جوليانا إيان尼، نائب الرئيس، أبحاث وتطوير الذكاء الاصطناعي، بروسكيا – سلسلة المقابلات

تُدير جوليانا إيانني أبحاث وتطوير بروسكيا لتنمية منتجات علم الأنسجة الحاسوبية عالية الجودة. بروسكيا تدفع المعامل إلى ما وراء حدود الأدوات التقليدية من خلال منصة علم الأنسجة الرقمية كونسنتريق وخط أنابيب التطبيقات الحاسوبية. تعمل هذه التقنيات في قلب مختبر الحديث، وتحول الاقتصاد وممارسة علم الأنسجة، وتوفر قوة الطب الحديث القائم على البيانات في مكافحة السرطان.

يمكنك مشاركة قصة ولادة بروسكيا؟

يعتبر علم الأنسجة 핵심 البحث البيولوجي والتشخيص السرطاني، ومع ذلك، بينما رأينا جميعًا تأثير الرقمنة على معظم الجوانب الأخرى للرعاية الصحية، ظل علم الأنسجة في الغالب غير متغير على مدى 150 عامًا من تاريخه. لا يزال يعتمد على أخصائي علم الأنسجة الذي يعترف بنمط في الأنسجة تحت المجهر. هذه الممارسة هي في 본ة يدوية وذاتية، وهما تحديان يُضاف إليهما انخفاض عدد أخصائيي علم الأنسجة وزيادة العبء السرطاني.

تأسست بروسكيا لتطوير هذا المعيار الرعاية. أدرك مؤسسوها فرصة للاستفادة من مكافحة السرطان عن طريق دفع تحول علم الأنسجة من المجهر إلى الصور. من خلال القيام بذلك – دفع علم الأنسجة الرقمية إلى الأمام – نحن نتمكن من تمكين المعامل من简化 العمليات، وتحقيق تحسينات جوهرية في الجودة والإنتاجية، وفك الشفرة من حيث رؤى جديدة غير مرئية للعين البشرية. بشكل جماعي، تساعد هذه الفوائد الباحثين على تسريع الاكتشافات وتساعد أخصائيي علم الأنسجة على تحسين النتائج المرضية للمرضى في جميع أنحاء العالم.

منذ أيامنا الأولى، جمعت قاعدة من العملاء من مختبرات رائدة، ونظم صحية، وشركات علوم حياة، ومنظمات بحثية. من بين عملائنا المؤسسين، نعمل مع جامعة جونز هوبكنز، وجامعة بنسلفانيا، و10 من أفضل 20 شركة أدوية. كما أعلنا مؤخرًا أن مختبر LabPON، أول مختبر في العالم يصل إلى 100٪ من التشخيص الرقمي لعلم الأنسجة، يتم نقلها إلى منصتنا البرمجية، ومركز الجراحة المشتركة، الذي يحتوي على أكبر مستودع في العالم لبيانات الأنسجة البشرية، يذهب الرقمي مع بروسكيا.

بروسكيا هي شركة علم الأنسجة الرقمية والحاسوبية. هل يمكنك شرح ما يعنيه ذلك لمستخدمينا؟

على مستوى عال، يعتبر علم الأنسجة الرقمية ممارسة تحويل الشرائح المجهرية الزجاجية باستخدام الماسح، والتي يمكن بعد ذلك عرضها وإدارتها ومشاركتها وتحليلها باستخدام البرمجيات، بما في ذلك التطبيقات الحاسوبية التي تعتمد على الذكاء الاصطناعي.

تركز بروسكيا بشكل خاص على الجانب البرمجي للأمور. نقدم منصة أساسية، تسمى كونسنتريق، توفر جميع الوظائف المؤسسية التي تحتاجها المعامل لتنفيذ عمليات علم الأنسجة الروتينية. كما تعمل كونسنتريق كمنصة إطلاق للتطبيقات الذكاء الاصطناعي، بما في ذلك مجموعة من الحلول التي نبنيها.

أنا أبرز العديد من الفوائد لتشخيص علم الأنسجة المدعوم بالذكاء الاصطناعي، بما في ذلك دفع الكفاءة والفعالية، وقدرة فك الشفرة من حيث رؤى جديدة. دعونا نغوص في بعض الحالات الخاصة لترى كيف تعمل هذه. واحدة من هذه الحالات هي تمكين العمليات عن بُعد أثناء كوفيد. بينما كان على المعامل التكيف مع طرق عمل جديدة لاستيعاب التباعد الاجتماعي، تمكنت علم الأنسجة الرقمية أخصائيي علم الأنسجة من الاستمرار في العمل وخدمة المرضى لأنها تمكنت من مشاركة الصور ومشاهدتها عند الطلب بمنصة مثل كونسنتريق. البديل غالبًا ما يكون للمعامل أن يتم تسليم الشرائح الزجاجية الفعلية إلى منازل أخصائيي علم الأنسجة. فكر في كم سيكون ذلك استهلاكًا للوقت ومكلفًا!

بشكل عام، عندما ننظر إلى كيف تمكن حلول علم الأنسجة الرقمية والحاسوبية مثل تلك التي توفرها بروسكيا أخصائيي علم الأنسجة من تحسين الجودة والفعالية – سواء من خلال جعل مشاركة الصور لأغراض المشورة الثانية أو مساعدة في القضاء على المهام اليدوية المعرضة للخطأ في المختبر – في النهاية، يصبح من الممكن للمرضى الحصول على التشخيص الصحيح بشكل أسرع، وهذا مهم عندما نعتبر أن العلاج المبكر غالبًا ما يؤدي إلى نتائج أفضل.

هل يمكنك وصف كيف يتم استخدام التعلم الآلي في علم الأنسجة اليوم؟ إلى أين يتجه؟

هذا سؤال كبير! أظهر التعلم الآلي وعدًا كبيرًا في العديد من المجالات في علم الأنسجة. واحدة من الحالات الشائعة لاستخدام التعلم الآلي في علم الأنسجة هي تحديد المناطق المحددة في الصورة حيث يتم وضع أنسجة الورم لجذب انتباه أخصائي علم الأنسجة هناك. يمكن استخدامه أيضًا لتقديم رؤى كمية حول عينات الأنسجة – على سبيل المثال، حساب عدد الخلايا التي تخضع للانقسام النشط (عامل شائع للسرطان). يعمل البعض أيضًا على مشاكل التصنيف، مثل القدرة على تصنيف الصور根据 التشخيص أو الأنماط الخاصة التي تمثلها، والبعض الآخر يعمل على طرق لاستخدام التعلم الآلي لتوقع نتائج المرضى أو استجاباتهم للعلاجات المحددة. هناك الكثير من العمل المثير في هذا المجال!

في النهاية، في علم الأنسجة، يهدف معظم استخدامات التعلم الآلي إلى حل بعض المشاكل السريرية والبحثية الشاملة. الأولى هي مشكلة الحجم التي ذكرتها سابقًا. هناك عدد متزايد من الحالات التي يجب xemها، وهناك مشكلة مركبة لانخفاض عدد أخصائيي علم الأنسجة المتاحين لتشخيص هذه الحالات. يهدف معظم استخدامات التعلم الآلي في علم الأنسجة إلى تحسين كفاءة التشخيص على مستوى الفرد والمختبر. الثانية الكبيرة هي جودة التشخيص والرعاية – كيف يمكننا تحسين دقة التشخيص، وكيف يمكننا تحسين التوقعات، وكيف يمكننا تحسين نتائج المرضى في النهاية؟

لإجابة الجزء الثاني من سؤالك، يجب أن أفرق بين ما هو في مرحلة البحث اليوم وما هو موجود في الممارسة السريرية. حاليًا، معظم العمل في هذا المجال كان بحثًا، ويمكن أن يكون من الصعب ترجمة بعض النتائج إلى الممارسة السريرية. هذا هو حيث أعتقد أن التعلم الآلي يذهب وينبغي أن يذهب – بناء الأنظمة ومستوى الجودة المطلوبة لتحويل بعض الأبحاث الرائعة التي يتم إجراؤها إلى الممارسة، بطريقة تتماشى مع جميع الاكتشافات الرائعة التي نراها في إعداد البحث وتقديم هذه الفوائد إلى مختبرات علم الأنسجة وبالتالي مرضاهم. بناء الذكاء الاصطناعي الذي يعمل في “العالم الحقيقي” هو وسيظل نهج بروسكيا.

تستخدم DermAI بروسكيا التعلم العميق لتحليل مسبق وتصنيف آلاف المتغيرات لمرض الجلد إلى فئات تشخيصية مسبقة. ما كانت الاعتبارات الرئيسية في تصميم وتطوير هذا التطبيق؟

أولاً وقبل كل شيء، كان علينا أن نعتبر ما كنا نبني النظام لفعله. كنا نريد أن يكون قادرًا على تصنيف أي آفة جلدية، وليس فقط نوعًا معينًا. وهناك الكثير من التباين في علم الأنسجة الجلدية، كما قلت، آلاف المتغيرات. لذلك، كان علينا أن نضمن أن لدينا جميع هذه التباين ممثلة جيدًا في مجموعة تدريبنا. يمكن أن يكون هذا تحديًا، حيث أن بعض أنواع الآفات نادرة أكثر من غيرها، ويمكن أن يكون من الصعب بناء مجموعة بيانات تحتوي على đủ أمثلة لبعض هذه الأمراض النادرة لتدريبها وضمان أن لدينا đủ أمثلة لنموذجنا لتعلم منها.

ثانيًا، كان علينا أن نفكر جيدًا في حقيقة أننا لم نبني شيئًا يحتاج إلى العمل في موقع واحد فقط، أو لصور مسحها بماسح معين. كان من المفترض بناء شيء يمكنه العمل على صور أي مختبر، على أي ماسح. يمكن أن يكون هناك الكثير من التباين بين المواقع والماسحات فيما يتعلق بمظهر الصورة – الألوان، الإضاءة، العيوب وغيرها. كان علينا تطوير نظام يمكنه التعامل مع جميع هذه التباينات، ولا يتطلب كمية هائلة من البيانات للتعريف والبدء في العمل لموقع جديد.

كان لدينا اعتبارات أخرى للاعتبار فيما يتعلق ببناء نظام ذكاء اصطناعي يمكنه العمل في “العالم الحقيقي”. واحدة أخرى، والتي كانت مهمة بشكل خاص لنا، كانت تمثيل “المجهول”. بعد كل شيء، نعرف أن أنظمة الذكاء الاصطناعي ليست كاملة، وهناك الكثير من التباين في آفات الجلد. كان علينا أن نجعل DermAI تعرف ما لا تعرفه، وأن تكون قادرة على تقديم هذه المعلومات عندما تكون غير متأكدة من تقديم تصنيف جيد. لهذا السبب، بنينا في النظام طريقة لتخصيص كل تصنيف درجة ثقة، واهتمنا بتصميمه بطريقة تتماشى مع أداء النظام – كلما زادت درجة الثقة، زادت احتمالية أن يكون التصنيف صحيحًا. هذا يعني أننا يمكن أن نضبط أداء النظام؛ إذا كنت أستخدمه في مختبري ويتطلب ذلك دقة عالية، يمكنني ضبط DermAI لتقديم تصنيفات ذات ثقة عالية فقط. إذا كان استخدامي يحتمل بعض الأخطاء وأفضله أن يتم تصنيف المزيد من الحالات، يمكنني أن أضمن تصنيفات الثقة المنخفضة أيضًا.

تم التحقق من DermAI في واحدة من أكثر الدراسات شمولاً في علم الأنسجة حتى الآن. هل يمكنك تلخيص الدراسة وأهم النتائج؟

كانت هذه دراسة ذات نطاق طموح للغاية. كما ذكرت للتو، هناك الكثير من التباين في آفات الجلد، مما يترجم إلى صور علم الأنسجة المقابلة، وكنّا نريد تطوير نظام يمكنه تصنيف شريحة علم الأنسجة الجلدية الروتينية تلقائيًا – من أي مختبر وماسح. كانت الفكرة أن أخصائيي علم الأنسجة يمكنهم استخدامه لفرز الحالات قبل الجلوس لتشخيصها – ترتيب الحالات في ترتيب يفيد بدلاً من الترتيب العشوائي الذي يأتي بهم بشكل طبيعي، وضمان أن تذهب الحالات الصحيحة إلى أخصائي علم الأنسجة الصحيح بدلاً من إرسالها إلى مكان آخر في وقت لاحق. ولم يثبت أحد شيء مقاربًا لذلك عندما بدأنا تطويره قبل بضع سنوات. نظامنا أجزاء مهمة من المهمة إلى مراحل متعددة باستخدام مزيج من التعلم العميق والتقنيات البصرية الأساسية – كشف الأنسجة على الشريحة، وتعديل مظهر الصورة حتى يكون في مساحة مألوفة للنظام المدرب، وكشف المناطق ذات الصلة، وأخيرًا، تصنيفها إلى أربع فئات مختلفة بناءً على الأنماط الموجودة في الأنسجة. الجزء المهم كان كيف قمنا بتحديقه. بينما قمنا بتدريب النظام على 5000 صورة من موقع واحد فقط، قمنا بضبطه واختباره على ما يقرب من ثلاثة أضعاف هذا العدد من الصور من ثلاث مؤسسات منفصلة完全 لم ير نظامنا من قبل. من خلال القيام بذلك، أظهرنا أنه من الممكن بناء تطبيق ذكاء اصطناعي لفرز وترشيح خزعات الجلد، يمكنه الأداء جيدًا على مواقع متعددة مع تعريف ضئيل. منذ أن كانت البيانات التي قمنا بتحديقها تقلد حمولة كل موقع، يمكننا أن نكون واثقين من أن الأداء المثبت هنا سيكون مشابهًا لما سنراه إذا قمنا بتثبيت DermAI في مختبر. وبما أن النظام قابل للتعديل عن طريق تعديل عتبة الثقة التي ذكرتها من قبل، اعتمادًا على نسبة الصور التي نصنفها، يمكننا ضبطه حتى دقة 98٪ على الأقل.

كانت إحدى الملاحظات في الدراسة هي كيف يمكن أن تكون خوارزميات التعلم العميق حساسة للعوامل المضرة للصورة. ما هي هذه العوامل المضرة للصورة في هذه الحالة، وما هي بعض الحلول لمعالجة هذه المشكلة؟

نعم، أظهرت بعض الدراسات حساسية أنظمة الذكاء الاصطناعي للعوامل المضرة للصورة في علم الأنسجة كما في أي مجال آخر. غالبًا ما تكون هذه الأشياء البسيطة التي يغفل عنها أدمغتنا بسهولة – الأتربة على الشريحة، التغييرات الطفيفة في الإضاءة، المناطق المبهمة من الصورة، الحبر الذي يستخدمه أخصائيي علم الأنسجة لتحديد مناطق الورم. أعددت بعض الأمثلة، ولكن هناك المزيد. يمكن أن يخدع أنظمة الذكاء الاصطناعي بسهولة هذه الأنواع من المشاكل إذا لم يتم تعريفها بشكل صحيح.

هناك طريقتان للتعامل مع العوامل المضرة للصورة لأنظمة الذكاء الاصطناعي. الأولى هي التنظيف – التأكد من أنك تتدرب وتختبر على صور تم تنظيفها بدقة، إما رقميًا أو فيزيائيًا، بحيث لا توجد عوامل مضرة. هذا أحيانًا سهل القيام به لمجموعة تدريب، ولكن من الصعب القيام به باستمرار إذا كنت تبحث عن تثبيت نظام ذكاء اصطناعي في العديد من المواقع. لذلك، اتخذنا النهج الثاني: التأكد من أن هذه الأنواع من العوامل المضرة تمثّل جيدًا في بياناتنا. لم نقم بتنظيف الشرائح قبل إرسالها إلينا، لذا لدينا تمثيل كبير لبعض القضايا الغريبة التي قد لا تظهر في مجموعة تدريب مثالية، ولكنها ستظهر بالتأكيد في العالم الحقيقي. بهذه الطريقة، يمكننا التأكد من أن نظامنا مستعد عندما يتم تعريضه لهذه العوامل المضرة في الصور التي لم يتم تدريبه عليها.

كيف يتم تنفيذ تطبيقات الذكاء الاصطناعي مثل DermAI في مختبر علم الأنسجة؟

هذا سؤال رائع. بينما تأخذ مختبرات مختلفة نهجًا مختلفًا، نعتقد أن الطريقة الوحيدة التي ستنمو بها المختبرات بشكل حقيقي هي من خلال الاستفادة من منصة مدعومة بالذكاء الاصطناعي. كما وصفها أعلاه، تدور عمليات علم الأنسجة الرقمية للمختبرات حول منصة يستخدمونها لعرض وإدارة وتحليل الصور. توفر منصة بروسكيا، كونسنتريق، جميع هذه الوظائف وتعمل أيضًا كمنصة إطلاق للتطبيقات الذكاء الاصطناعي. نعتقد أن هذا النهج يجعل من السهل على المختبرات نشر الذكاء الاصطناعي في الممارسة، وتكاملها بشكل متسلسل في عملهم اليومي بحيث يمكنهم استخدامه بمقياس وتنفيذ وعدة.

هل هناك شيء آخر تريد مشاركته حول بروسكيا؟

أنا متحمس جدًا للعمل الذي يقوم به فريقي وأنا. الحقيقة المؤسفة اليوم هي أننا جميعًا نعرف شخصًا تأثر بالسرطان وتأثيره الكبير عليه وعلى أحبائه. عملنا له القدرة على تحسين نتائج المرضى و本当に جعل فرقًا. هذا شيء أفتخر بالانتماء إليه.

من أجل ذلك، من الرائع أن نرى أن العديد من المنظمات الرائدة تعتقد أيضًا في العمل الذي نقوم به. خلال الأشهر القليلة الماضية فقط، اختار مركز الجراحة المشتركة (JPC)، الذي يحتوي على أكبر مستودع لبيانات الأنسجة البشرية، بروسكيا لتحويل هذا الأرشيف إلى صيغة رقمية. JPC لديها عدة أسباب لتعيينها الرقمي، بما في ذلك تسريع تطوير الذكاء الاصطناعي. كما اختار مختبر LabPON، أول مختبر في العالم يصل إلى 100٪ من التشخيص الرقمي لعلم الأنسجة، منصة بروسكيا لتوسيع عمليات علم الأنسجة وتأسيس الأساس لنشر الذكاء الاصطناعي. سيعمل LabPON أيضًا معنا على تطوير وتحقق من صحة أنظمة الذكاء الاصطناعي.

وأخيرًا، ندرك أننا لا نستطيع تحويل ممارسة علم الأنسجة بمفردنا ونحن ننمو فريقنا باستمرار. إذا كنت مهتمًا بالانضمام إلينا، أنصحك بالتعرف على بروسكيا ومشاهدة الوظائف المفتوحة لدينا.