ośrodków obrazowania i szpitali w celu poprawy wydajności, spójności i dokładności raportowania radiologicznego.

Kheiron Medical Technologies została założona z celem pomocy radiologom w wykrywaniu raka piersi za pomocą oprogramowania z wykorzystaniem uczenia maszynowego.

Czym było Twoje pierwsze zetknięcie z uczeniem maszynowym?

Moją nieformalną wprowadzenie do uczenia maszynowego było, gdy po raz pierwszy zacząłem uczyć się programowania jako młody nastolatek. Był to silnik gier, w którym mogłem programować własne gry. Chciałem zagrać w tę grę, ale z kim mógłbym zagrać? Mogłem zagrać z innym graczem, ale mogłem również zagrać z programem. Jak mogłem stworzyć program, który uczy się grać w grę? Nie był to nowoczesny AI, był to AI oparty na regułach. Pokonałem go każdy raz, więc nie był to dobry AI.

Gdy studiowałem na Uniwersytecie w Londynie, weszliśmy w nową erę nowoczesnego AI. DeepMind został właśnie przejęty, a ja studiowałem uczenie maszynowe w miejscu, gdzie DeepMind został założony. David Silver, jeden z wiodących naukowców DeepMind, prowadził kurs na temat uczenia maszynowego. W ramach kursu zbudowałem agenta, który mógł się uczyć grać w grę – uproszczoną wersję blackjacka. Gdy skończyłem AI i zagrałem przeciwko mojemu własnemu stworzeniu, nie mogłem go już pokonać. I to było prawdziwe objawienie.

Moją formalną wprowadzenie do uczenia maszynowego miało miejsce w moim pierwszym roku studiów. Studiowałem matematykę i nauki komputerowe na Uniwersytecie w Amsterdamie. W tym samym czasie powstały nowe otwarte kursy online, a ja mogłem dołączyć do kursów AI prowadzonych przez wiodących specjalistów w tej dziedzinie. Kurs, który miał największy wpływ, był prowadzony przez Petera Norviga i Sebastiana Thruna ze Stanfordu, a ja mogłem studiować AI z 100 000 ludzi w tym samym czasie.

Teraz, w Kheiron, to, co tak bardzo mnie fascynuje w uczeniu maszynowym, to jego zastosowanie w świecie rzeczywistym. Możliwość rozwiązywania rzeczywistych problemów. To jest to, co mnie naprawdę ekscytuje.

Czy mógłbyś opowiedzieć o historii powstania Kheiron Medical?

Peter i ja spotkaliśmy się w 2016 roku w brytyjskim akceleratorze Entrepreneur First. Połączyliśmy się od razu – prawdopodobnie ze względu na nasze podobne tło. Oboje pochodzimy z rodzin medycznych – matka Petera jest radiologiem, a ja dorastałem w rodzinie medycznej, otoczony lekarzami, a oboje zdecydowaliśmy się pójść drogą STEM.

Nasze tło dało nam wyraźny widok na trudności i wyzwania, z którymi borykają się pracownicy służby zdrowia, oraz zrozumienie, w jaki sposób AI może poprawić ich życie, a także życie pacjentów. Wierzymy, że AI wraz z klinicystami zmieni opiekę zdrowotną na lepsze.

Istnieje duży problem do rozwiązania. Istnieje globalny brak radiologów. Wiele osób umiera na raka – ponad 40 000 amerykańskich kobiet umiera każdego roku na raka piersi. Część powodu, dla którego tak wiele osób umiera na raka, jest taka, że lekarze nie mają odpowiednich informacji, aby podejmować odpowiednie decyzje. AI może pomóc w tym.

Najpierw i przede wszystkim Kheiron jest tu, aby pomóc radiologom, aby radiologom mogli pomóc pacjentom. Osobiście bardzo motywuje mnie zagłębianie się w problem, aby zrozumieć jego niuanse. Wszyscy pracujemy ciężko, aby naprawdę zrozumieć pracę radiologów, dane, z którymi pracują na co dzień, ich przepływ pracy. Wtedy możemy ustalić, jak możemy wdrożyć AI jako część tego przepływu.

Inwestujemy ciężko w głębokie zrozumienie użytkowników i danych. Mamy radiologów w naszym zespole, którzy pomagają nam włączyć potrzeby użytkowników do procesu projektowania i rozwoju. Mamy inicjatywę zaangażowania pacjentów, która angażuje się bezpośrednio z kobietami, aby zrozumieć ich obawy i potrzeby dotyczące mammografii.

Wiele osób pyta mnie o nazwę naszej firmy – Kheiron. Kheiron był mądrym, łagodnym centaurem – stworzeniem, które jest po części człowiekiem, po części koniem w mitologii greckiej – który szkolił bohaterów w medycynie. Ta idea o dwóch połowach tworzących coś potężniejszego niż poszczególne części jest inspiracją dla Kheiron – AI i klinicysty pracujących razem, aby zmienić to, co jest możliwe w standardzie opieki.

Czy mógłbyś opowiedzieć o rozwiązaniach do mammografii, które są oferowane?

Pracujemy nad kilkoma rozwiązaniami do mammografii wzdłuż ścieżki mammografii.

Naszy pierwszy produkt to Mia – co oznacza mammografia inteligentna ocena. Mia została zoptymalizowana do wykonania tego samego zadania, co radiolog – a mianowicie, aby określić, czy kobieta powinna zostać wezwana na dalsze badanie, czy nie.

Poziom wydajności, jaki osiągamy, pozwala nam przemyśleć przepływ pracy. Dla amerykańskich kobiet jest to niezwykle istotne. Stany Zjednoczone mają tzw. “przepływ pracy z jednym czytelnikiem”. Oznacza to, że każda mammografia jest czytana przez jednego radiologa. Jednak Wielka Brytania i Europa mają “przepływ pracy z dwoma czytelnikami”, co oznacza, że każda mammografia jest czytana przez dwóch radiologów. Wielu amerykańskich radiologów uważa, że podwójne czytanie jest “złotym standardem”, ponieważ jest bardziej prawdopodobne, że wykryje wczesne, małe raki piersi.

Nasze badania kliniczne dowodzą, że Mia jest klinicznie bezpiecznym i ekonomicznie uzasadnionym rozwiązaniem jako niezależny czytelnik lub czytelnik współpracujący. Oznacza to, że w Stanach Zjednoczonych Mia może być używana wraz z radiologiem, aby osiągnąć ten złoty standard przepływu pracy z podwójnym czytaniem – z jednym czytelnikiem ludzkim. Jak powiedziałem wcześniej, to jest prawdziwa siła AI i człowieka pracujących razem, aby rozwiązać duże problemy.

Naszy pierwszy produkt, który wprowadzamy na rynek amerykański, to Mia IQ, który znajduje się o jeden krok wcześniej w ścieżce mammografii. Mia IQ pomaga technicy radiografii analizować jakość obrazu. Jeśli możemy poprawić jakość obrazu, to jakość odczytu również wzrośnie. A to oznacza, że więcej raków zostanie wykrytych wcześniej, kiedy wyniki mogą być lepsze dla kobiety.

To jest bardzo istotne dla audytów jakości MQSA i ciągłego szkolenia, gdzie spodziewamy się zobaczyć pierwsze zastosowania Mia IQ. Mia IQ dostarcza programom przesiewowym raporty szczegółowe dotyczące problemów z pozycjonowaniem. To pozwoli dyrektorom programów na przeprowadzenie szkoleń punktowych dla techników i rozwiązanie ewentualnych problemów z jakością obrazu, które mogą wpłynąć na ich audyty jakości.

Ile obrazów zostało wykorzystanych do szkolenia sieci neuronowej?

Dla nas ilość danych nie jest punktem. Dobra rzecz w przestrzeni mammografii jest taka, że jest dostępnych wiele danych. Jest wiele historycznych danych, ponieważ programy przesiewowe istnieją już od dłuższego czasu. A ponieważ ekranujemy całą populację, jest wiele nowych danych, które są generowane.

Wyzwaniem jest to, że dane są silnie spolaryzowane. 99% populacji przesiewowej nie ma raka, co oznacza, że jest skłonność w stronę normalnych obrazów. Są również różnice populacyjne, z brakiem różnorodności w danych.

Więc dla Kheiron wyzwaniem nie jest uzyskanie ilości danych. Zamiast tego, gdzie duża część naszego sukcesu pochodzi, jest zrozumienie, które dane zebrać, aby uzyskać najlepsze wyniki, i być bardzo selektywnym i ukierunkowanym w tym, gdzie i jak uzyskujemy dane. Nasza współpraca z Uniwersytetem Emory jest doskonałym przykładem, jak to robimy.

Czy fałszywe pozytywy są obecnie problemem?

Fałszywe pozytywy są tylko częścią problemu. Nauka o przesiewach opiera się na kompromisach między fałszywymi pozytywami i fałszywymi negatywami. Na przykład, możemy osiągnąć bardzo niski wskaźnik fałszywych pozytywów, ale będziemy musieli pomijać niektóre raki. Z drugiej strony, możemy mieć bardzo niewiele pominiętych raków, jeśli mamy wysoki wskaźnik fałszywych pozytywów. Ważne jest, aby zrozumieć te kompromisy i zbalansować naszą usługę przesiewową na podstawie priorytetów i zasobów.

Różnice kulturowe i polityczne również istnieją między krajami, co wpływa na to, jak te kompromisy są podejmowane. W niektórych krajach pominięcie raka jest uważane za bardzo problematyczne. W innych krajach uważa się, że jest bardziej istotne, aby zminimalizować niepotrzebne wezwania ze względu na koszty opieki zdrowotnej związane z każdym wezwaniem.

Ostatecznie chodzi o to, aby zrozumieć, jak ten kompromis wpływa na pacjentów, w zakresie liczby niepotrzebnych wezwań i dalszych badań doświadczanych przez grupę “fałszywych pozytywów” w porównaniu z grupą “fałszywych negatywów”, których raki nie są wykrywane. Jest to trudne zadanie, ale AI obiecuje podnieść poprzeczkę dla obu grup.

Kheiron Medical Technologies i Uniwersytet Emory ogłosiły niedawno współpracę w celu oceny danych z poprzednich mammografii u ponad 50 000 czarnoskórych kobiet, które zostały przebadane w Emory Healthcare. Czy mógłbyś podzielić się więcej szczegółami na temat tego projektu?

Nasza współpraca z Uniwersytetem Emory rozszerza różnorodność danych, które wykorzystujemy, aby upewnić się, że nasze rozwiązanie AI do mammografii działa na tym samym poziomie dla każdej kobiety, niezależnie od etniczności.

Pierwszy projekt w ramach współpracy pomoże w walidacji wyników naszego rozwiązania AI w porównaniu z różnorodną populacją przesiewową Emory. Jest to wielo-ośrodkowe badanie, które obejmuje cztery ośrodki przesiewowe i szpitale. W badaniu tym zostanie uwzględniony kohort ponad 200 000 mammografii – około 45% kobiet w tym kohorcie to kobiety pochodzenia afroamerykańskiego.

Ogłosiliśmy tę współpracę pod koniec listopada i od tego czasu zrobiliśmy duże postępy, nawet biorąc pod uwagę wyzwania związane z pandemią i pracą zdalną. Uważam, że to jest ogromna wzmianka dla zespołu Emory, który jest również klinicystami, zapewniającymi doskonałą opiekę pacjentom w społeczności.

Obecnie nasza współpraca jest ukierunkowana na zaangażowanie energii w celu utworzenia solidnej podstawy dla naszej przyszłej pracy. Pracujemy ściśle z zespołem Emory, aby zrozumieć przepływ pracy klinicznej. To służy jako niezbędna podstawa do głębokiej analizy i przesłuchania potencjalnych różnic między subpopulacjami, takimi jak grupy etniczne.

Praca ta nie jest łatwa ani szybka. Nie wiele rzeczy w opiece zdrowotnej jest. Jednak jest to bardzo satysfakcjonujące, a my jesteśmy szczęśliwi, że możemy skorzystać z globalnych partnerów, którzy są niezwykle współpracujący i zgodni z nami w naszej wspólnej misji: pomóc każdej kobiecie na świecie w walce z rakiem piersi.

Jak duży problem jest niewystarczająca reprezentacja nie-białych w danych obrazowych do diagnozy raka?

Historycznie różnorodność populacji pacjentów nie była odzwierciedlona w badaniach medycznych w takim stopniu, w jakim powinna. My, którzy rozwijamy AI, mamy odpowiedzialność za uwzględnienie różnorodności etnicznej w naszych badaniach.

Niewystarczająca reprezentacja populacji jest problemem w mammografii. Wyniki dla kobiet afroamerykańskich są przykładem tego. Kobiety afroamerykańskie mają tendencję do wyższych wskaźników umieralności (39% wyższych niż u nie-hiszpańskich białych), a to może być przypisywane dostępowi do opieki zdrowotnej, opóźnieniom w diagnozie i opóźnieniom w rozpoczęciu leczenia, wśród innych czynników.

Ogólna przydatność AI w różnych populacjach jest kluczowym krokiem w kierunku rozwiązania różnic rasowych w mammografii. Jestem podekscytowany, że nasz zespół Kheiron jest zaangażowany w budowanie rozwiązania, które działa równie dobrze na mammografiach z różnorodnych populacji rasowych – i to jest duży motywator dla naszej pracy. Nasza współpraca z Emory i UCSF pomoże nam osiągnąć tę wizję ogólnej przydatności – upewnić się, że Mia daje każdej kobiecie na świecie lepszą szansę w walce z rakiem piersi.

Dziękuję za wspaniały wywiad i za pracę nad takimi ważnymi technologiami ratującymi życie. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Kheiron Medical Technologies.