Quibim的首席执行官兼联合创始人Ángel Alberich-Bayarri博士讨论了他们的多模态基础模型如何从MRI、CT和PET扫描中生成可操作的洞见。
Ángel Alberich-Bayarri博士长期以来一直对人类身体产生信号的方式及其捕捉和重建方法感到着迷。作为一名电子和计算机科学工程师，他对计算机视觉感兴趣，开始研究各种机器如何利用物理学捕捉人体图像。“例如，MRI是一种模态，在这种模态中，你会给组织提供能量，而组织会发出你可以捕捉并构建图像的信号。”Alberich-Bayarri在接受《Inside Precision Medicine》采访时说，“作为工程师，我对人体的复杂性以及如何利用物理学生成这些信号感到非常兴奋。CT扫描使用X射线，身体衰减的任何信号都不会到达探测器。PET也是如此——你注入放射性示踪剂，它会发出信号。美妙之处在于你可以捕捉所有这些成分并构建影像数据。”
在完成研究生学业后，Alberich-Bayarri在一家医院工作，优化图像采集，期间他开始对量化图像的各个方面产生兴趣。他还注意到医学影像在使用和应用方面存在一些缺陷，例如在医疗环境中缺乏算法。
“我有一些家人患有某种疾病，关于这种疾病我曾发表过论文，但当他们去医院时，医院并没有进行这种分析。”Alberich-Bayarri说，“我看到原始设备制造商（OEM）在开发这方面进展缓慢，而我们已经有了算法，所以我决定将其推向市场。”
30岁时，Alberich-Bayarri在家乡西班牙瓦伦西亚创立了Quibim——“Quantitative Imaging Biomarkers In Medicine”的缩写——旨在加速将算法和高级分析技术整合到临床实践中，通过AI驱动的影像生物标志物实现这一目标。公司在最初的几年里将Alberich-Bayarri的所有研究、代码和项目转化为受监管的医疗器械——这是一项资源密集型和高成本的努力。训练基于AI的算法需要大量计算能力，而且在这些模型被监管为医疗器械之前，必须在临床研究中进行验证。
如今，Alberich-Bayarri和Quibim作为一家健康科技公司获得了5000万美元的A轮融资。“我们将利用这笔资金使自己成为精准医疗领域的类别公司，帮助生物制药公司更好地分层患者。”Alberich-Bayarri说，“最终，这可能导致新的诊断工具和新的数字生物标志物的出现，这些标志物可以与药物相关联或不相关。也许它们可以解释肺癌患者的反应或总生存期。这是我们的主要关注点。”
精准医疗的新类别
传统上，生物制药影像集中在组织或细胞水平（或两者）。患者接受MRI或CT扫描以获取脑部图像。X射线和CT扫描可用于诊断肺癌。
病理学是医学中AI应用最显著的领域之一，这得益于图像处理算法的广泛研究。由于有大量影像数据可用，许多机构和公司竞相开发最先进的基础模型，这些模型是在无人监督的情况下开发的——也就是说，用于训练模型的数据没有任何标签表明某张图像是来自健康还是患病患者。
Alberich-Bayarri希望将基于AI的影像生物标志物进一步发展为一个类别公司——定义新产品类别或服务的企业，如Uber创造了共享出行的世界。由于生物制药公司积累了多年的临床试验影像数据，他认为有机会利用AI创建一个新的类别，类似于基因组学所做的，不仅仅是分析DNA，还包括研究和识别新的基因组面板。这些数据可以用于开发新的诊断工具，例如选择更好的临床试验患者或预测药物反应。
“你可以决定让模型简单化，并用放射科医生的说法来训练它，但如果我要将这个工具卖给放射科医生，那么该工具将被训练成识别专家放射科医生所说的特征。”Alberich-Bayarri说，“如果放射科医生不够优秀，这样做不会增加价值——算法只会和他们一样好。如果你想要显著增加价值，你需要用生物学上的东西来训练模型，这些东西不在MRI中，但AI可以学会将MRI与生物学联系起来。”
使用多模态数据训练AI
那么，Quibim是如何做到这一点的呢？与其向AI展示活检结果，Quibim提供了其他数据模态，如生存率，或正交影像方法，如MRI和CT扫描。通过这些多模态数据由无监督学习算法编译和分析，模型学会了预测活检或扫描特征之外的内容，这些额外的数据模态可能是未来结果的预测因素或推荐治疗策略。
Alberich-Bayarri表示：“我不仅告诉你这里有一个病变；我还告诉你，基于我的影像数据，这位患者处于高风险状态，因为具有这些特征的患者在AI分析中显示出低生存率，因此你应该对这位患者采取更积极的治疗方案。这就是我们想要创造的信息。我们需要计算资源来训练AI模型，AI模型应用于影像。”
例如，Quibim的QP Prostate是一款基于AI的前列腺MRI解决方案，自动化了前列腺分割和病变检测，它不是基于放射科医生的图像解读来训练检测癌症。相反，Alberich-Bayarri和Quibim使用EMR和活检数据训练了一个AI模型，以识别放射科医生可能遗漏但在活检中呈阳性的MRI病变。
“当放射科医生使用我们的QP Prostate时，经常会说，我看到这个病变，但Quibim说是阴性——那里没有病变。”Alberich-Bayarri解释道，“算法已经学会了在活检中识别病变并匹配MRI模式。这种多模态训练算法的方法使得放射科医生在肿瘤委员会中表现更好。我们不想创建一家改进放射科医生工作流程的公司。我们希望为整个社区增加价值，包括生物制药公司、肿瘤学家和要求影像数据更高价值的临床医生，而不仅仅是放射科医生的报告。如果我们能做到这一点，我们就能让放射科医生对其生成的数据产生更高的价值。”
全身画像
虽然使用任何影像的想法很吸引人，但在现实世界中，世界各地的人们使用各种不同的仪器，很难想象一种算法如何在这样的环境中应用。Alberich-Bayarri努力创建与多种仪器和平台兼容的产品。为此，Quibim创建了一个基础模型，用于协调全球分散的各种图像质量——无论是在美国、欧洲还是英国的西门子、飞利浦或通用电气的机器。
“我们很少看到有公司在处理图像协调问题。”Alberich-Bayarri说，“我们看到的是直接使用图像并试图从中获取最大价值的公司。但这不是Instagram。你不会有数百万患有胰腺癌的患者。这意味着我们必须在患者数量较少的情况下工作。我们可以合成数据并创建数据增强，但你需要强大的数据协调技术。否则，你无法从这些图像中提取最大价值。”
如果从任何影像模态中获得足够的数据，理论上Quibim可以开发更复杂的影像解决方案，如全身扫描。Alberich-Bayarri表示：“在未来几年，我们将拥有更多访问全身扫描的机会，这将使AI从医学影像的碎片化转变为可以在整个身体范围内使用的工具，使用可以分析所有组织部分的算法，基础算法将变得越来越好。”
“我的长期目标一直是使用影像来表征人体每个组织点发生的情况。”Alberich-Bayarri说，“我相信基因型是信息，你可以进行基因组分析，但那个基因组可能不会在人体中以特定方式表达。所以，我可能有患某种疾病的倾向，但也可能没有。唯一理解表型和实际情况的方法是查看体内的影像。我希望能够使用这些影像来全面表征我们自己。”
(全文结束)
