Йонас Мафф, засновник та генеральний директор Vara – Серія інтерв’ю

Йонас Мафф є засновником та генеральним директором Vara – платформи для скринінгу раку молочної залози. Заснована в Німеччині, Vara працює в декількох країнах Європи. Нещодавно вони оголосили про два великих партнерства цього року в Греції та Мексиці, що зробить їх технологію доступною для понад 30 мільйонів жінок.

Що спочатку привернуло вашу увагу до галузі штучного інтелекту?

Як син лікаря, я завжди вважав, що сила та потенціал охорони здоров’я полягають не тільки у лікуванні, а й у профілактиці; утриманні здорових людей здоровими, а не тільки у лікуванні хворих. Штучний інтелект володіє ключем не тільки до відкриття цього парадигматичного зсуву, а й до допомоги сучасним системам охорони здоров’я зробити квантовий стрибок як у діагностиці, так і у лікуванні захворювань. Діагностика, що використовує штучний інтелект, має потенціал бути дешевшою та menos залежною від ресурсів експертних знань, яких не вистачає у світі. Таким чином штучний інтелект можна використовувати для надання високоякісної медицини у менш розвинених країнах, щоб зробити доступ до доброї охорони здоров’я справедливішим та більш глобальним.

Чи можете ви розповісти про історію створення Vara?

Vara народилася з Merantix, вентурної студії в Берліні, яка спрямована на відкриття потенціалу штучного інтелекту за допомогою колаборативного підходу. Merantix збирає людей з різних背景ів, усіх з підприємницькими менталітетами, щоб вирішувати реальні проблеми інноваційними способами. Ми зібрали команду експертів з машинного навчання, розробників програмного забезпечення, дизайнерів продукту та радіологів, і вирушили переосмислити потік скринінгу раку молочної залози знизу вгору.

Коли радіолог читає мамограми, він фактично шукає голку в копі. Хоча більшість мамограм буде вважатися “нормальними” – тобто, вони не міститимуть жодних ознак раку молочної залози – мала, але цілком значима меншість буде підозрілою і потребуватиме подальшого аналізу.

Це ставить великий тиск на радіолога, щоб він не пропустив жодної голки, але він також зобов’язаний проводити 98% (або більше) свого робочого дня звітами про нормальні мамограми. Це комбінація, яка може привести до помилок, і ми вважаємо, що штучний інтелект може допомогти вирішити обидва ці питання, компенсуючи людські помилки та усуваючи адміністративне навантаження. Таким чином радіологи можуть присвятити ще більше уваги пошукові аномалій.

З цим на увазі, ми співпрацювали з деякими з провідних радіологів Німеччини, щоб створити платформу, яка стандартизує весь клінічний потік і підвищує його за допомогою використання передових інструментів штучного інтелекту, автоматизації та управління даними. Замість того, щоб намагатися замінити радіологів, платформа Vara спрямована на підвищення їхньої ефективності, зробити процеси більш ефективними, прозорими та ефективними.

Під час нашої роботи ми також зрозуміли, що хоча скринінг раку молочної залози є даністю у більшості європейських країн, включаючи нашу батьківщину Німеччину – яка має горду спадщину початку програми скринінгу населення у 2002 році – більшість країн світу не пропонують жінкам скринінг. Ми вважаємо, що кожна жінка має право на скринінг, і тому наша платформа була розроблена для роботи будь-де у світі. Наша місія – зробити скринінг раку молочної залози, заснований на даних, більш доступним для всіх.

Як багато навчальних наборів було використано для навчання даних, і чи включають ці набори велике різноманіття типів шкіри?

Наші моделі були розроблені на основі більш ніж 7 мільйонів мамограм за допомогою даних з Європи, переважно Німеччини.

Мамограми дуже схожі між різними популяціями та етнічними групами. Що варіюється по всьому світу, це густина молочної залози (кількість жирової тканини в молочній залозі), патологічні підтипи раку, а також типи та розміри уражень.

Коли ми оцінювали Vara, ми не тільки розглядали середню продуктивність, але також розглядали продуктивність у кожній підгрупі, тобто жирових проти густих молочних залоз, або малих проти великих уражень. Наші результати показують, що ми можемо покращити метрики радіологів у всіх відповідних підгрупах.

Це означає, що навіть якщо жінки з інших популяцій мають густіші молочні залози, наприклад, Vara все одно покращить стандарт їхньої допомоги. Ми провели місцеву оцінку, щоб зрозуміти продуктивність штучного інтелекту в Мексиці, щоб забезпечити, що ми дійсно покращуємо стандарт їхньої допомоги. І ми продовжимо моніторити перспективну продуктивність Vara в реальному часі та залишатися в постійному діалозі зі своїми партнерами зі скринінгу. Наша мета – покращити стандарт їхньої допомоги в Мексиці, надаючи стандартизований потік скринінгу, підтриманий штучним інтелектом.

Чи можете ви розповісти про три типи класифікації для кожної мамограми, і як вони допомагають у запобіганні помилкових позитивних результатів?

Путь рішення реферування – це процес скринінгу, розроблений Vara, у якому алгоритм робить заяву тільки у випадках, коли він робить точні передбачення – залишаючи інші випадки людській експертизі.

Мета路径 рішення реферування – підтримати радіолога штучним інтелектом для покращення як чутливості, так і специфічності, тобто зменшення помилкових негативних та помилкових позитивних результатів. Водночас штучний інтелект не досконалий і не може зробити 100% правильних передбачень для всіх випадків. Тому мета рішення реферування – поєднати людську експертизу радіологів з технічними можливостями штучного інтелекту сьогодні, щоб покращити обидва.

Три типи класифікації наступні:

1. Нормальне тріаж: Алгоритм вибирає підмножину випадків, які він вважає нормальними з високою впевненістю, і автоматично позначає ці випадки для радіолога. Метою нормального тріажу є позначення якомога більшої кількості нормальних випадків негативними з мінімальною помилкою.
2. Безпековий захист: Для випадків, у яких штучний інтелект дуже впевнений, що зображення підозрілі, він пропонує безпековий захист: якщо радіолог класифікує один з цих випадків як негативний, безпековий захист спрацьовує і вказує радіологу на конкретний регіон у зображенні, який підозрілий для штучного інтелекту. Радіолог може потім переглянути своє рішення, потенційно виявивши рак, який інакше був би пропущений.
3. Некласифіковані випадки: Імпортантно, що штучний інтелект не робить заяви для всіх випадків. Є випадки, які не класифікуються як нормальні (найменш підозрілі випадки), ні безпековий захист не спрацьовує (найбільш підозрілі випадки). Для цих випадків штучний інтелект не достатньо впевнений, і рішення повинно прийматися радіологом.

Внутрішньою властивістю рішення реферування є його конфігурованість. Ми можемо сконфігурувати штучний інтелект так, щоб нижчі 50% випадків позначались як нормальні, або ми можемо сконфігурувати його так, щоб нижчі 70% позначались як нормальні. Аналогічно, безпековий захист може бути активований для 1% найбільш підозрілих випадків або для 2% найбільш підозрілих випадків.

Люди, включаючи радіологів, часто переживають когнітивні упередження, як штучний інтелект допомагає вирішити цю проблему?

Наш штучний інтелект навчився на даних одного з найкращих скринінгових систем світу в Німеччині. Крім того, під час навчання штучний інтелект фактично має доступ до даних, яких немає у радіологів у клінічній практиці, тобто результатів біопсії або дворічного спостереження кожного випадку. Використовуючи широкі та репрезентативні набори даних, ми запобігаємо упередженості у навчальних даних.

Ми розробили Безпековий захист, щоб зменшити потенційну упередженість у взаємодії між людьми та штучним інтелектом. Безпековий захист не показує підозрілі області радіологу заздалегідь. Замість цього радіолог повідомляє про свої висновки з допомогою Vara viewer, і якщо штучний інтелект не погоджується з оцінкою радіолога, Vara показує локалізоване передбачення. Це дає радіологу можливість переглянути свій первинний звіт і адаптувати його. Таким чином, Безпековий захист допомагає зменшити кількість пропущених ракових захворювань.

На відміну від людей, модель не втомлюється, і постійно демонструє покращену продуктивність, незалежно від часу доби. Штучний інтелект може об’єктивувати результати радіологів.

Чи можете ви розповісти про проблеми виявлення раку молочної залози, коли мова йде про можливі країні випадки, такі як імплантати?

Наші моделі були навчені на реальному, різноманітному наборі даних усіх жінок, які проходили скринінг, включаючи жінок з імплантатами. Ми не знайшли цих випадків особливою проблемою для Vara. Крім того, наша модель не робить заяв про всі випадки. Якщо вона не впевнена у конкретному випадку, вона передає рішення радіологам, підхід, який ми називаємо рішенням реферування (див. вище).

Vara також проводиться після скринінгу мамограм, у цьому етапі процесу що конкретно шукається?

Vara показує передбачення після того, як радіолог сформував свою думку (див. “Безпековий захист” вище для більшої інформації). Радіологи отримують критичну інформацію, порівнюючи розвиток тканини та уражень з часом. Аналогічно, використання тимчасової інформації进一步 покращить діагностичну точність моделей штучного інтелекту. Не тільки наш штучний інтелект працює з поточним обстеженням, але також перевіряє попередні обстеження на ознаки раку – з обіцянкою подальшого покращення продуктивності скринінгу.

Чи є щось інше, що ви хотіли б поділитися про Vara?

Підхід Vara до рішення реферування зараз використовується у 30% усіх скринінгових одиниць Німеччини. У рамках нашої глобальної місії ми нещодавно запустили скринінгові одиниці в Мексиці та Греції, у партнерстві з постачальниками медичної допомоги на місцях у цих регіонах. З такими партнерами ми демонструємо, як ми можемо використовувати існуючу інфраструктуру охорони здоров’я, щоб дозволити їм зробити стрибок від поточної установки до сучасної стандартизованої служби скринінгу.

Наша команда подвоїлася до 30 осіб, і ми призначили глобальних експертів з радіології, таких як професор Катя Пінкер-Доменіг, який став нашим головним медичним радником, а також Стефана Драйера як головного офіцера з доходів. У нас також є співробітництво з відомими академічними закладами у США та Європі, такими як Меморіальний центр Слоан-Кеттерінг, Кембриджський університет, Інститут Каролінського та Реєстр раку Норвегії.

Продуктивність штучного інтелекту Vara показує великий потенціал у плані репродуктивності та узагальнення. Велике ретроспективне дослідження зараз друкується у відомому виданні Lancet Digital Health, а також інша важлива рецензована публікація про профілактику інтервального раку у Європейському журналі радіології.

Ми також тільки що розпочали перше в Німеччині перспективне дослідження, щоб показати вплив Vara на клінічну практику. Усі ці досягнення допомагають нам досягнути нашої основної місії – зробити скринінг раку молочної залози, заснований на даних, більш доступним для всіх.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Vara.