Ophir Tanz, grundare och VD för Pearl – Intervjuserie

Ophir Tanz är grundare och VD för Pearl, ett företag som grundades på idén att artificiell intelligens kan vara tandläkarens alltid-på-assistent och patientens mest pålitliga vän. Företagets grundare har en unik personlig koppling till tandvårdens komplexitet, samt kunskapen och utbildningen för att förverkliga den fulla och praktiska potentialen som AI har att erbjuda.

Vad var det som initialt drog dig till artificiell intelligens?

Jag har varit intresserad av AI sedan jag var i college. Jag såg en hel del möjligheter där och det drev min ambition att tillämpa det för att skapa nya förmågor och kommersiella tillämpningar. Specifikt var jag intresserad av datorseende – det område inom artificiell intelligens där vi lär datorer att se, bearbeta och förstå världen på samma sätt som den mänskliga hjärnan gör – så efter examen startade jag ett företag, GumGum, som fokuserade på att tillämpa visuell maskinintelligens för att skapa värde inom den digitala mediekategorin. Även om jag förstod kraften i AI ganska tidigt, så blev jag med tiden alltmer intresserad av bredare tillämpningar av teknologin.

Ditt första företag, GumGum, som specialiserade sig på att använda AI i kontextuell annonsering, blev väldigt framgångsrikt. Vad tillskriver du den framgången till?

Jag tror att det som tillät GumGum att lyckas i den utsträckning det har var den betoning vi lade på AI-tillämpning och innovation. Det är i grund och botten ett digitalt annonsföretag, men även om vi opererade inom den bredare ramen för den kategorin, så var det arbete vi gjorde med AI inte begränsat av kategorin. Det innebar att vi var ett teknologiföretag lika mycket som ett annonsföretag, vilket skapade en betydande differentiering. Vår AI-först-mentalitet ledde oss att innovera inom områden utanför den naturliga ramen för digital annonsering – i sponsorvärdering och, naturligtvis, tandvård. Eftersom vi aldrig fokuserade på att vara “bara ett annonsföretag” och vi ständigt letade efter sätt att göra bättre, kunde GumGum växa med oss medan vår vision expanderade och den underliggande teknologin och AI-fältet utvecklades.

Kan du dela berättelsen om hur ditt nya AI-startup, Pearl, kom till?

Efter att ha startat GumGum och fokuserat på datorseende visste jag att det fanns mer vi kunde göra med teknologin och jag var alltid på utkik efter nya tillämpningar. Hälso- och sjukvård, samt radiologi, var av särskilt intresse för mig och representerade tydliga tillämpningar av den typ av maskinlärande som GumGum tillämpade. Vi lanserade en tandvårdsavdelning som kallades GumGum Dental, som var grunden för Pearl. Jag beslutade att spinna av tandvårdsavdelningen helt eftersom jag trodde att möjligheten förtjänade ett fristående företag. Jag antar att man kan säga att det var meningen att det skulle bli så på något sätt – min far var tandläkare och jag växte upp med att hjälpa till på hans mottagning, så att gå över till att fokusera på tandvårdsindustrin var en sorts hemkomst för mig. Men det var inte som att min barndomsanknytning till tandvård var den främsta anledningen till min önskan att leda Pearl som ett nytt företag. Jag tror starkt att datorseende och AI kommer att förändra tandvård och global hälso- och sjukvård, och jag ville kunna ge uppmärksamhet åt projektet som jag känner att det förtjänar.

Kan du diskutera de datorseende- och maskinlärningssystem som används för att skanna radiografiska och 3D-tandbilder?

Datorseende är en form av AI som lär datorer att “se” på samma sätt som människor gör. Vi matar in stora mängder expert-annoterade tandbilder i en serie algoritmer som är modellerade efter de neurala nätverken i den mänskliga hjärnan. Genom att studera de annoterade bilderna lär sig nätverket att känna igen tandpatologier av den typ som har markerats i de annoterade bilderna. Detta kallas “övervakat lärande”. Genom att lära en dator på detta sätt kan den lära sig att känna igen bilder på icke-litterala sätt. Till exempel lär den sig att identifiera ett delvis dolt föremål eller ett som bara kan ses från vissa vinklar genom att absorbera tusentals olika exempel och bygga vad som i princip är en dators version av en mental bild av det föremålet.

Vi lärde vår AI och maskinlärningsalgoritmer genom att bygga en stor samling av radiografier och arbetade med tandläkare och radiologer för att markera bilderna, sedan använde vi de markerade bilderna för att lära systemet att tolka nya bilder. Nu har vi en AI som kan peka på potentiella problem som kan identifieras i radiografier och hjälpa tandläkare att läsa patientradiografier mer exakt och konsekvent.

För våra 3D-bildsystem använder vi en liknande approach men med olika klasser av algoritmer. Med 3D kan utbildningen vara mer komplex, eftersom 3D-bilder innehåller så mycket mer data, vilket ibland gör annotering mer mödosam. Naturligtvis, eftersom det finns så mycket mer data, så är systemet faktiskt mer exakt i sina fynd när det väl har tränats för att tolka en 3D-bild. Det är i princip samma sak som när en människa tittar på en konisk stråle mot en traditionell bitewing-radiografi: Vi kan se varje liten aspekt av tanden i en konisk stråle, men vi kan ofta bara urskilja vissa grundläggande tandstrukturer i en bitewing. AI står inför samma utmaning.

Vilken typ av information eller diagnos avslöjas av detta system?

Vårt radiologiska AI-system kan upptäcka en stor mängd patologiska och icke-patologiska tillstånd, restaurativa funktioner och naturlig anatomi. Karies, benförlust, periapikal radiolucens, kalk, trängsel, kalk, impaktion, WPL, furkation, obturation, marginal diskrepans – listan är för lång för att räkna upp allt och den fortsätter att växa. Många av dessa funktioner ingår i Second Opinion, vår realtidspatologidetektionshjälp som för närvarande är tillgänglig i Kanada, Australien, Europa och flera andra territorier, och de flesta tillämpas i Practice Intelligence, vår icke-patientinriktade kliniska intelligenslösning, som är tillgänglig för praktiker i USA och globalt.

Vilken typ av bilddata tränades systemet på?

Vårt radiologiska patologidetektionssystem tränades på bitewing, periapikal och pano-radiografier, som är de vanligaste i tanddiagnostik – de typer av röntgenbilder som man får på tandläkaren varannan eller tredje år, och efter behov. Radiografiska bilder är relativt lätta att erhålla inom tandvården jämfört med andra former av medicin, och fler tandröntgenbilder tas årligen än någon annan form av radiografi. Den dyra och tidskrävande delen är att få experter att granska och annotera röntgenbilderna. Vi har sammanställt världens största samling av markerade tandröntgenbilder. Tillgängligheten av radiografiska data är en del av vad som gör tandvårdsfältet så moget för störning av AI.

Vilken typ av effektivitetsförbättringar och noggrannhetsnivåer har setts från Pearl-systemet jämfört med manuell mänsklig granskning av bilder?

Vi har genomfört flera stora studier över tusentals radiografier och hundratals tandläkare för att testa systemets noggrannhet, både som ett fristående detektionssystem och när det används för att hjälpa tandläkare. Vi har tittat på noggrannhet för varje detektionstyp samt i allmänhet över alla detektioner som stöds av systemet. Det finns variation i noggrannhet mellan enskilda detektionsklasser, med noggrannhet som varierar från cirka 84-96 procent. I allmänhet är systemet korrekt strax över 92 procent av tiden. Det är ganska bra och systemet fortsätter att förbättras.

Vad är din syn på framtiden för tandvård om 10 år?

Såsom tandvårdsindustrin fortsätter att omfamna digital transformation, ser jag tandläkare som inkorporerar AI i de flesta av de tidskrävande uppgifter de utför dagligen – som journalföring, schemaläggning, drift, lagerhantering – så att de kan fokusera på patienter snarare än på de rutinmässiga uppgifter som tar dem bort från det arbete som deras färdigheter är unikt lämpade för. Vi kommer att se en högre standard på patientvård över hela linjen, lägre kostnader och, slutligen, en större industri som för bättre munhälsa till fler människor runt om i världen.

Finns det något annat du vill dela om Pearl?

Experter har lovat att AI kommer att ge bättre kliniska resultat och kostnadsbesparingar inom hälso- och sjukvårdsindustrin i över ett decennium. Många av dessa löften har inte infriats. Tandvård är faktiskt lite sen till AI-spelet, men AI utvecklas mycket snabbare inom tandvård än inom andra hälso- och sjukvårdsområden. Varför?

När man betraktar medicin genom ett kommersiellt lins, är tandvård mycket mer entreprenöriell än andra former av medicin. Tandvård utförs i många små, traditionellt privatägda praktiker. De flesta andra former av medicin hanteras av sjukhus, som vanligtvis är stora byråkratiska institutioner. Tandpraktiker och sjukhus har båda samma önskan att öka effektiviteten, förbättra patientresultaten osv, men strukturellt är sjukhus för långsamma och konservativa för att effektivt integrera och kapitalisera på framväxande teknologier som tillfredsställer dessa önskemål. Tandpraktiker, å andra sidan, är agila – och tandläkares entreprenöriella karaktär gör tandvård till en mycket mer fruktbar mark för innovationer som AI. Om en tandläkare ser en potentiell fördel i något, kan de omedelbart implementera det. Ett sjukhus kommer inte att kunna agera med den typen av ensidig beslutsamhet. Det kommer att finnas genomförbarhets- och påverkansstudier, motstånd från motstridiga intressen och intressenter, budgetförhandlingar och en rad andra hinder som en ny teknologi måste gå igenom innan implementering.

Likaviktigt viktigt är dock det faktum att tandläkare kan bidra till ansträngningarna att utveckla och förbättra det, om de så önskar. Pearl har kunnat konceptualisera, bygga och kommersialisera denna teknik så snabbt som vi har, både för att tandläkare är aktiva och befogenheter konsumenter – vi utvecklar produkter för en marknad som inte är belastad av den byråkratiska friktionen som företag som försöker sälja till sjukhus möter – och för att tandläkare är fria att ge sitt materiella och intellektuella stöd till våra ansträngningar. Slutligen är vår AI så smart som den är för att den har tränats och finslipats av en armé av smarta tandläkare som tror på teknologin och hade friheten att bidra till dess skapelse. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Pearl.