Tobias Rijken, medgrundare och CTO på Kheiron Medical Technologies – Intervjuserie

Tobias Rijken är medgrundare och CTO på Kheiron Medical Technologies, ett medicinskt bildföretag som använder avancerad maskinlärande-teknologi för att utveckla och tillhandahålla intelligenta verktyg för radiologer, radiologavdelningar, bildningscentra och sjukhus för att förbättra effektiviteten, konsekvensen och noggrannheten i radiologisk rapportering.

Kheiron Medical Technologies grundades med det ensamma fokuset att hjälpa radiologer att upptäcka bröstcancer tidigare med maskinlärande-programvara.

Vad var det som initialt drog dig till maskinlärande?

Min informella introduktion till maskinlärande var när jag först började lära mig programmering när jag var en ung tonåring. Det fanns ett spel som du kunde programmera dina egna spel. Jag ville spela det här spelet, men vem spelar jag mot? Det kunde vara en annan spelare, men det kunde också vara ett program. Hur bygger man ett program som lär sig att spela ett spel? Det var inte en modern AI, det var regelbaserad AI. Jag vann varje gång, så det var inte en bra AI.

När jag studerade för min masterexamen vid University College London, gick vi in i en ny era av modern AI. DeepMind hade just förvärvats, och jag studerade maskinlärande på den plats där DeepMind faktiskt grundades. David Silver, en av de ledande forskarna på DeepMind, undervisade en kurs i förstärkt lärande. Som en del av kursen byggde jag en agent som lärde sig att spela ett spel – en förenklad form av blackjack. När jag avslutade AI och spelade mot min egen skapelse, kunde jag inte vinna längre. Och det var en verklig uppenbarelse.

Min formella introduktion till maskinlärande kom under mitt första år på universitetet. Jag studerade matematik och datavetenskap vid Amsterdam University College. Samtidigt etablerades massiva nya öppna online-kurser och jag kunde gå med i AI-kurser från ledande figurer inom området. Kursen som hade störst inverkan var med Peter Norvig och Sebastian Thrun från Stanford, och jag kunde studera AI med 100 000 personer samtidigt.

Nu med Kheiron, det jag gillar så mycket med maskinlärande är den tillämpning det har på den verkliga världen. Möjligheten det har att lösa verkliga problem. Det är vad som verkligen exciterar mig.

Kan du diskutera ursprunget till Kheiron Medical?

Peter och jag möttes 2016 på den brittiska acceleratorn Entrepreneur First. Vi kopplade direkt – förmodligen på grund av våra liknande bakgrunder. Vi båda kommer från medicinska familjer – Peters mor är radiolog, jag växte upp i en medicinsk familj, omgiven av läkare, och båda valde att gå ner på STEM-vägen.

Våra bakgrunder gav oss en tydlig vy av de utmaningar och problem som hälso- och sjukvårdspersonal möter och en förståelse för hur AI kan förbättra deras liv, liksom patienternas liv. Vi delar en övertygelse om att AI tillsammans med kliniker kommer att förändra hälso- och sjukvården till det bättre.

Det finns ett stort problem att lösa här. Det finns en global brist på radiologer. Många människor dör av cancer – mer än 40 000 amerikanska kvinnor dör varje år av bröstcancer. En del av anledningen till att så många människor dör av cancer är att läkare inte har rätt information för att fatta rätt beslut. AI kan hjälpa till med det.

Först och främst är Kheiron här för att hjälpa radiologen så att radiologen kan hjälpa patienterna. Jag blir personligen mycket motiverad av att gräva djupt i problemet för att förstå dess komplexitet. Vi arbetar hårt för att verkligen förstå radiologernas arbete, de data de arbetar med dagligen, deras arbetsflöde. Sedan kan vi ta reda på hur vi kan distribuera AI som en del av det här arbetsflödet.

Vi investerar kraftigt i att djupt förstå användarna och datan. Vi har radiologer i vårt team som hjälper oss att integrera användarbehoven i design- och utvecklingsprocessen. Vi har ett patientengagemangsinitiativ som engagerar direkt med kvinnor för att förstå deras rädslor och behov för bröstscreening.

Många människor frågar mig om namnet på vårt företag – Kheiron. Kheiron var en vis och mild kentaur – ett väsen som är delvis människa, delvis häst i grekisk mytologi – som utbildade hjältarna i medicin. Den här idén om två halvor som tillsammans bildar något mer kraftfullt än de enskilda delarna är inspirationen för Kheiron – AI och kliniker som arbetar tillsammans för att förändra vad som är möjligt i vården.

Kan du diskutera de bröstcancerscreeningslösningar som erbjuds?

Vi arbetar med flera bröstcancerslösningar längs bröstcancerscreeningsvägen.

Vår första produkt heter Mia – som står för mammografiintelligent bedömning. Mia har optimerats för att utföra samma uppgift som en radiolog – nämligen att avgöra om kvinnan ska kallas tillbaka för ytterligare undersökning eller inte.

Nivån på prestationen vi uppnår tillåter oss att tänka om arbetsflödet. För amerikanska kvinnor är detta otroligt meningsfullt. USA har vad som kallas “single-reader-workflow”. Detta innebär att varje mammografi läses av en radiolog. Men i Storbritannien och Europa har vi “double-reader-workflow”, vilket innebär att varje mammografi läses av två radiologer. Många amerikanska radiologer anser att dubbel läsning är “guldstandard” eftersom det är mer sannolikt att upptäcka tidiga, små bröstcancer.

Våra kliniska studier visar att Mia är en kliniskt säker och kostnadseffektiv lösning som oberoende eller samtidig läsare. Detta innebär att i USA kan Mia användas tillsammans med radiologen för att uppnå den här guldstandarden för dubbel läsning – med en enda mänsklig läsare. Som jag sa tidigare, det är verkligen så vi ser kraften i AI och mänsklig samverkan för att lösa stora problem.

Den första produkten vi tar med till den amerikanska marknaden heter Mia IQ, som sitter ett steg tidigare i bröstcancerscreeningsvägen. Mia IQ hjälper röntgenteknikerna att analysera bildkvaliteten. Om vi kan förbättra bildkvaliteten, kommer läsningen att bli bättre också. Och det innebär att fler cancerfall kommer att upptäckas tidigare, när resultaten kan bli bättre för kvinnan.

Detta är mycket viktigt för MQSA-kvalitetssäkringsrevisioner och för kontinuerlig utbildning, där vi förväntar oss att se Mia IQ:s första tillämpningar. Mia IQ tillhandahåller screeningprogram med rapporter som detaljerar positioneringsproblem. Detta kommer att tillåta programchefer att tillhandahålla punktutbildning för tekniker och hantera eventuella breda bildkvalitetsproblem som kan påverka deras kvalitetssäkringsrevisioner.

Hur många bilder har neuronnätverket tränats på?

För oss är datamängden inte poängen. Det bra med bröstcancerscreeningsområdet är att det finns mycket data tillgängligt. Det finns mycket historisk data eftersom screeningprogram har funnits under en lång tid. Och eftersom man screenar en hel befolkning, genereras det mycket ny data.

Utmaningen är att datan är kraftigt skev. 99% av screeningbefolkningen har inte cancer, lyckligtvis, vilket innebär att det finns en snedhet mot normala bilder. Det finns också populations skillnader, med brist på mångfald i datan.

Så för Kheiron, utmaningen är inte att få datamängden. Istället är en stor del av vår framgång att förstå vilken data vi ska samla in för att få de bästa resultaten, och att vara mycket selektiva och riktade i var och hur vi får vår data. Vårt samarbete med Emory University är ett bra exempel på hur vi gör detta.

Är falska positiva för närvarande ett problem?

Falska positiva är bara en del av problemet. Vetenskapen om screening bygger på avvägningar mellan falska positiva och falska negativa. Till exempel kan vi uppnå en mycket låg falsk positiv frekvens, men vi kommer att missa vissa cancerfall. Å andra sidan kan vi ha mycket få missade cancerfall om vi har en hög falsk positiv frekvens. Det är viktigt att förstå dessa avvägningar och att balansera vår screeningservice baserat på prioriteringar och resurser.

Kulturella och politiska skillnader finns också mellan länder, vilket påverkar hur dessa avvägningar görs. I vissa länder anses det vara mycket problematiskt att missa en cancer. I andra länder anses det vara viktigare att minimera onödiga återkallanden på grund av de hälso- och sjukvårdskostnader som är förknippade med varje återkallande.

Till slut handlar det om att förstå hur denna avvägning påverkar patienterna, i termer av antalet onödiga återkallanden och ytterligare tester som upplevs av den “falska positiva” gruppen jämfört med den “falska negativa” gruppen, vars cancerfall inte upptäcks. Det är en svår balansakt, men AI lovar att höja ribban för båda grupperna.

Kheiron Medical Technologies och Emory University meddelade nyligen ett samarbete för att utvärdera data från tidigare mammografier på över 50 000 afroamerikanska kvinnor som har screenats vid Emory Healthcare. Kan du dela mer information om det här projektet?

Vårt partnerskap med Emory University utvidgar mångfalden av data som vi använder för att säkerställa att Mia, vår AI-bröstcancerscreeningslösning, fungerar till samma standard för varje kvinna, oavsett etnicitet.

Det första projektet i samarbetet kommer att stödja valideringen av Mias prestanda mot Emorys diversa screeningbefolkning. Detta är en multisajtstudie som omfattar fyra screeningssajter och sjukhus. En kohort på över 200 000 screeningmammografier kommer att ingå i det här projektet – ungefär 45% av kvinnorna i den här kohorten är av afroamerikansk härkomst.

Vi meddelade det här samarbetet i slutet av november och har gjort stora framsteg sedan dess, även med tanke på utmaningarna med att operera under en global pandemi och distansarbetsförhållanden. Jag tycker att det är en stor credit till teamet på Emory, som också är kliniker som tillhandahåller utmärkt vård till patienter i samhället.

För närvarande investerar vårt samarbete den initiala energin för att etablera en stark grund för vårt framtida arbete. Vi arbetar nära med teamet på Emory för att förstå kliniska arbetsflöden. Detta utgör den nödvändiga grunden för djup analys och förhör av eventuella skillnader mellan subpopulationer, som etniska grupper.

Det här arbetet är inte lätt eller snabbt. Inte många saker inom hälso- och sjukvården är det. Men det är mycket givande, och vi är lyckliga att dra nytta av en uppsättning globala partner som är extremt samarbetsvilliga och anslutna till oss i vår delade mission: att hjälpa varje kvinna, var som helst, att ha en chans mot bröstcancer.

Hur stor är problemet med underrepresentering av icke-vita för bilddata för cancerdiagnos?

Historiskt sett har mångfalden av patientpopulationer inte återspeglats i medicinsk forskning i den utsträckning som den borde. De av oss som utvecklar AI har ett ansvar att inkludera etnisk mångfald i våra studier.

Underrepresenterade populationer är ett problem för bröstcancerscreening. Resultaten för afroamerikanska kvinnor är ett exempel på detta. Afroamerikanska kvinnor tenderar att ha högre dödstal (39% högre än icke-hispanska vita), och detta kan tillskrivas tillgång till hälso- och sjukvård, förseningar i diagnos och förseningar i behandlingsstart, bland andra faktorer.

Generaliserbarhet av AI över olika populationer är ett viktigt steg mot att hantera rasrelaterade skillnader i bröstscreening. Jag är glad att vårt Kheiron-team är engagerat i att bygga en lösning som fungerar lika bra på mammografier från etniskt diversifierade populationer – och det är en stor motiverande faktor för vårt arbete. Vårt samarbete med Emory och UCSF kommer att hjälpa oss att uppnå den här visionen om generaliserbarhet – att säkerställa att Mia ger varje kvinna, var som helst, en bättre chans mot bröstcancer.

Tack för den underbara intervjun och för att arbeta med så viktiga livräddande teknologier. Läsare som vill lära sig mer kan besöka Kheiron Medical Technologies.