Jonas Muff, grundare och VD för Vara – Intervjuserie

Jonas Muff är grundare och VD för Vara, en plattform för bröstcancerscreening. Grundad i Tyskland, opererar Vara i flera länder i Europa. De meddelade nyligen två stora partnerskap i Grekland och Mexiko, vilket kommer att göra deras teknik tillgänglig för över 30 miljoner kvinnor.

Vad var det som initialt drog dig till området artificiell intelligens?

Som son till en läkare har jag alltid trott att hälso- och sjukvårdens kraft och potential ligger i förebyggande snarare än bara botande; att hålla friska människor friska, snarare än att bara behandla de sjuka. Artificiell intelligens innehåller nyckeln till att inte bara låsa upp denna paradigmskift, utan också hjälpa moderna hälso- och sjukvårdssystem att göra kvantsprång i både diagnos och behandling av sjukdomar. AI-drivna diagnostiska verktyg har potentialen att vara billigare och mindre beroende av resurser för expertkunskap, av vilken det råder global brist. På detta sätt kan AI potentiellt användas för att tillhandahålla högkvalitativ medicin i mindre utvecklade länder för att göra tillgången till god hälso- och sjukvård rättvisare och mer global.

Kan du diskutera ursprunget till Vara?

Vara föddes ur Merantix, en venturestudio i Berlin som syftar till att låsa upp artificiell intelligens potential genom ett samarbetsbaserat tillvägagångssätt. Merantix samlar människor från olika bakgrunder, alla med entreprenöriella sinnesstämningar, för att tackla verkliga problem på innovativa sätt. Vi samlade ett team av maskinlärningsexperter, programvaruutvecklare, produktformgivare och radiologer och satte oss för att omdefiniera bröstcancertestningsarbetsflödet från grunden.

När man läser mammogram, letar en skärmutbildningsradiolog i princip efter en nål i en höstack. Medan den överväldigande majoriteten av mammogram kommer att betraktas som “normala” – det vill säga de innehåller inga tecken på bröstcancer – kommer en liten, men helt betydelsefull minoritet att vara misstänkta och kräva ytterligare analys.

Detta lägger enormt tryck på radiologen att se till att inga nålar missas, men de måste också tillbringa 98% (eller mer) av sin dagliga arbetsliv med att rapportera normala mammogram. Det är en kombination som kan leda till misstag och som vi, från dag ett, har trott att AI kan hjälpa till att lösa båda genom att kompensera för mänskliga fel och ta bort den administrativa bördan. På detta sätt kan radiologer ägna mer uppmärksamhet åt att hitta avvikelserna.

Med detta i åtanke samarbetade vi med några av Tysklands ledande skärmutbildningsradiologer för att bygga en plattform som standardiserar hela det kliniska arbetsflödet och förbättrar det med hjälp av avancerad AI, automatisering och dataverktyg. Istället för att försöka ersätta radiologer, syftar Vara-plattformen till att ge radiologerna extra kraft för att göra processerna mer effektiva, transparenta och effektiva.

Genom vårt arbete insåg vi också att även om bröstcancertestning är en självklarhet i de flesta europeiska länder, inklusive vårt hemland Tyskland – som har en stolt tradition av att starta ett befolkningsbaserat screeningprogram så tidigt som 2002 – erbjuder de flesta länder i världen inte kvinnor screening. Vi tror att varje kvinna har rätt till screening och därför har vår plattform utformats för att fungera var som helst i världen. Vår mission är att göra datadriven bröstcancertestning mer tillgänglig för alla.

Hur många träningsuppsättningar har använts för att träna datan, och innehåller dessa uppsättningar en stor variation av hudtyper?

Våra modeller har utvecklats baserat på mer än 7 miljoner mammogram med data från Europa, främst Tyskland.

Mammogram är mycket lika mellan olika populationer och etniciteter. Vad som varierar över globala populationer är bröstdensiteten (mängden fettvävnad i bröstet), patologiska cancsubtyper, liksom lesionsstorlekar och lesionstyper.

När vi utvärderade Vara, övervägde vi inte bara den genomsnittliga prestandan, utan tittade också på prestandan i varje undergrupp, dvs. fett vs. täta bröst, eller små vs. stora lesioner. Våra resultat visar att vi kan förbättra radiologernas mått över alla relevanta undergrupper.

Detta innebär att även om kvinnor från andra populationer tenderar att ha mer täta bröst, till exempel, kommer Vara fortfarande att förbättra deras standard för vård. Vi genomförde en lokal utvärdering för att förstå AI:s prestanda i Mexiko för att säkerställa att vi faktiskt förbättrar standarden för vård. Och vi kommer att fortsätta att övervaka den prospektiva prestandan för Vara i realtid och stanna i en konstant dialog med våra screeningpartner. Vårt mål är att förbättra standarden för vård i Mexiko genom att tillhandahålla en standardiserad, screeningarbetsflöde som drivs av AI.

Vara-systemet använder 3 typer av klassificeringar för varje mammogram, kan du diskutera vad dessa är och hur de hjälper till att förhindra falska positiva?

Beslutsreferensvägen är en screeningsprocess som utvecklats av Vara, där algoritmen bara gör ett uttalande för fall när den är säker på att göra precisa förutsägelser – medan den lämnar andra fall till mänsklig expertis.

Målet med beslutsreferensvägen är att stödja radiologen med AI för att förbättra både känsligheten och specificiteten, dvs. minska falska negativa och falska positiva. Samtidigt är AI inte perfekt och kan inte göra 100% korrekta förutsägelser för alla fall. Därför är målet med beslutsreferens att kombinera den mänskliga expertisen hos radiologer med de tekniska förmågorna hos AI idag i ett försök att förbättra båda.

De tre typerna av klassificering är:

1. Normal triaging: Algoritmen väljer ut en undergrupp av fall som den anser vara normala med hög tillförlitlighet och automatiskt märker dessa fall för radiologen. Målet med normal triaging är att märka så många normala fall som möjligt negativa, med minimal missklassificering.
2. Säkerhetsnät: För fall där AI är mycket säker på att bilderna är misstänkta, erbjuder den ett säkerhetsnät: Om radiologen klassificerar ett av dessa fall som negativt, utlöser säkerhetsnätet och pekar radiologen på en specifik region i bilden som är misstänkt för AI. Radiologen kan sedan ompröva beslutet, potentiellt upptäcka en cancer som annars skulle ha missats.
3. Oklassificerade fall: Viktigt är att AI inte gör ett uttalande för alla fall. Det finns fall som varken klassificeras som normala (de minst misstänkta fallen), eller är säkerhetsnätet aktiverat (de mest misstänkta fallen). För dessa fall är AI inte tillräckligt säker och beslutsförmågan bör komma från radiologen.

En intrinsisk egenskap hos beslutsreferens är dess konfigurerbarhet. Vi kan konfigurera AI så att de lägsta 50% av fallen märks som normala, eller så kan vi konfigurera den för att märka de lägsta 70% som normala. Likaså kan säkerhetsnätet aktiveras för de 1% mest misstänkta fallen, eller alternativt för de 2% mest misstänkta fallen.

Människor, inklusive radiologer, upplever ofta kognitiv bias, hur hjälper AI-tillämpningen till att lösa detta problem?

Vår AI har lärt sig från data från ett av världens bästa screeningssystem i Tyskland. Dessutom har AI under utbildning tillgång till data som radiologer inte har i klinisk praxis, det vill säga biopsiresultat eller tvåårsuppföljning av varje fall. Genom att använda breda och representativa datamängder förhindrar vi bias i utbildningsdata.

Vi utvecklade sedan Säkerhetsnätet för att minska eventuell bias i interaktionen mellan människor och AI. Säkerhetsnätet visar inte misstänkta områden för radiologen direkt. Istället rapporterar radiologen sina fynd med Vara-visaren och om AI inte håller med radiologens bedömning, visar Vara den lokala förutsägelsen. Detta ger radiologen möjlighet att granska sin initiala rapport och anpassa den. På detta sätt hjälper Säkerhetsnätet till att minska missade cancersjukdomar.

Till skillnad från människor, blir modellen inte trött, och den presterar kontinuerligt förbättrad prestanda, oberoende av tid på dagen. AI kan därför objektivisera resultaten från radiologer.

Kan du diskutera utmaningarna med att upptäcka bröstcancer när det gäller möjliga randfall som till exempel implantat?

Våra modeller har tränats på en verklig, diversifierad datamängd av alla kvinnor som deltar i screening, inklusive kvinnor med implantat. Vi har inte funnit att dessa fall är en särskild utmaning för Vara. Dessutom gör vår modell inte uttalanden om alla fall. Om den är osäker på ett specifikt fall, lämnar den beslutet till radiologerna, ett tillvägagångssätt som vi kallar beslutsreferens (se ovan).

Vara genomför också efter-screening av mammogram, i detta steg av processen vad letar man specifikt efter?

Vara visar förutsägelser efter att radiologen har bildat en uppfattning (se “Säkerhetsnät” ovan för mer information). Radiologer får viktig insikt genom att jämföra utvecklingen av vävnad och lesioner över tid. Likaså kommer att utnyttja tidsinformation att ytterligare förbättra diagnostisk noggrannhet hos AI-modeller. Inte bara kör vår AI på den aktuella undersökningen, utan kontrollerar också tidigare undersökningar för tecken på cancer – med löftet att ytterligare förbättra screeningprestanda.

Finns det något annat du vill dela om Vara?

Vara AI-plattformens beslutsreferens tillvägagångssätt används nu i 30% av alla screeningenheter i Tyskland. Som en del av vår globala mission lanserade vi nyligen screeningenheter i Mexiko och Grekland, i samarbete med hälsovårdsleverantörer på plats i dessa regioner. Med sådana partner visar vi hur vi kan utnyttja befintlig hälsovårdsinfrastruktur för att möjliggöra för dem att gå från sin nuvarande konfiguration till en modern, standardiserad screeningtjänst.

Vårt team har fördubblats till 30 och vi har utnämnt globala experter inom radiologi, som Professor Katja Pinker-Domenig, som blev vår medicinska rådgivare, samt Stephan Dreier som Chief Revenue Officer. Vi har också samarbeten med välkända akademiska institutioner i USA och Europa, som Memorial Sloan Kettering Cancer Center, University of Cambridge, Karolinska Institutet och Cancer Registry of Norway.

Varas AI-prestanda visar stort löfte när det gäller reproducerbarhet och generalisering. En stor retrospektiv studie är för närvarande under utgivning i den världskända Lancet Digital Health, samt en annan viktig peer-review-publication om förebyggande av intervalcancer i European Journal of Radiology.

Vi har också just startat Tysklands första prospektiva studie för att visa Varas påverkan i den kliniska rutinen. Alla dessa prestationer hjälper oss att uppnå vår huvudsakliga mission att göra datadriven bröstcancertestning tillgänglig för alla.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka Vara.