凯赫隆医疗技术公司联合创始人兼首席技术官托比亚斯·赖肯 – 采访系列

托比亚斯·赖肯是凯赫隆医疗技术公司的联合创始人兼首席技术官，该公司是一家医疗影像公司，利用先进的机器学习技术开发和提供智能工具，以帮助放射科医生、放射科部门、影像中心和医院提高放射科报告的效率、一致性和准确性。

凯赫隆医疗技术公司成立的初衷是帮助放射科医生早期发现乳腺癌，利用机器学习软件。

是什么最初吸引你学习机器学习的?

我最初接触机器学习是在我还是一个年轻的青少年时，当时我开始学习编程。有一个游戏引擎可以让你编写自己的游戏。我想玩这个游戏，但我可以和谁玩呢？可以是另一个玩家，也可以是一个程序。如何构建一个可以学习玩游戏的程序？那时候还不是现代的AI，而是基于规则的AI。我每次都能击败它，所以它不是一个好的AI。

当我在伦敦大学学院学习硕士学位时，我们进入了现代AI的新时代。DeepMind刚刚被收购，我正在学习机器学习，而DeepMind的创始人David Silver正在教一个关于强化学习的课程。作为课程的一部分，我构建了一个代理来学习玩一个游戏——一个简化版的二十一点。当我完成了AI并与自己的创造物玩耍时，我再也无法击败它了。这是一个真正的启示。

我正式接触机器学习是在大学的第一年，我在阿姆斯特丹大学学院学习数学和计算机科学。同时，建立了大规模的在线课程，我可以加入AI课程，跟随该领域的领军人物学习。给我印象最深的课程是斯坦福大学的Peter Norvig和Sebastian Thrun的课程，我可以和10万人一起学习AI。

现在在凯赫隆，我最喜欢机器学习的地方是它对现实世界的应用。它有机会解决现实世界的问题。这才是真正让我兴奋的地方。

可以讨论一下凯赫隆医疗的创立故事吗?

彼得和我在2016年在英国的创业加速器Entrepreneur First相识。我们立即产生了联系——可能是因为我们相似的背景。我们都来自医疗家庭——彼得的母亲是一位放射科医生，我在一个医疗家庭中长大，周围都是医生，我们都选择了STEM领域。

我们的背景给了我们一个清晰的视角，了解医疗工作者面临的挣扎和挑战，以及AI如何改善他们的生活和患者的生活。我们相信AI和临床医生将共同改变医疗保健的未来。

这里有一个大问题需要解决。全球放射科医生短缺。很多人死于癌症——每年超过4万名美国女性死于乳腺癌。部分原因是医生没有足够的信息来做出正确的决定。AI可以帮助解决这个问题。

首先，凯赫隆的使命是帮助放射科医生，这样放射科医生就可以帮助患者。我个人非常有动力去深入了解问题的复杂性。我们都努力去真正理解放射科医生的工作、他们每天处理的数据、他们的工作流程。然后我们可以弄清楚如何将AI融入这个工作流程中。

我们在深入了解用户和数据方面投入了大量精力。我们有放射科医生在我们的团队中，帮助我们将用户需求融入设计和开发过程中。我们有一个患者参与计划，直接与女性接触，了解她们对乳腺筛查的恐惧和需求。

很多人问我关于我们公司名称的由来——凯赫隆。凯赫隆是希腊神话中的一位智慧而温和的半人马，他训练英雄学习医学。这一概念——两个部分组成的东西比单独的部分更强大——是凯赫隆的灵感来源——AI和临床医生共同合作，改变医疗保健的标准。

可以讨论一下乳腺癌筛查解决方案吗?

我们正在开发多个乳腺癌筛查解决方案，涵盖整个乳腺癌筛查路径。

我们的第一个产品叫做Mia——代表乳腺X光智能评估。Mia被优化为执行与放射科医生相同的任务——即确定是否应该召回女性进行进一步检查。

我们实现的性能水平使我们能够重新思考工作流程。对于美国女性来说，这尤其有意义。美国有所谓的“单人阅读工作流程”，这意味着每张乳腺X光片都由一位放射科医生阅读。然而，英国和欧洲有“双人阅读工作流程”，这意味着每张乳腺X光片都由两位放射科医生阅读。许多美国放射科医生认为双人阅读是“金标准”，因为它比单人阅读更有可能早期发现小的乳腺癌。

我们的临床研究证明，Mia是一种临床安全且具有成本效益的选择，可以作为独立或同时阅读者。这意味着在美国，Mia可以与放射科医生一起使用，以实现双人阅读工作流程的金标准——使用单个人类阅读者。就像我之前说的，这正是我们看到AI和人类共同合作解决大问题的力量。

我们即将推出的第一个产品叫做Mia IQ，它位于乳腺癌筛查路径中的一个步骤之前。Mia IQ帮助放射技术人员分析图像质量。如果我们可以提高图像质量，那么阅读质量也会提高。这意味着更多的癌症将被早期发现，当时女性的预后会更好。

这对于MQSA质量保证审计和持续培训非常重要，我们预计Mia IQ的首个应用将出现在这些领域。Mia IQ为筛查计划提供了有关定位问题的报告。这样，计划主任就可以为技术人员提供点对点培训，并解决可能影响他们质量保证审计的任何更广泛的图像质量问题。

神经网络被训练了多少张图像?

对于我们来说，数据的数量不是重点。乳腺癌筛查空间的好处是有大量的数据可用。有大量的历史数据，因为筛查计划已经存在了一段时间。并且，因为你要筛查整个人口，所以每天都会产生大量新的数据。

挑战在于数据严重偏斜。99%的筛查人群没有癌症，幸运的是，这意味着正常图像的偏斜。还有人口差异，数据中缺乏多样性。

所以，对于凯赫隆来说，挑战不是获取数据的数量。相反，我们成功的关键部分在于了解收集哪些数据才能获得最佳结果，以及在获取数据的位置和方式上非常有选择性和针对性。我们与埃默里大学的合作是一个很好的例子，说明我们如何做到这一点。

目前虚假阳性是否是一个问题?

虚假阳性只是问题的一部分。筛查的科学依赖于虚假阳性和虚假阴性之间的权衡。例如，我们可以实现非常低的虚假阳性率，但我们会错过一些癌症。另一方面，如果我们有很低的错过癌症率，我们就会有很高的虚假阳性率。了解这些权衡并根据优先级和资源平衡筛查服务至关重要。

文化和政策差异也存在于不同国家之间，这些差异会影响这些权衡的做法。在一些国家，错过癌症被认为是一个大问题。在其他国家，减少不必要的召回被认为更重要，因为每次召回都会带来医疗成本。

最终，这是关于了解这种权衡如何影响患者，包括虚假阳性群体经历的不必要召回和进一步检查的数量，以及虚假阴性群体中未被发现的癌症。 这是一个困难的平衡行为，但AI承诺提高两个群体的标准。

凯赫隆医疗技术公司和埃默里大学最近宣布了一项合作，以评估埃默里医疗保健在超过5万名非裔美国女性中的乳腺X光片数据。可以分享更多关于这个项目的细节吗?

我们与埃默里大学的合作伙伴关系扩大了我们用于确保Mia（我们的AI乳腺癌筛查解决方案）对任何女性（无论种族）都能达到相同标准的数据多样性。

合作的第一个项目将支持Mia性能的验证，使用埃默里筛查人口的多样化数据。这个多中心研究涵盖了四个筛查网站和医院。这个项目将包括超过20万张筛查乳腺X光片，其中约45%的女性是非裔美国人。

我们在十一月下旬宣布了这项合作，并在此期间取得了巨大的进展，尽管面临着全球大流行和远程工作条件的挑战。我认为这是埃默里团队的巨大贡献，他们也是为社区患者提供卓越医疗服务的临床医生。

目前，我们的合作伙伴关系正在投入前期精力，以建立我们未来工作的坚实基础。我们正与埃默里团队密切合作，以了解临床工作流程。这为深入分析和询问潜在的子群体（如种族群体）之间的差异提供了必要的基础。

这项工作并不容易，也不会很快完成。医疗保健领域的很多事情都不是这样的。但是，这项工作非常有意义，我们很幸运能够从一组全球合作伙伴那里获得极大的支持，他们与我们在使命上高度一致——帮助任何地方的任何女性都能有机会对抗乳腺癌。

非白种人在图像数据中的代表性不足是一个多大的问题?

历史上，患者人群的多样性并没有在医疗研究中得到充分反映。我们这些开发AI的人有责任在我们的研究中包含种族多样性。

代表性不足的人群是一个问题，特别是在乳腺癌筛查中。非裔美国女性的结果就是一个例子。非裔美国女性的死亡率更高（比非西班牙裔白人高39%），这可能是由于医疗保健的可及性、诊断延迟和治疗开始延迟等因素造成的。

AI在不同人群中的普遍适用性是解决乳腺癌筛查中种族差异的关键一步。我很高兴我们的凯赫隆团队致力于构建一个在不同种族人群的乳腺X光片上表现同样出色的解决方案。我们的与埃默里大学和加州大学旧金山分校的合作将帮助我们实现这一普遍适用性的愿景——确保Mia为每个女性、每个地方提供更好的对抗乳腺癌的机会。

感谢这次精彩的采访，并感谢你们为这些重要的生命拯救技术所做的工作。希望了解更多的读者可以访问凯赫隆医疗技术公司的网站。