Julianna Ianni, Viceprezidentka, AI Research & Development, Proscia – Interview Series

Julianna Ianni vede vývoj AI ve společnosti Proscia, aby vytvořila produkty výpočetní patologie vysoké kvality. Proscia tlačí laboratoře za hranice tradičních nástrojů díky své digitální patologické platformě Concentriq^® a řadě výpočetních aplikací. Tyto technologie, umístěné v centru moderní digitální laboratoře, transformují ekonomiku a praxi patologie, využívajíce moderní, datově orientované medicíny v boji proti rakovině.

Můžete sdílet příběh o vzniku Proscie?

Patologie stojí v jádru biomedicínského výzkumu a diagnostiky rakoviny; přesto, zatímco jsme všichni viděli digitalizaci téměř všech ostatních aspektů zdravotní péče, patologie zůstala po 150 letech prakticky nezměněna. Stále se točí kolem patologa, který rozpoznává vzory v tkáni pod mikroskopem. Tato praxe je zásadně ruční a subjektivní, dvě výzvy, které jsou dále zhoršeny klesajícím počtem patologů a rostoucím zatížením rakovinou.

Proscia byla založena, aby pokročila v tomto standardu péče. Naši zakladatelé uznali příležitost, jak se zapojit do boje proti rakovině tím, že pohánějí přechod patologie z mikroskopu k obrazům. Takto – pohánějíce digitální patologii dopředu – umožňujeme laboratořím streamovat operace, dosáhnout významných zlepšení kvality a produktivity a odemknout nové poznatky, které nejsou vidět lidským okem. Společně tyto výhody pomáhají výzkumníkům urychlit průlomové objevy a pomáhají patologům zlepšit výsledky pro pacienty po celém světě.

Od našich raných dnů jsme získali zákaznickou základnu předních laboratoří, zdravotnických systémů, biotechnologických společností a výzkumných organizací. Mezi našimi mnoha podnikovými zákazníky spolupracujeme s Johns Hopkins University, University of Pennsylvania a 10 z top 20 farmaceutických společností. Nedávno jsme také oznámili, že LabPON, první laboratoř na světě, která dosáhla 100% digitální diagnostiky patologie, přechází na naši softwarovou platformu, a Joint Pathology Center, který uchovává největší repozitář lidských tkáňových dat, přechází na Prosciu.

Proscia je digitální a výpočetní patologická společnost. Můžete vysvětlit našim čtenářům, co to znamená?

Na vysoké úrovni je digitální patologie praxí digitalizace skleněných mikroskopických sklíček pomocí skeneru, které lze poté prohlížet, spravovat, sdílet a analyzovat pomocí softwaru, včetně výpočetních aplikací využívajících AI.

Proscia se konkrétně zaměřuje na softwarovou stránku věcí. Nabízíme základní platformu, nazvanou Concentriq, která poskytuje veškerou podnikovou funkčnost, kterou laboratoře potřebují pro provádění svých rutinních patologických operací. Concentriq také slouží jako startovací bod pro AI aplikace, včetně sady řešení, která estamos budujeme.

Jsem zdůraznil mnoho výhod AI-podporované digitální patologie, včetně pohánění efektivity a produktivity a schopnosti odemknout nové poznatky, výše, takže pojďme se ponořit do některých konkrétních případů použití, abychom viděli, jak tyto výhody fungují. Jedním z nich, který je zvláště aktuální v době COVID, je umožnění vzdálených operací. Když laboratoře musely přizpůsobit nové způsoby práce, aby splnily požadavky sociálního distancování, digitální patologie umožnila patologům pokračovat v práci a sloužit pacientům, protože jim umožnila snadno sdílet obrázky a prohlížet je na vyžádání s platformou jako Concentriq. Alternativou je často pro laboratoře doručovat fyzické skleněné sklíčky do domovů patologů. Přemýšlejte o tom, jak časově náročné a drahé by to mohlo být!

Více obecně, když se podíváme na to, jak digitální a výpočetní patologické řešení, jako jsou ta, která Proscia dodává, umožňují patologům zlepšit kvalitu a efektivitu – ať už tím, že usnadňují sdílení obrázků pro druhé názory nebo pomáhají eliminovat chybové, ruční úkoly v laboratoři – nakonec to umožňuje pacientům získat správnou diagnózu rychleji, a to je důležité, protože časná léčba často vede k lepšímu výsledku.

Můžete popsat, jak je strojové učení používáno v patologii dnes? Kam to směřuje?

To je velká otázka! Strojové učení ukázalo slib v mnoha oblastech patologie. Jedním z běžných případů použití strojového učení v patologii je identifikace specifických oblastí v obraze, kde se nachází nádorová tkáň, aby upoutala pozornost patologa. Může být také použito k poskytnutí kvantitativních poznatků o tkáňových vzorcích – například počítáním počtu buněk, které aktivně procházejí dělením (běžným markerem rakoviny). Některé týmy také pracují na klasifikačních problémech, jako je kategorizace obrázků na základě diagnózy nebo konkrétních vzorců, které představují, a další pracují na způsobech, jak použít strojové učení k předpovědi výsledků pacientů nebo reakcí na specifické léčby. Existuje tolik zajímavé práce v tomto prostoru!

Konečně, v patologii jsou meisten z těchto případů použití strojového učení zaměřeny na řešení několika hlavních klinických a výzkumných problémů. První z nich je problém objemu. Existuje rostoucí počet případů, které je třeba přezkoumat, a existuje komplikace klesajícího počtu patologů, kteří jsou k dispozici pro diagnózu těchto případů. Velká část strojového učení v patologii je zaměřena na zlepšení efektivnosti diagnózy na individuální a laboratorní úrovni. Druhým hlavním problémem je kvalita diagnózy a péče – jak můžeme zlepšit diagnostickou přesnost, jak můžeme zlepšit prognózu a jak můžeme zlepšit výsledky pacientů na konci dne?

Při odpovědi na druhou část vaší otázky bych měl rozlišit mezi tím, co je dnes ve fázi výzkumu, a co se skutečně děje v klinické praxi. V současné době většina práce v tomto oboru byla výzkumná, a může být extrémně náročné přeložit některé z těchto zjištění do klinické praxe. To je místo, kam si myslím, že strojové učení směřuje a kam musí směřovat – budování systémů a úrovně kvality potřebné k tomu, aby se některé z fantastických výzkumů, které se dělají, skutečně dostaly do praxe, způsobem, který odpovídá všem úžasným zjištěním, která vidíme ve výzkumném prostředí, a poskytují tyto výhody patologickým laboratořím a nakonec jejich pacientům. Budování AI, které funguje ve “skutečném světě”, je a vždy bylo přístupem Proscie.

Proscia’s DermAI využívá hluboké učení k před-seřazení a automatické klasifikaci stovek variant kožních onemocnění do před-diagnostických kategorií. Jaké byly vaše klíčové úvahy při navrhování a vývoji této aplikace?

Nejprve a především jsme museli zvážit, co jsme chtěli, aby systém dělal. Chtěli jsme, aby byl schopen klasifikovat jakékoli kožní léze, ne jen specifický typ. A existuje spousta variability v kožní patologii, jak jste uvedli, stovky variant. Takže jsme museli zajistit, aby naše trénovací sada měla tuto variabilitu dobře reprezentovanou. To může být docela náročné, protože některé typy lézí jsou vzácnější než jiné, a může být obtížné postavit datovou sadu, která má dostatečné množství příkladů pro trénink a zajištění, aby náš model měl dostatečné množství příkladů, z nichž se mohl učit.

Druhá věc, o které jsme museli vážně uvažovat, byla skutečnost, že jsme nevyvíjeli něco, co by fungovalo pouze na jednom místě nebo pro obrázky skenované konkrétním typem skeneru. Bylo to o tom, aby se něco postavilo, co by mohlo fungovat na obrázcích z kteréhokoli laboratorního skeneru. Existuje spousta variability mezi místy a skenery vzhledem k vzhledu obrázku – barvy, osvětlení, artefakty atd. Museli jsme vyvinout systém, který by mohl zohlednit všechny tyto variace, a který by nevyžadoval obrovské množství dat k kalibraci a zprovoznění pro novou lokalitu.

Měli jsme několik dalších úvah, o kterých jsme museli uvažovat při budování AI systému, který by mohl fungovat ve “skutečném světě”. Jednou z nich, která byla pro nás zvláště důležitá, byla reprezentace “neznámých”. Vždyť víme, že AI systémy nejsou nikdy dokonalé, a existuje tolik variability v kožních lézích. Potřebovali jsme, aby DermAI věděl, co neví, a aby mohl tuto informaci poskytnout, když byl příliš nejistý, aby mohl provést dobrou klasifikaci. Proto jsme do systému implementovali metodu pro přiřazení každé klasifikaci skóre spolehlivosti, a pečlivě jsme navrhli tuto metodu tak, aby byla korelována se systémem – čím vyšší skóre spolehlivosti, tím více je klasifikace správná. To znamená, že můžeme systémový výkon doladit; pokud způsob, jakým používám tento systém v mé laboratoři, vyžaduje extrémní přesnost, mohu nastavit DermAI tak, aby poskytoval pouze klasifikace s vysokým skóre spolehlivosti. Pokud je můj případ použití trochu více tolerantní k chybám a preferuji mít více případů klasifikovaných, mohu zahrnout klasifikace s nižším skóre spolehlivosti.

DermAI byl validován v jedné z nejkomplexnějších studií v patologii do dneška. Můžete shrnout studii a její klíčové poznatky?

Byla to studie extrémně ambiciózního rozsahu. Jak jsem zmínil výše, existuje obrovská variabilita v kožních lézích, která se překlápí do jejich odpovídajících patologických obrazů, a chtěli jsme vyvinout systém, který by mohl automaticky klasifikovat jakoukoli rutinně připravenou kožní patologickou sklíčku – z kteréhokoli laboratoře a kteréhokoli skeneru. Nápad byl, že patologové by mohli použít tento systém k seřazení a triáži případů předtím, než usednou k diagnóze – prioritizaci případů v pořadí, které má smysl, spíše než v náhodném pořadí, v jakém přirozeně přicházejí, a zajištění, aby se správné případy dostaly ke správným patologům, spíše než aby musely být později odeslány jinam. A nikdo nic podobného nedemonstroval, když jsme začali tento vývoj před několika lety. Systém, který jsme vyvinuli, rozdělil úlohu klasifikace obrazů do několika fází pomocí kombinace hlubokého učení a základních počítačových technik – detekce tkáně na sklíčce, přizpůsobení vzhledu obrazu tak, aby byl v známém prostoru pro trénovaný systém, detekce relevantních oblastí zájmu a konečně klasifikace do čtyř různých kategorií na základě vzorců přítomných v tkáni. Důležitou částí však bylo, jak jsme systém otestovali. Zatímco jsme systém trénovali pouze na 5 000 obrazech z jednoho místa, kalibrovali a otestovali jsme jej na téměř třikrát více obrazech ze tří zcela samostatných institucí, jejichž data náš systém neviděl. Takto jsme ukázali, že je možné postavit AI aplikaci, která může třídít a triážovat kožní biopsie, která může fungovat dobře na více místech s minimální kalibrací. Protože testovaná data napodobovala pracovní zátěž každé ze těchto míst, mohli jsme být jistí, že výkon, který jsme zde prokázali, by byl srovnatelný s tím, co bychom viděli, kdybychom DermAI nainstalovali v laboratoři. A protože systém je nastavitelný úpravou prahové hodnoty spolehlivosti, kterou jsem zmínil dříve, v závislosti na procentu obrazů, které klasifikujeme, můžeme systém doladit až na 98% přesnosti.

Jedním z pozorování ve studii bylo, jak hluboké učení algoritmy mohou být citlivé na obrazové artefakty. Co přesně jsou tyto obrazové artefakty v tomto případě a jaké jsou některé řešení, aby se tento problém vyřešil?

Ano, několik studií prokázalo citlivost AI systémů na obrazové artefakty v patologii, stejně jako v jakémkoli jiném oboru. Tyto jsou často jednoduché věci, které naše lidské mozky snadno přehlédnou – nečistoty na sklíčce, mírné změny v osvětlení, rozmazané oblasti obrazu, inkoust, který patologové často používají k označení oblastí nádoru. Jsem uvedl několik příkladů, ale existuje mnoho dalších. AI systémy mohou být snadno oklamané těmito druhy problémů, pokud nebyly řádně vystaveny jim.

Existují dvě cesty, jak zvládnout obrazové artefakty pro AI systémy. První je čištění – zajištění, aby trénovací a testovací obrázky byly pečlivě vyčištěny, buď digitálně nebo fyzicky, aby neobsahovaly žádné artefakty. To může být někdy snadné provést pro trénovací datovou sadu, ale mnohem obtížnější provést konzistentně, pokud chcete nainstalovat AI systém na mnoha místech. Proto jsme zvolili druhou cestu: ujistili jsme se, že tyto druhy artefaktů jsou dobře reprezentovány v našich datech. Neměli jsme sklíčky vyčištěny předtím, než byly odeslány k nám, takže máme mnoho reprezentací některých zvláštních problémů, které byste možná neviděli v ideální trénovací sadě, ale které určitě nakonec narazíte ve skutečném světě. Tímto způsobem jsme mohli zajistit, aby náš systém byl připraven, když bude vystaven těmto artefaktům v obrazech, na kterých nebyl trénován.

Jak jsou AI aplikace, jako je DermAI, implementovány v patologických laboratořích?

To je skvělá otázka. Zatímco různé laboratoře přijímají různé přístupy, věříme, že jediný způsob, jak laboratoře skutečně škálovat své přijetí AI, je prostřednictvím AI-podporované platformy. Jak jsem popsal výše, laboratorní operace digitální patologie se točí kolem platformy, kterou používají pro prohlížení, správu a analýzu obrazů. Proscia’s platforma, Concentriq, poskytuje veškerou tuto funkčnost a slouží také jako startovací bod pro AI aplikace. Věříme, že tento přístup usnadňuje laboratořím nasazení AI v praxi, tím, že je bezproblémově integruje do jejich denní práce, aby mohly využít jeho skutečný potenciál.

Je něco jiného, co byste chtěli sdílet o Proscii?

Jsem opravdu nadšená prací, kterou můj tým a já děláme. Bohužel, všichni známe někoho, kdo byl zasažen rakovinou, a významný dopad, který to má na ně a jejich blízké. Naše práce má potenciál zlepšit výsledky pacientů a skutečně udělat smysluplný rozdíl. To je něco, čeho jsem hrdá, že jsem součástí.

K tomuto účelu je skvělé vidět, že tolik předních organizací také věří v práci, kterou děláme. Během posledních několika měsíců samotný Joint Pathology Center (JPC), který uchovává největší repozitář lidských tkáňových dat, vybral Prosciu, aby digitalizoval tento archiv. JPC má několik důvodů, proč chce jít digitálně, včetně urychlení vývoje AI. LabPON, první laboratoř na světě, která dosáhla 100% digitální diagnostiky patologie, také nedávno vybral Proscia’s platformu, aby škáloval své patologické operace a položil základy pro implementaci AI. LabPON bude také spolupracovat s námi na vývoji a validaci našich AI systémů.

A nakonec uznáváme, že nemůžeme transformovat praxi patologie sami a neustále rozšiřujeme náš tým. Pokud máte zájem se k nám připojit, doporučuji vám, abyste se dozvěděli více o Proscii a zobrazili naše otevřené pozice.