Jonas Muff, Fundador e CEO da Vara – Série de Entrevistas

Jonas Muff é o Fundador e CEO da Vara, uma plataforma de detecção de câncer de mama. Fundada na Alemanha, a Vara opera em vários países da Europa. Recentemente, eles anunciaram duas parcerias importantes este ano na Grécia e no México, que tornarão sua tecnologia disponível para mais de 30 milhões de mulheres.

O que o atraiu inicialmente para o campo da inteligência artificial?

Como filho de um médico, sempre acreditei que o poder e o potencial da saúde residem na prevenção, e não apenas no tratamento; manter as pessoas saudáveis saudáveis, em vez de apenas tratar os doentes. A inteligência artificial detém a chave para não apenas desbloquear essa mudança de paradigma, mas também para ajudar os sistemas de saúde modernos a dar saltos quânticos tanto no diagnóstico quanto no tratamento de doenças. A diagnose por IA pode ser mais barata e menos dependente de recursos de conhecimento especializado, dos quais há uma escassez global. Dessa forma, a IA pode ser usada para fornecer medicina de alta qualidade em países menos desenvolvidos, tornando o acesso a uma boa saúde mais justo e global.

Pode discutir a história de criação da Vara?

A Vara nasceu da Merantix, um estúdio de venture em Berlim que visa desbloquear o potencial da IA por meio de uma abordagem colaborativa. A Merantix reúne pessoas de diferentes origens, todas com mentalidade empreendedora, para resolver problemas do mundo real de maneira inovadora. Montamos uma equipe de especialistas em aprendizado de máquina, desenvolvedores de software, designers de produtos e radiologistas, e nos propusemos a reinventar o fluxo de trabalho de detecção de câncer de mama do zero.

Quando lê mamografias, um radiologista de screening efetivamente procura uma agulha no palheiro. Embora a grande maioria das mamografias seja considerada “normal” – ou seja, não contenha sinais de câncer de mama -, uma pequena, mas significativa minoria será suspeita e exigirá análise adicional.

Isso coloca uma grande pressão sobre o radiologista para garantir que nenhuma agulha seja perdida, mas também é necessário gastar 98% (ou mais) de sua vida laboral diária relatando mamografias normais. É uma combinação que pode levar a erros e na qual acreditamos, desde o início, que a IA pode ajudar a resolver, tanto compensando os erros humanos quanto removendo a carga administrativa. Dessa forma, os radiologistas podem dedicar mais atenção a encontrar as anomalias.

Com isso em mente, nos associamos a alguns dos principais radiologistas de screening da Alemanha para construir uma plataforma que padronize todo o fluxo de trabalho clínico e o melhore com o uso de IA avançada, automação e ferramentas de gerenciamento de dados. Em vez de tentar substituir os radiologistas, a plataforma Vara visa supercarregá-los para tornar os processos mais eficientes, mais transparentes e mais eficazes.

Ao longo de nosso trabalho, também percebemos que, embora a detecção de câncer de mama seja algo dado em muitos países europeus, incluindo nosso país de origem, a Alemanha – que tem um legado orgulhoso de iniciar um programa de screening baseado na população em 2002 -, a maioria dos países do mundo não oferece screening para as mulheres. Acreditamos que todas as mulheres têm o direito ao screening e, portanto, nossa plataforma foi projetada para funcionar em qualquer lugar do mundo. Nossa missão é tornar a detecção de câncer de mama baseada em dados mais acessível a todos.

Quantos conjuntos de treinamento foram usados para treinar os dados, e esses conjuntos incluem uma ampla variedade de tipos de pele?

Nossos modelos foram desenvolvidos com base em mais de 7 milhões de mamografias, utilizando dados da Europa, predominantemente da Alemanha.

Mamografias são muito semelhantes entre diferentes populações e etnias. O que varia nas populações globais é a densidade mamária (quantidade de tecido gorduroso no seio), subtipos patológicos de câncer, bem como tipos e tamanhos de lesões.

Quando avaliamos a Vara, não apenas consideramos o desempenho médio, mas também olhamos para o desempenho em cada subgrupo, ou seja, seios gordurosos versus seios densos, ou lesões pequenas versus lesões grandes. Nossos resultados mostram que podemos melhorar as métricas dos radiologistas em todos os subgrupos relevantes.

Isso significa que, mesmo que as mulheres de outras populações tendam a ter mais seios densos, por exemplo, a Vara ainda melhorará o padrão de cuidado delas. Realizamos uma avaliação local para entender o desempenho da IA no México, para garantir que de fato melhoramos o padrão de cuidado. E continuaremos a monitorar o desempenho prospectivo da Vara em tempo real e a manter um diálogo constante com nossos parceiros de screening. Nosso objetivo é melhorar o padrão de cuidado no México, fornecendo um fluxo de trabalho de screening padronizado, impulsionado por IA.

O sistema Vara usa 3 tipos de classificações para cada mamografia, pode discutir o que são e como elas ajudam a prevenir falsos positivos?

O caminho de referência de decisão é um processo de screening desenvolvido pela Vara, no qual o algoritmo apenas faz uma declaração para os casos em que está confiante em fazer previsões precisas – enquanto deixa outros casos para a expertise humana.

O objetivo do caminho de referência de decisão é apoiar o radiologista com IA para melhorar tanto a sensibilidade quanto a especificidade, ou seja, reduzir falsos negativos e falsos positivos. Ao mesmo tempo, a IA não é perfeita e não pode fazer previsões 100% corretas para todos os casos. Portanto, o objetivo da referência de decisão é combinar a expertise humana dos radiologistas com as capacidades técnicas da IA para melhorar ambos.

Os três tipos de classificação são então:

1. Triagem normal: O algoritmo seleciona um subconjunto de casos que considera normais com alta confiança e os rotula automaticamente para o radiologista. O objetivo da triagem normal é rotular o maior número possível de casos normais negativos, com mínima classificação errada.
2. Rede de segurança: Para os casos em que a IA está muito confiante de que as imagens são suspeitas, oferece uma rede de segurança: Se o radiologista classificar um desses casos como negativo, a rede de segurança é acionada e aponta o radiologista para uma região específica na imagem que é suspeita para a IA. O radiologista pode então reconsiderar a decisão, potencialmente capturando um câncer que teria sido perdido de outra forma.
3. Casos não classificados: Importante notar que a IA não faz uma declaração para todos os casos. Há casos que não são classificados como normais (os menos suspeitos) nem a rede de segurança é ativada (os mais suspeitos). Para esses casos, a IA não está confiante o suficiente e a expertise de decisão deve vir do radiologista.

Uma propriedade intrínseca do caminho de referência de decisão é sua configurabilidade. Podemos configurar a IA para que os 50% mais baixos dos casos sejam rotulados como normais, ou podemos configurá-la para rotular os 70% mais baixos como normais. Da mesma forma, a rede de segurança pode ser ativada para os 1% mais suspeitos dos casos, ou alternativamente para os 2% mais suspeitos dos casos.

Seres humanos, incluindo radiologistas, frequentemente experimentam viés cognitivo, como a IA ajuda a resolver esse problema?

Nossa IA aprendeu com dados de um dos melhores sistemas de screening do mundo na Alemanha. Além disso, durante o treinamento, a IA tem acesso a dados que os radiologistas não têm na prática clínica. Isso é, os resultados da biópsia ou o follow-up de dois anos de cada caso. Usando conjuntos de dados amplos e representativos, prevenimos vieses nos dados de treinamento.

Em seguida, desenvolvemos a Rede de Segurança para reduzir qualquer viés potencial na interação entre humanos e IA. A Rede de Segurança não mostra áreas suspeitas ao radiologista inicialmente. Em vez disso, o radiologista relata suas descobertas com o visualizador Vara e, no caso de a IA discordar da avaliação do radiologista, a Vara mostra a previsão localizada. Isso dá ao radiologista a oportunidade de revisar seu relatório inicial e adaptá-lo. Dessa forma, a Rede de Segurança ajuda a reduzir cânceres perdidos.

Ao contrário dos humanos, o modelo não se cansa e entrega desempenho aprimorado continuamente, independentemente do horário do dia. A IA pode, portanto, objetificar os resultados dos radiologistas.

Pode discutir os desafios de detectar câncer de mama em casos de bordo, como implantes?

Nossos modelos foram treinados em um conjunto de dados do mundo real e diverso de todas as mulheres que participam do screening, incluindo mulheres com implantes. Não encontramos esses casos como um desafio particular para a Vara. Além disso, nosso modelo não faz declarações sobre todos os casos. Se estiver incerto sobre um caso específico, ele transfere a decisão para os radiologistas, uma abordagem que chamamos de referência de decisão (veja acima para mais detalhes).

A Vara também pós-tela as mamografias, nessa etapa do processo, o que é procurado especificamente?

A Vara mostra previsões após o radiologista ter formado uma opinião (veja “Rede de Segurança” acima para mais detalhes). Os radiologistas ganham insights críticos comparando o desenvolvimento do tecido e lesões ao longo do tempo. Da mesma forma, aproveitar informações temporais melhorará ainda mais a precisão diagnóstica dos modelos de IA. Não apenas nossa IA é executada no exame atual, mas também verifica exames anteriores em busca de sinais de câncer – com a promessa de melhorar ainda mais o desempenho do screening.

Há algo mais que você gostaria de compartilhar sobre a Vara?

A abordagem de referência de decisão da plataforma de IA Vara agora está em uso em 30% de todas as unidades de screening na Alemanha. Como parte de nossa missão global, recentemente lançamos unidades de screening no México e na Grécia, em parceria com provedores de saúde no local. Com esses parceiros, estamos mostrando como podemos aproveitar a infraestrutura de saúde existente para permitir que eles pulsem seu setup atual para um serviço de screening standardizado e de ponta.

Nossa equipe dobrou para 30 e nomeamos especialistas globais em radiologia, como Professor Katja Pinker-Domenig, que se tornou nossa Assessora Médica Líder, bem como Stephan Dreier como Diretor de Receita. Também temos colaborações com instituições acadêmicas renomadas nos EUA e na Europa, como o Memorial Sloan Kettering Cancer Center, Universidade de Cambridge, Karolinska Institutet e o Registro de Câncer da Noruega.

O desempenho da IA da Vara está mostrando uma promessa imensa em termos de reprodutibilidade e generalização. Um grande estudo retrospectivo está atualmente em imprensa na renomada Lancet Digital Health, bem como outra publicação importante de revisão por pares sobre prevenção de câncer de intervalo na European Journal of Radiology.

Acabamos de iniciar a primeira pesquisa prospectiva da Alemanha para mostrar o impacto da Vara na rotina clínica. Todos esses feitos estão nos ajudando a alcançar nossa missão principal de tornar a detecção de câncer de mama baseada em dados acessível a todos.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Vara.