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 har nyligen meddelat två stora samarbeten 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 paradigmförändring, utan också att hjälpa moderna hälso- och sjukvårdssystem att göra kvantitetssprång i både diagnos och behandling av sjukdomar. AI-drivna diagnostik har potentialen att vara billigare och mindre beroende av resurser och expertkunskap, vilket det finns en global brist på. 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 Vara:s ursprungshistoria?

Vara föddes ur Merantix, ett venture-studio i Berlin som syftar till att låsa upp AI:s potential genom en samarbetsbaserad approach. 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 omforma bröstcancertestningen från grunden.

När man läser mammogram, letar en screening-radiolog i princip efter en nål i en höstack. Medan den överväldigande majoriteten av mammogram kommer att anses “normala” – det vill säga att de inte innehåller några 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 är också tvungna att 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 har trott, från dag ett, 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 ännu mer uppmärksamhet åt att hitta avvikelserna.

Med detta i åtanke, samarbetade vi med några av Tysklands ledande screening-radiologer för att bygga en plattform som standardiserar hela den kliniska arbetsflödet och förbättrar det genom användning av avancerad AI, automatisering och datahanteringsverktyg. 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 har vi också insett 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 screeningsprogram sedan 2002 – de flesta länder i världen erbjuder 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 data-drivna bröstcancertestningar mer tillgängliga för alla.

Hur många träningsuppsättningar har använts för att träna data, 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 befolkningar och etniciteter. Vad som varierar över globala befolkningar är bröstdensiteten (mängden fettvävnad i bröstet), patologiska cancertyper, såväl som lesionsstorlekar och lesionstyper.

När vi utvärderade Vara, tog vi inte bara hänsyn till den genomsnittliga prestationen, utan tittade också på prestationen i varje undergrupp, d.v.s. fett vs. tät bröst, eller små vs. stora lesioner. Våra resultat visar att vi kan förbättra radiologernas mått över alla relevanta undergrupper.

Detta betyder att även om kvinnor från andra befolkningar 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 Vara:s prospektiva prestanda i realtid och förbli i konstant dialog med våra screeningspartners. Vårt mål är att förbättra standarden för vård i Mexiko genom att tillhandahålla en standardiserad, screeningsbaserad arbetsflöde 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 endast gör ett uttalande för fall där den är säker på att göra korrekta 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, d.v.s. att 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, för att förbättra båda.

De tre typerna av klassificering är:

1. Normal triage: Algoritmen väljer en undergrupp av fall som den anser vara normala med hög säkerhet och märker automatiskt dessa fall för radiologen. Målet med normal triage är att märka så många normala fall som möjligt, med minimal misklassificering.
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 något uttalande för alla fall. Det finns fall som varken klassificeras som normala (de minst misstänkta fallen) eller som säkerhetsnätet aktiveras (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 att de lägsta 70% märks som normala. Likaså kan säkerhetsnätet aktiveras för 1% av de mest misstänkta fallen, eller alternativt för 2% av de mest misstänkta fallen.

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

Vår AI har lärt sig från data från ett av världens bästa screeningsystem i Tyskland. Dessutom har AI under utbildning tillgång till data som radiologer inte har i klinisk praxis, nämligen 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 cancerceller.

Till skillnad från människor, blir modellen inte trött, och levererar 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 edge-cases som till exempel implantat?

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

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

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 temporal information att ytterligare förbättra diagnostisk noggrannhet hos AI-modeller. Inte bara körs vår AI på den aktuella undersökningen, utan kontrollerar också tidigare undersökningar för tecken på cancer – med löftet att ytterligare förbättra screeningsprestanda.

Finns det något annat du vill dela om Vara?

Vara AI-plattformens beslutsreferens-approach används nu i 30% av alla screeningsenheter i Tyskland. Som en del av vår globala mission, lanserade vi nyligen screeningsenheter i Mexiko och Grekland, i samarbete med hälso- och sjukvårdspartner på plats i dessa regioner. Med sådana partner visar vi hur vi kan utnyttja befintlig hälso- och sjukvårdsinfrastruktur för att möjliggöra för dem att hoppa över sin nuvarande uppsättning till en modern, standardiserad screeningservice.

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 Cancerregistret i Norge.

Vara:s AI-prestanda visar enorm potential i termer av reproducerbarhet och generaliserbarhet. 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 vid European Journal of Radiology.

Vi har precis startat Tysklands första prospektiva studie för att visa Vara:s påverkan i den kliniska rutinen. Alla dessa prestationer hjälper oss att uppnå vår huvudsakliga mission att göra data-drivna bröstcancertestningar tillgängliga för alla.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Vara.