Chaim Linhart, PhD, medgrundare och CTO på Ibex Medical Analytics – Intervjuserie

Chaim Linhart, PhD är CTO och medgrundare till Ibex Medical Analytics. Han har mer än 25 års erfarenhet av algoritmutveckling, AI och maskinlärning från såväl akademin som från att ha tjänstgjort i en elit enhet i den israeliska militären och på flera teknikföretag. Chaim har en doktorsexamen i datavetenskap från Tel Aviv University och har vunnit flera Kaggle-maskinlärningstävlingar.

Sedan 2016 har Ibex lett vägen inom AI-drivna diagnostik för patologi. Företaget satte ut att transformera patologin genom att säkerställa att varje patient kan få en korrekt, tidig och personlig cancerdiagnos. Idag är Ibex den mest utbredda artificiella intelligensplattformen inom patologi. Utvecklad av patologer för patologer, deras lösningar tjänar världens ledande läkare, hälso- och sjukvårdsorganisationer och diagnostiska leverantörer. Varje dag har Ibex privilegiet att påverka patienters liv över hela världen. Plattformen höjer läkarnas förtroende, rationaliserar diagnostiska arbetsflöden, hjälper kliniker att ge mer personliga diagnoser och, framför allt, möjliggör bättre kliniska resultat.

Kan du dela resan och visionen bakom Ibex grundande och dess uppdrag att transformera cancerdiagnostik med AI?

2016, när min medgrundare, Joseph Mossel, och jag lärde oss om den direkta påverkan en digital revolution inom patologi kunde ha på att förbättra cancerdiagnostik. Radiologi hade genomgått en liknande transformation 20 år tidigare, som hade en betydande påverkan på hur specialiteten utövades. Med patologin som blev digitaliserad, insåg vi att det gav en möjlighet att utveckla nya avancerade verktyg som utnyttjar artificiell intelligens (AI) för att utföra sofistikerad bildanalys. Vi har fokuserat på att utveckla AI-drivna verktyg som hjälper läkare att nå mer korrekta, objektiva, reproducerbara diagnoser och därmed hjälpa varje patient att få rätt diagnos, på rätt sätt, vilket leder till den bästa möjliga behandlingen.

Hur har landskapet för cancerdiagnostik förändrats sedan Ibex startade 2016?

Laboratorierna har antagit digitalisering i en ökande takt, ännu mer accelererad av Covid-19. Den digitala revolutionen har möjliggjort för laboratorierna att bredda sina förmågor utöver mikroskopet på ett betydande och meningsfullt sätt, med AI som hjälper patologer att analysera och förstå resultaten effektivt.

Cancerdiagnostikens AI-område har vuxit exponentiellt, eftersom vi har sett startups och andra företag som arbetar med olika aspekter av AI för patologi inom canceralgoritmen. Precisionsmedicin, till exempel, är datastyrd patientstratifiering som möjliggörs av en korrekt diagnos och olika informaticstilvägagångssätt som leder till optimal, personlig behandling. En ökning av precisionsmedicin kommer med ett ökat behov av mer komplex diagnostik för att stödja de nya riktade behandlingarna.

Vi har också sett en ökning av akademiska publikationer och branschföreningar som fokuserar på området. När Joseph och jag deltog i vår första konferens om digital och beräkningspatologi 2016, var AI en liten del av samtalet kring cancerdiagnostik, eftersom det inte var så mainstream. Nu, när vi deltar i en stor patologikonferens, är AI huvudevenemanget.

Vad skiljer Ibex från andra företag inom AI-driven patologi?

När vi pratar om AI-driven patologi, finns det flera underdomäner. Det finns företag som prioriterar forskningsapplikationer, som verktyg som analyserar vävnadsbilder för att hjälpa till att förstå sjukdomsprocesser på morfologisk och cellnivå, till exempel. För det andra finns det företag som fokuserar främst på kliniska applikationer, dvs. produkter som används i laboratorier för att stödja rutindiagnostik.

Ibex fokuserar på kliniska applikationer, och vi har den största och mest spridda installationsbasen med patologer runt om i världen som använder våra verktyg dagligen för canceralgoritmen. Vi samarbetar också med läkemedelsföretag för att utveckla AI-drivna kliniska applikationer som stöder patologer i att kvantifiera biomarkörer som möjliggör riktade terapier.

Dessutom, medan vissa företag fokuserar på specifika, begränsade indikationer per tumörtyp, som canceralgoritmen, är vår tillvägagångssätt att träna AI för att analysera allt som en patolog skulle se i dessa vävnader. Det handlar inte bara om canceralgoritmen, utan också om cancertyp, undergrupp, grad, storlek, samt cancerrelaterade morfologier och andra kliniska funktioner. Vi vet att patologi är mer än att bara bestämma om patienten har cancer eller inte. Vi vill hjälpa patologer att förverkliga de stora fördelarna som AI bringar till bordet.

Kan du förklara kärnteknologin bakom Ibex lösningar och hur den hjälper patologer i canceralgoritmen och graderingen?

Vår tillvägagångssätt är att patologer i princip tränar maskinen. Vi har ett stort team av patologer runt om i världen som annoterar bilder. Det betyder att de markerar specifika områden inom dessa bilder och märker dem. De kan markera en låggradig tumör, en blodåder, en nerv, inflammation och så vidare. Vi tar sedan den här datan och använder den för att träna AI-modellerna. Det säkerställer att AI är mycket korrekt, även för sällsynta och svåra fall, vilket är av yttersta vikt. Vår AI lärdes av patologer och tränas för att identifiera många olika typer av strukturer och morfologier av vävnaden, vilket är mycket hjälpsamt för patologer och ökar dess noggrannhet. Genom att ha tillgång till en bredd av data och kunskap, kan vi förbättra vår AI och implementera lärdomar med feedback som erhålls direkt i fältet.

Hur säkerställer Ibex kliniskt korrekt noggrannhet över olika cancertyper, såsom bröst-, prostata- och magsäckscancer?

Det kräver mycket hårt arbete. Vi samlar in data från många partners runt om i världen. Vi säkerställer att datan är mycket diversifierad, med representation från olika laboratorier och olika vävnadsberedningstekniker, skannrar och kliniska fynd. Vi berikar träningsdatan med sällsynta cancertyper. Det säkerställer att AI tränas med en bred variation av funktioner. Under träningsprocessen mäter vi vad AI gör bra, och vi bestämmer också var förbättringar behövs. Teamet, med stor erfarenhet av maskinlärning, testar AI på tusentals bilder som vi har samlat in från olika laboratorier. Vi genomför studier och kliniska prövningar och jämför två grundläggande aspekter av systemet. Först granskar vi dess prestanda jämfört med grund­sanningen. För det andra bestämmer vi hur korrekt patologen arbetar med och utan AI. På så sätt säkerställer vi att AI är korrekt, robust, opartisk och säker. Vi mäter dess påverkan på patologer som använder AI. Över hela våra applikationer ser vi att patologen, med AI-stöd, når bättre resultat (vilket betyder mer korrekt, högre överensstämmelse med grund­sanningen) än i standard­vården (dvs. när de inte stöds av AI). Vi mäter också effektiviteten i deras arbete och andra viktiga fördelar med AI-plattformen, såsom optimering av arbetsflödet i laboratoriet och minskning av omsättningstiden (hur snabbt patienten får resultaten).

Vilka är några unika funktioner i Ibex lösningar som förbättrar diagnostiska arbetsflöden och förbättrar patientresultat?

Vårt integrerade system inkluderar en bildvisare, AI-resultat och inbyggda rapportverktyg. Detta holistiska system utformades för att förbättra noggrannhet och produktivitet. Det guider patologer genom diagnostikprocessen, visar dem de viktigaste resultaten i varje fall och bild. Istället för att leta efter funktioner, som kan vara små och svåra att upptäcka, markerar AI allt mycket tydligt. Därifrån kan patologen bekräfta eller modifiera. AI visar mätningar och kvantifieringar; den poängsätter också allt. Med inbyggda rapporter behöver patologen inte titta på bilden, göra diagnosen i sitt sinne och sedan gå till ett annat system och rapportera allt; istället görs rapporteringen medan AI driver det integrerade arbetsflödet. Till och med antalet musklick optimerades. Allt byggdes med patologer i åtanke för att förbättra diagnostisk noggrannhet och effektivitet, vilket skapar en bättre arbetsmiljö för dessa läkare med bättre resultat för deras patienter.

Hur integrerar Ibex lösningar med befintliga digitala patologiprogramvaror och laboratorieinformationssystem?

Vi samarbetar med flera leverantörer inom området som säljer bildhanteringslösningar eller erbjuder labbinformationssystem. För varje partner finns det olika typer av integrationsmöjligheter. I vissa fall integrerar vi vår AI i deras verktyg så att patologen kan använda deras plattform med vår AI inuti den. I andra fall integrerar vi med dessa verktyg på ett sätt som möjliggör för patologer att starta Ibex från det andra systemet. Oavsett integrationen vill vi alltid säkerställa att användarna har det mest optimala sättet att använda AI. Dessutom har vi utvecklat en öppen applikationsprogrammeringsgräns (API) som tillåter tredje parter, inklusive andra företag eller kunders IT-avdelningar, att hämta information från vår AI och integrera den i deras miljö.

Vilka utmaningar mötte Ibex när de strävade efter en bred antagande av sina AI-drivna lösningar inom patologi?

I efterhand skulle jag säga att den största utmaningen Ibex mötte var den renodlade komplexiteten och mängden arbete, ansträngning och tid som krävdes för att ta diagnostikprodukter till marknaden. Detta inkluderar multidisciplinära tillvägagångssätt: insamling av data, arbete med patologer, träning av AI och testning av den rigoröst, genomförande av kliniska prövningar och, i vissa geografiska områden, erhållande av regulatoriskt godkännande – och allt detta under strikta kvalitetssäkringsåtgärder. Inom det medicinska området är det också extremt viktigt att generera vetenskapliga bevis och publicera resultat med flera laboratorier för att demonstrera prestanda och fördelar med AI-plattformen.

En annan betydande utmaning är integration. Vi måste säkerställa att patologer kan använda AI på ett sätt som är effektivt och naturligt. Det finns flera system i laboratoriet: digitala patologiskannrar, laboratorieinformationssystem och arbetsflöde, samt rapportverktyg. För att göra det enkelt säkerställer vi att allt kommer samman på det mest effektiva sättet, trots utmaningarna.

Kan du dela några framgångshistorier eller fallstudier från hälso- och sjukvårdsorganisationer som har implementerat Ibex lösningar?

Vi är mycket stolta över våra partnerskap och globala räckvidd. Till exempel har vi den första landsomfattande distributionen av AI i Wales – alla hälsostyre i Wales använder Ibex AI-lösning. Ett annat exempel är CorePlus Laboratories i Puerto Rico – de har använt Ibex i flera år och publicerat en artikel som visar den påverkan plattformen har haft på deras kliniska praxis. Till exempel kunde patologerna, med hjälp av AI-algoritmen, identifiera 160 män som annars skulle ha blivit feldiagnosticerade. Dessa patienter fick rätt behandling tack vare AI-stödet. Det är verkligen den påverkan vi gör. Det är något vi inte kan glömma – vi är här för att påverka människors liv.

Vilken roll ser du att AI kommer att spela i patologins och cancerdiagnostikens framtid under de närmaste tio åren?

Under de närmaste tio åren kommer vi att fortsätta se patologer använda AI för att stödja dem i deras primära diagnostiska ansträngningar. Jag föreställer mig att patologer kommer att använda AI på de flesta av sina arbetsbelastningar för att säkerställa att kvaliteten är hög och allt är objektivt, reproducerbart och tillförlitligt. Dessutom kommer AI att hjälpa läkare att göra saker som de inte gör i dag. Det kan hjälpa dem att bestämma vilka ytterligare tester som behöver utföras på ett specifikt fall, samt ge en mer korrekt prognos och strömlinjeformad behandlingsval.

AI kommer att vara en integrerad del av hela patientresan, inte bara den canceralgoritmen i patologilaboratoriet, utan också till exempel onkologen som bestämmer behandlingsförloppet. Dessutom tror jag att AI kommer att hjälpa till att kombinera discipliner. Med tiden kommer de olika modaliteterna (patologi, radiologi, genetik, kliniska register) att matas in i olika AI-moduler för att stödja ny och förbättrad precisionsmedicin. Från ett hälsojämlikhetsperspektiv kommer patienter som inte har tillgång till de bästa läkarna i världen att uppleva ett enormt språng i kvaliteten på deras diagnos och behandling. AI kommer att bringa alla till en nivå nära expert. Alla förtjänar tillgång till kvalitetsvård, och AI kommer att hjälpa oss att gå i rätt riktning för att demokratisera tillgången till hälsovård.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Ibex Medical Analytics.