Estás leyendo la publicación: Jonas Muff, fundador y director ejecutivo de Vara – Serie de entrevistas
Jonas Muff es el fundador y director ejecutivo de vara una plataforma de detección de cáncer de mama. Vara, fundada en Alemania, opera en varios países de Europa. Recientemente anunciaron dos asociaciones importantes este año en Grecia y México, que pondrán su tecnología a disposición de más de 30 millones de mujeres.
¿Qué le atrajo inicialmente del campo de la inteligencia artificial?
Como hijo de médico, siempre he creído que el poder y el potencial de la atención médica radican en la prevención y no solo en la curación; mantener saludables a las personas sanas, en lugar de solo tratar a los enfermos. La inteligencia artificial tiene la clave no solo para desbloquear este cambio de paradigma, sino también para ayudar a los sistemas de salud modernos a dar saltos cuánticos tanto en el diagnóstico como en el tratamiento de enfermedades. Los diagnósticos impulsados por IA tienen el potencial de ser más baratos y menos dependientes de los recursos de conocimiento experto, de los cuales existe una escasez mundial. De esta manera, la IA podría utilizarse potencialmente para proporcionar medicamentos de alta calidad en países menos desarrollados para hacer que el acceso a una buena atención médica sea más justo y más global.
¿Podría hablar sobre la historia de la génesis detrás de Vara?
Vara nació de Merantix, un estudio de riesgo en Berlín destinado a desbloquear el potencial de la IA a través de un enfoque colaborativo. Merantix reúne a personas de diferentes orígenes, todas con mentalidad emprendedora, para abordar problemas del mundo real de manera innovadora. Reunimos un equipo de expertos en aprendizaje automático, desarrolladores de software, diseñadores de productos y radiólogos, y nos dispusimos a reinventar el flujo de trabajo de detección del cáncer de mama de abajo hacia arriba.
Al leer mamogramas, un radiólogo de detección está buscando efectivamente una aguja en un pajar. Si bien la gran mayoría de las mamografías se considerarán ‘normales’, es decir, no contendrán ningún signo de cáncer de mama, una minoría pequeña, pero totalmente significativa, sospechará y requerirá más análisis.
Esto ejerce una gran presión sobre el radiólogo para asegurarse de que no se pierdan agujas, pero también se les exige que pasen el 98 % (o más) de su vida laboral diaria informando mamografías normales. Es una combinación que puede conducir a errores y en la que hemos creído, desde el primer día, que la IA puede ayudar a resolver compensando los errores humanos y eliminando la carga administrativa. De esta forma, los radiólogos pueden dedicar aún más atención a encontrar las anomalías.
Con esto en mente, nos asociamos con algunos de los principales radiólogos de detección de Alemania para construir una plataforma que estandariza todo el flujo de trabajo clínico y lo mejora mediante el uso de herramientas avanzadas de IA, automatización y gestión de datos. En lugar de tratar de reemplazar a los radiólogos, la plataforma Vara tiene como objetivo potenciarlos para que los procesos sean más eficientes, más transparentes y más efectivos.
A través de nuestro trabajo, también nos dimos cuenta de que, aunque la detección del cáncer de mama es un hecho en la mayoría de los países europeos, incluido nuestro país de origen, Alemania, que tiene un orgulloso legado de haber iniciado un programa de detección basado en la población en 2002, la mayoría de los países del mundo lo hacen. no ofrecer pruebas de detección a las mujeres. Creemos que toda mujer tiene derecho a la detección y, por lo tanto, nuestra plataforma ha sido diseñada para funcionar en cualquier parte del mundo. Nuestra misión es hacer que la detección del cáncer de mama basada en datos sea más accesible para todos.
¿Cuántos conjuntos de entrenamiento se han usado para entrenar los datos? ¿Estos conjuntos incluyen una amplia variedad de tipos de piel?
Nuestros modelos se han desarrollado en base a más de 7 millones de mamografías utilizando datos de Europa, predominantemente Alemania.
Las mamografías son muy similares entre diferentes poblaciones y etnias. Lo que varía entre las poblaciones globales es la densidad mamaria (cantidad de tejido adiposo en la mama), los subtipos de cáncer patológico, así como los tipos y tamaños de lesiones.
Al evaluar a Vara, no solo consideramos el desempeño promedio, sino que observamos el desempeño en cada subgrupo, es decir, senos grasos versus densos, o lesiones pequeñas versus grandes. Nuestros resultados muestran que podemos mejorar las métricas de los radiólogos en todos los subgrupos relevantes.
Esto significa que incluso si las mujeres de otras poblaciones tienden a tener senos más densos, por ejemplo, Vara seguirá mejorando su estándar de atención. Realizamos una evaluación local para comprender el desempeño de la IA en México y asegurarnos de que efectivamente mejoramos el estándar de atención. Y continuaremos monitoreando el desempeño prospectivo de Vara en tiempo real y manteniendo un diálogo constante con nuestros socios de proyección. Nuestro objetivo es mejorar el estándar de atención en México al proporcionar un flujo de trabajo de detección estandarizado impulsado por IA.
El sistema Vara utiliza 3 tipos de clasificaciones para cada mamografía, ¿podría comentar cuáles son y cómo ayudan a prevenir falsos positivos?
La vía de derivación de decisiones es un proceso de selección desarrollado por Vara en el que el algoritmo solo hace una declaración para los casos en los que realiza predicciones precisas con confianza, mientras que deja otros casos a la experiencia humana.
El objetivo de la vía de derivación de decisiones es ayudar al radiólogo con IA a mejorar tanto la sensibilidad como la especificidad, es decir, reducir los falsos negativos y los falsos positivos. Al mismo tiempo, la IA no es perfecta y no puede hacer predicciones 100 % correctas para todos los casos. Por lo tanto, el objetivo de la derivación de decisiones es combinar la experiencia humana de los radiólogos con las capacidades técnicas de la IA actual en un intento por mejorar ambas.
Los tres tipos de clasificación son entonces:
- Clasificación normal: el algoritmo selecciona un subconjunto de casos que considera normales con alta confianza y automáticamente etiqueta esos casos para el radiólogo. El objetivo del triaje normal es etiquetar tantos casos normales como negativos como sea posible, con una clasificación errónea mínima.
- Red de seguridad: Para los casos en los que la IA está muy segura de que las imágenes son sospechosas, ofrece una red de seguridad: si el radiólogo clasifica uno de esos casos como negativo, la red de seguridad se activa y dirige al radiólogo a una región específica en la imagen que es sospechosa. a la IA. Luego, el radiólogo puede reconsiderar la decisión y detectar potencialmente un cáncer que de otro modo se habría pasado por alto.
- Casos sin clasificar: Es importante destacar que la IA no hace una declaración para todos los casos. Hay casos que ni se clasifican como normales (los casos menos sospechosos), ni se activa la red de seguridad (los casos más sospechosos). Para esos casos, la IA no tiene la confianza suficiente y la experiencia de decisión debe provenir del radiólogo.
Una propiedad intrínseca de la referencia de decisión es su configurabilidad. Podemos configurar la IA para que el 50 % más bajo de los casos se etiqueten como normales, o podemos configurarla para etiquetar el 70 % más bajo como normal. Del mismo modo, la red de seguridad se puede activar para el 1 % de los casos más sospechosos o, alternativamente, para el 2 % de los casos más sospechosos.
Los seres humanos, incluidos los radiólogos, a menudo experimentan un sesgo cognitivo. ¿Cómo ayuda la aplicación de IA a resolver este problema?
Nuestra IA ha aprendido de los datos de uno de los mejores sistemas de detección del mundo en Alemania. Además, durante el entrenamiento, la IA tiene acceso a datos que los radiólogos no tienen en la práctica clínica. Es decir, los resultados de la biopsia o el seguimiento de dos años de cada caso. Mediante el uso de conjuntos de datos amplios y representativos, evitamos sesgos en los datos de entrenamiento.
Luego desarrollamos la red de seguridad para reducir cualquier sesgo potencial en la interacción entre humanos e IA. La red de seguridad no muestra áreas sospechosas al radiólogo por adelantado. En cambio, el radiólogo informa sus hallazgos con el visor de Vara y, en caso de que la IA no esté de acuerdo con la evaluación del radiólogo, Vara muestra la predicción localizada. Esto le da al radiólogo la oportunidad de revisar su informe inicial y adaptarlo. De esta manera, la red de seguridad ayuda a reducir los cánceres que se pasan por alto.
A diferencia de los humanos, el modelo no se cansa y ofrece un rendimiento mejorado de forma continua, independientemente de la hora del día. Por lo tanto, la IA puede objetivar los resultados de los radiólogos.
¿Podría discutir los desafíos de detectar el cáncer de mama cuando se trata de posibles casos extremos como los implantes?
Nuestros modelos han sido entrenados en un conjunto de datos diversos del mundo real de todas las mujeres que asisten a la detección, incluidas las mujeres con implantes. No hemos encontrado que esos casos sean un desafío particular para Vara. Además, nuestro modelo no hace declaraciones sobre todos los casos. Si no está seguro acerca de un caso específico, difiere la decisión a los radiólogos, un enfoque que llamamos referencia de decisión (ver arriba).
Vara también realiza mamografías post-screening, en este paso del proceso ¿qué se busca específicamente?
Vara muestra las predicciones después de que el radiólogo se haya formado una opinión (consulte “Red de seguridad” más arriba para obtener más detalles). Los radiólogos obtienen una visión crítica al comparar el desarrollo del tejido y las lesiones a lo largo del tiempo. Asimismo, aprovechar la información temporal mejorará aún más la precisión diagnóstica de los modelos de IA. Nuestra IA no solo se ejecuta en el examen actual, sino que también verifica los exámenes anteriores en busca de signos de cáncer, con la promesa de mejorar aún más el rendimiento de la detección.
¿Hay algo más que le gustaría compartir sobre Vara?
El enfoque de referencia de decisiones de la plataforma Vara AI ahora se usa en el 30% de todas las unidades de detección en Alemania. Como parte de nuestra misión global, recientemente lanzamos unidades de detección en México y Grecia, en asociación con proveedores de atención médica en el terreno en esas regiones. Con tales socios, estamos mostrando cómo podemos aprovechar la infraestructura de atención médica existente para permitirles pasar de su configuración actual a un servicio de detección estandarizado y de última generación.
Nuestro equipo se ha duplicado a 30 y hemos designado expertos mundiales en radiología, como Profesora Katja Pinker-Domenig, quien se convirtió en nuestro Asesor Médico Principal, así como en Stephan Dreier como Director de Ingresos. También contamos con colaboraciones con instituciones académicas de renombre en los EE. UU. y Europa, como Memorial Sloan Kettering Cancer Center, Universidad de Cambridge, Instituto Karolinska y el Registro de Cáncer de Noruega.
El rendimiento de la IA de Vara se muestra muy prometedor en términos de reproducibilidad y generalización. Actualmente se está publicando un gran estudio retrospectivo en el mundialmente famoso Lancet Digital Health, así como otra importante publicación revisada por pares sobre la prevención del cáncer de intervalo en el European Journal of Radiology.
También acabamos de empezar El primer estudio prospectivo de Alemania para mostrar el impacto de Vara en la rutina clínica. Todos estos logros nos están ayudando a lograr nuestra misión principal de hacer que la detección del cáncer de mama basada en datos sea accesible para todos.
Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Vara.
