Julianna Ianni, Vicepræsident, AI-forskning og udvikling, Proscia – Intervieuserie

Julianna Ianni leder Proscias AI-forskning og udvikling for at udvikle højkvalitets computermæssige patologiprodukter. Proscia skyder laboratorierne forbi grænserne for traditionelle værktøjer med sin Concentriq^® digital patologiplatform og rørledning af computermæssige anvendelser. Fungerer i centrum af det moderne digitale laboratorium, disse teknologier transformerer økonomien og praksis af patologi, sætter kraften af moderne, datacentreret medicin til at fungere i kampen mod kræft.

Kan du dele historien bag Proscia?

Patologi sidder i hjertet af biomedicinsk forskning og kræftdiagnose; dog, mens vi alle har set digitalisering påvirke næsten alle andre aspekter af sundhedspleje, er patologi forblevet stort set uforandret i løbet af sine 150-årige historie. Det handler stadig om, at en patolog genkender mønstre i væv under mikroskopet. Denne praksis er indrengende manuel og subjektiv, to udfordringer, der yderligere kompliceres af en skrumpende patologpopulations- og en stigende kræftbyrde.

Proscia blev grundlagt for at fremme denne standard for pleje. Vores grundlæggere genkendte en mulighed for at tage på kampen mod kræft ved at drive patologiens skift fra mikroskop til billeder. Ved at gøre dette – ved at drive digital patologi fremad – giver vi laboratorier mulighed for at strømline deres operationer, opnå meningsfulde forbedringer i kvalitet og produktivitet og låse op for nye indsigt, som ikke kan ses af det menneskelige øje. Samlet set hjælper disse fordele forskere med at accelerere gennembrud og hjælper patologer med at forbedre resultater for patienter over hele verden.

Siden vores tidlige dage har vi opbygget en kundebase af førende laboratorier, sundhedssystemer, livsvæsenfirmaer og forskningsorganisationer. Blandt vores mange virksomhedskunder arbejder vi med Johns Hopkins University, University of Pennsylvania og 10 af de 20 førende medicinalfirmaer. Vi har også nyligt annonceret, at LabPON, det første laboratorium i verden, der har nået 100% digital patologidiagnose, går over til vores softwareplatform, og Joint Pathology Center, der huser verdens største repository af humane vævsdata, går digitalt med Proscia.

Proscia er et digitalt og computermæssigt patologifirma. Kan du forklare vores læsere, hvad det betyder?

På et højt niveau er digital patologi praksis med at digitalisere glas mikroskopskiver ved hjælp af en scanner, som derefter kan vises, administreres, deles og analyseres ved hjælp af software, herunder computermæssige anvendelser, der udnytter AI.

Proscia fokuserer specifikt på software-siden af tingene. Vi tilbyder en kerneplatform kaldet Concentriq, der giver alle de funktioner, laboratorierne har brug for til at udføre deres rutinemæssige patologiske operationer. Concentriq fungerer også som en lanceringsskive for AI-anvendelser, herunder en serie af løsninger, som vi bygger.

Jeg fremhævede mange af fordelene ved AI-aktiveret digital patologi, herunder drivende effektivitet og produktivitetsgevinster og evnen til at låse op for nye indsigt, ovenfor, så lad os dykke ned i nogle af de specifikke brugsområder for at se, hvordan disse spiller ud. En af dem, der er særligt øverst i tankerne lige nu, er muligheden for at aktivere fjernoperationer under COVID. Da laboratorier har måttet tilpasse sig nye måder at arbejde på for at imødekomme social afstand, har digital patologi gjort det muligt for patologer at fortsætte med at arbejde og betjene patienter, da det giver dem mulighed for at dele billeder og visning på krav med en platform som Concentriq. Alternativet er ofte, at laboratorier har fysisk glas skiver leveret til patologernes hjem. Tænk på, hvor tidskrævende og dyrt det kunne være!

I det store og hele, når vi ser på, hvordan digital og computermæssig patologiløsninger som dem, Proscia leverer, giver patologer mulighed for at forbedre kvalitet og effektivitet – enten ved at gøre det lettere at dele billeder til en anden mening eller ved at hjælpe med at eliminere fejlbehæftede, manuelle opgaver i laboratoriet – er det i sidste ende muligt for patienter at få den rette diagnose hurtigere, og det er vigtigt, når vi tænker på, at tidlig behandling ofte fører til bedre resultater.

Kan du beskrive, hvordan maskinlæring bruges i patologi i dag? Hvor er det på vej?

Dette er et stort spørgsmål! Maskinlæring har virkelig vist lovende resultater i en række områder i patologi. En almindelig brugsområde for maskinlæring i patologi er at identificere bestemte områder i et billede, hvor tumorvæv er lokaliseret, for at tiltrække en patologs opmærksomhed der. Det kan også bruges til at levere kvantitative indsigt om vævsprøver – f.eks. tælle antallet af celler, der aktivt undergår deling (en almindelig markør for kræft). Nogle arbejder også på klassificeringsproblemer, som f.eks. at kunne kategorisere billeder baseret på diagnose eller bestemte mønstre, de repræsenterer, og andre arbejder på måder at bruge maskinlæring til at forudsige patientresultater eller respons på bestemte behandlinger. Der er så meget interessant arbejde i gang i dette område!

I sidste ende, i patologi, er de fleste af disse maskinlæringsbrugsområder rettet mod at løse nogle overordnede kliniske og forskningsproblemer. Det første er volumproblemet, jeg nævnte tidligere. Der er en stigende mængde af sager at gennemgå, og der er dette komplicerende problem med en skrumpende patologpopulations- og en stigende kræftbyrde. Meget af maskinlæringen i patologi sigter mod at forbedre effektiviteten af diagnose på det enkelte og laboratorieniveau. Det andet store problem er kvaliteten af diagnose og pleje – hvordan kan vi forbedre diagnostisk nøjagtighed, hvordan kan vi forbedre prognose, og hvordan kan vi forbedre patientresultater i sidste ende?

Til at svare på den anden del af dit spørgsmål skal jeg skelne mellem, hvad der er på forskningsstadiet i dag, og hvad der faktisk sker i klinisk praksis. Lige nu er det meste af arbejdet på feltet forskning, og det kan være ekstremt udfordrende at oversætte nogle af disse fund til klinisk praksis. Det er, hvor jeg tror, maskinlæring er på vej og skal gå – opbygning af systemer og niveauet af kvalitet, der er nødvendigt for at sætte nogle af de fantastiske forskningsresultater, vi ser, i praksis, på en måde, der holder til alle de fantastiske fund, vi ser i forskningsmiljøet, og leverer disse fordele til patologilaboratorier og i sidste ende deres patienter. Opbygning af AI, der fungerer i den “virkelige verden”, er og har altid været Proscias tilgang.

Proscias DermAI udnytter dyb læring til at forudse og automatisk klassificere hundredvis af variationer af hudsygdomme i for-diagnostiske kategorier. Hvad var dine nøgleovervejelser ved design og udvikling af denne anvendelse?

Først og fremmest måtte vi overveje, hvad vi byggede systemet til at gøre. Vi ville have, at det skulle kunne klassificere enhver hudlæsion, ikke kun en bestemt type. Og der er ret meget variation i hudpatologi, som du sagde, hundredvis af variationer. Så vi måtte sikre os, at vi havde alle disse variationer godt repræsenteret i vores træningssæt. Dette kan faktisk være ret udfordrende, da nogle typer af læsioner er sjældnere end andre, og det kan være svært at bygge en dataset, der har nok eksempler af nogle af disse sjældnere patologier til at træne med og sikre, at vi havde nok eksempler til, at vores model kunne lære fra.

Andet måtte vi virkelig tænke på, at vi ikke kun byggede noget, der skulle fungere på ét sted eller for billeder skannet med en bestemt type scanner. Det var virkelig om at bygge noget, der kunne fungere på enhver laboratoriets billeder, på enhver scanner. Der kan være ret meget variation mellem steder og scannere i forhold til billedets udseende – farver, lysstyrke, artefakter osv. Vi måtte udvikle et system, der kunne tage højde for alle disse variationer, og ikke kræve en masse data til at kalibrere og få det til at fungere for et nyt sted.

Vi havde flere andre overvejelser, der skulle tages i betragtning ved at bygge et AI-system, der kunne fungere i den “virkelige verden”. En mere, der var særligt vigtig for os, var repræsentationen af “de ukendte”. Efter alt, vi ved, at AI-systemer aldrig er perfekte, og der er så meget variation i hudlæsioner. Vi måtte have DermAI til at vide, hvad det ikke vidste, og være i stand til at levere den information, når det var for usikkert til at gøre en god klassificering. Det er derfor, vi byggede en metode ind i systemet til at tildele hver klassificering en tillidsvurdering, og vi tog os af at designe dette på en måde, der ville være korreleret med systemets præstation – jo højere tillidsvurderingen, jo mere sandsynligt, at klassificeringen er korrekt. Dette betyder, at vi grundlæggende kan justere systemets præstation; hvis måden, jeg bruger dette på i mit laboratorium, kræver ekstremt høj nøjagtighed, kan jeg indstille DermAI til at levere høj-tillidsvurderingsklassificeringer kun. Hvis min brugsområde er lidt mere tolerant over for fejl og jeg foretrækker at have flere sager klassificeret, kan jeg inkludere lavere-tillidsvurderingsklassificeringer også.

DermAI blev valideret i en af patologiens mest omfattende studier til dato. Kan du sammenfatte studiet og dets nøglepunkter?

Dette var et studie af ekstremt ambitiøs omfang. Som jeg lige nævnte, er der en enorm mængde variation i hudlæsioner, hvilket oversætter sig til deres respektive patologibilleder, og vi ville udvikle et system, der kunne automatisk klassificere enhver rutinemæssigt forberedt hudpatologisk skive – fra enhver laboratorium og enhver scanner. Ideen var, at patologer kunne bruge det til at sortere og triage sager, før de satte sig ned til at gøre en diagnose – prioriterer sager i en rækkefølge, der giver mening, snarere end i den tilfældige rækkefølge, de naturligt kommer i, og sikre, at de rette sager går til den rette patolog, snarere end at skulle sendes et andet sted senere. Og ingen havde demonstreret noget, der ligner dette, da vi begyndte at udvikle dette for nogle år siden. Systemet, vi udviklede, brød klassificeringsopgaven ned i flere stadier ved hjælp af en kombination af dyb læring og grundlæggende computervisionsteknikker – detektering af vævet på skiven, tilpasning af billedets udseende, så det er i et velkendt rum for det trænede system, detektering af relevante interesseområder og endelig klassificering i fire forskellige kategorier baseret på mønstrene i vævet. Det vigtige var dog, hvordan vi testede det. Mens vi kun trænede systemet på 5.000 billeder fra ét sted, kalibrerede og testede vi det på næsten tre gange så mange billeder fra tre helt separate institutioner, hvis data vores system aldrig havde set. Ved at gøre dette, viste vi, at det var muligt at bygge en AI-anvendelse til at sortere og triage hudbiopsier, der kunne fungere godt på multiple steder med minimal kalibrering. Da de data, vi testede på, ligner hver af disse steders prospektive arbejdsmængde, kunne vi være sikre på, at præstationen, der blev demonstreret her, ville være sammenlignelig med, hvad vi ville se, hvis vi installerer DermAI i et laboratorium. Og fordi systemet er justerbart ved at justere tillidsvurderingstrøsklen, jeg nævnte tidligere, afhængigt af, hvor stor en procentdel af billeder, vi klassificerer, kan vi justere det op til mindst 98% nøjagtighed.

En af observationerne i studiet var, hvordan dyb læring kan være følsom over for billedartefakter. Hvad er præcis disse billedartefakter i dette tilfælde, og hvad er nogle løsninger til at løse dette problem?

Ja, flere studier har demonstreret følsomheden af AI-systemer over for billedartefakter i patologi som i ethvert andet felt. Disse er ofte simple ting, vores menneskelige hjerner let kan overse – snav på en skive, små ændringer i lys, uklare områder af et billede, pen-blek, som patologer ofte bruger til at markere områder af tumor. Jeg nævner blot nogle eksempler, men der er utallige andre. AI-systemer kan let blive narret af disse slags problemer, hvis de ikke er blevet ordentligt udsat for dem.

Der er virkelig to veje til at håndtere billedartefakter for AI-systemer. Den første er ved rensning – sikre, at du træner på og tester billeder, der er blevet omhyggeligt rensede, enten digitalt eller fysisk, så der ikke er nogen artefakter til stede. Dette er nogle gange let at gøre for et træningssæt, men meget sværere at gøre konsekvent, hvis du ser på at installere et AI-system på mange steder. Så vi tog den anden tilgang: sikre, at disse slags artefakter var godt repræsenteret i vores data. Vi fik ikke skiver rensede, før de blev sendt til os, så vi har en masse repræsentation af nogle af de underlige problemer, du måske ikke ser i et præsentabelt træningssæt, men som du definitivt vil møde i den virkelige verden. På denne måde kunne vi sikre, at vores system var klar, når det blev udsat for disse artefakter i billeder, det ikke var trænet på.

Hvordan implementeres AI-anvendelser som DermAI i patologilaboratoriet?

Dette er et godt spørgsmål. Mens forskellige laboratorier tager forskellige tilgange, tror vi, at den eneste måde, laboratorier vil kunne skala deres AI-adopteringsgrad er ved at udnytte en AI-aktiveret platform. Som jeg beskrev ovenfor, centerer laboratoriets digitale patologiske operationer sig om en platform, de bruger til at se, administrere, dele og analysere billeder. Proscias platform, Concentriq, giver alle disse funktioner og fungerer også som en lanceringsskive for AI-anvendelser. Vi tror, at denne tilgang gør det let for laboratorier at installere AI i praksis, integrere det nænsomt i deres daglige arbejde, så de kan udnytte det i stor skala og realisere dets sande løfte.

Er der noget andet, du gerne vil dele om Proscia?

Jeg er virkelig begejstret for det arbejde, mit team og jeg laver. Den ulykkelige virkelighed i dag er, at vi alle kender nogen, der er blevet påvirket af kræft og den betydelige indvirkning, det har på dem og deres nærmeste. Vores arbejde har potentialet til at forbedre patientresultater og virkelig gøre en meningsfuld forskel. Dette er noget, jeg er stolt af at være en del af.

Til den ende er det fantastisk at se, at så mange førende organisationer også tror på det arbejde, vi laver. Over de seneste måneder alene har Joint Pathology Center (JPC), der huser verdens største repository af humane vævsdata, valgt Proscia til at digitalisere denne samling. JPC har flere grunde til at gå digitalt, herunder accelerere udviklingen af AI. LabPON, det første laboratorium i verden, der har nået 100% digital patologidiagnose, har også nyligt valgt Proscias platform til at skala sin patologiske drift og lægge grundlaget for implementering af AI. LabPON vil også samarbejde med os om udvikling og validering af vores AI-systemer. Og til sidst anerkender vi, at vi ikke kan transformere patologiens praksis alene og er konstant voksende vores team. Hvis du er interesseret i at slutte dig til os, opmuntrer jeg dig til at lære mere om Proscia og se vores åbne stillinger.