Julianna Ianni, Vice President, KI-Forschung & Entwicklung, Proscia – Interview-Serie

Julianna Ianni leitet die KI-Forschung und -Entwicklung von Proscia, um hochwertige computergestützte Pathologie-Produkte zu entwickeln. Proscia treibt Labore mit seiner digitalen Pathologie-Plattform Concentriq und einer Pipeline computergestützter Anwendungen über die Grenzen traditioneller Werkzeuge hinaus. Diese Technologien, die im Zentrum des modernen digitalen Labors arbeiten, verändern die Ökonomie und Praxis der Pathologie und setzen die Macht der modernen, datengetriebenen Medizin im Kampf gegen Krebs ein.

Können Sie die Entstehungsgeschichte hinter Proscia teilen?

Die Pathologie steht im Mittelpunkt der biomedizinischen Forschung und der Krebsdiagnose; dennoch ist die Pathologie im Laufe ihrer 150-jährigen Geschichte weitgehend unverändert geblieben, während die Digitalisierung fast jeden anderen Aspekt der Gesundheitsversorgung beeinflusst hat. Sie dreht sich immer noch um einen Pathologen, der Muster in Gewebe unter dem Mikroskop erkennt. Diese Praxis ist von Natur aus manuell und subjektiv, zwei Herausforderungen, die durch eine sinkende Zahl von Pathologen und eine steigende Krebsbelastung noch verstärkt werden.

Proscia wurde gegründet, um diesen Standard der Versorgung voranzubringen. Unsere Gründer erkannten eine Chance, den Kampf gegen Krebs aufzunehmen, indem sie die Pathologie von der Mikroskopie zu Bildern verlagerten. Indem wir die digitale Pathologie vorantreiben, ermöglichen wir es Laboratorien, ihre Betriebsabläufe zu rationalisieren, qualitative und produktive Verbesserungen zu erzielen und neue Erkenntnisse zu gewinnen, die dem menschlichen Auge verborgen bleiben. All diese Vorteile helfen Forschern, Durchbrüche zu beschleunigen, und Pathologen, die Ergebnisse für Patienten auf der ganzen Welt zu verbessern.

Seit unseren frühen Tagen haben wir eine Kundenbasis von führenden Laboratorien, Gesundheitssystemen, Life-Sciences-Unternehmen und Forschungseinrichtungen aufgebaut. Zu unseren vielen Großkunden gehören die Johns Hopkins University, die University of Pennsylvania und 10 der 20 größten Pharmazeutika-Unternehmen. Wir haben kürzlich auch bekannt gegeben, dass LabPON, das erste Labor der Welt, das 100 % digitale Pathologie-Diagnose erreicht hat, auf unsere Software-Plattform umstellt, und das Joint Pathology Center, das die weltweit größte Sammlung von menschlichem Gewebe-Daten beherbergt, mit Proscia digital wird.

Proscia ist ein Unternehmen für digitale und computergestützte Pathologie. Können Sie unseren Lesern erklären, was das bedeutet?

Im Großen und Ganzen ist die digitale Pathologie die Praxis, mikroskopische Glaspräparate mit einem Scanner zu digitalisieren, die dann mit Software, einschließlich computergestützter Anwendungen, die KI nutzen, betrachtet, verwaltet, geteilt und analysiert werden können.

Proscia konzentriert sich insbesondere auf die Software-Seite. Wir bieten eine Kernplattform namens Concentriq, die alle Funktionalitäten bietet, die Laboratorien für ihre täglichen Pathologie-Operationen benötigen. Concentriq dient auch als Startplatz für KI-Anwendungen, einschließlich einer Reihe von Lösungen, die wir entwickeln.

Ich habe bereits viele der Vorteile von KI-gestützter digitaler Pathologie hervorgehoben, darunter die Steigerung der Effizienz und Produktivität sowie die Möglichkeit, neue Erkenntnisse zu gewinnen. Lassen Sie uns einige spezifische Anwendungsfälle betrachten, um zu sehen, wie sich diese Vorteile auswirken. Ein Beispiel, das mir gerade einfiel, ist die Ermöglichung von Remote-Operationen während COVID. Da Laboratorien ihre Arbeitsweise anpassen mussten, um soziale Distanzierung zu ermöglichen, hat die digitale Pathologie es Pathologen ermöglicht, ihre Arbeit fortzusetzen und Patienten zu versorgen, da sie Bilder leicht teilen und auf Abruf mit einer Plattform wie Concentriq betrachten können. Die Alternative besteht oft darin, dass Laboratorien physische Glaspräparate zu den Häusern der Pathologen liefern. Denken Sie daran, wie zeitaufwändig und teuer das sein kann!

Können Sie beschreiben, wie maschinelles Lernen in der Pathologie heute eingesetzt wird? Wohin geht es?

Diese Frage ist sehr umfassend! Maschinelles Lernen hat in vielen Bereichen der Pathologie vielversprechende Ergebnisse gezeigt. Ein häufiger Anwendungsfall für maschinelles Lernen in der Pathologie ist die Identifizierung bestimmter Bereiche in einem Bild, in denen Tumorgewebe vorhanden ist, um die Aufmerksamkeit des Pathologen darauf zu lenken. Es kann auch verwendet werden, um quantitative Erkenntnisse über Gewebeproben zu liefern – beispielsweise die Anzahl der Zellen, die sich aktiv teilen (ein häufiger Marker für Krebs). Einige arbeiten auch an Klassifizierungsproblemen, wie der Kategorisierung von Bildern basierend auf der Diagnose oder bestimmten Mustern, die sie darstellen, und andere arbeiten an Möglichkeiten, maschinelles Lernen zu verwenden, um Patientenergebnisse oder Reaktionen auf bestimmte Therapien vorherzusagen. Es gibt so viel interessante Arbeit in diesem Bereich!

Proscias DermAI nutzt Deep Learning, um hunderte von Varianten von Hauterkrankungen vorab zu untersuchen und automatisch in prädiagnostische Kategorien zu klassifizieren. Was waren Ihre wichtigsten Überlegungen bei der Entwicklung dieser Anwendung?

Zunächst mussten wir berücksichtigen, was wir mit dem System aufbauen wollten. Wir wollten, dass es in der Lage ist, jede Hautläsion zu klassifizieren, nicht nur eine bestimmte Art. Und es gibt eine erhebliche Variabilität in der Hautpathologie, wie Sie sagten, hunderte von Varianten. Also mussten wir sicherstellen, dass wir all diese Variationen in unserem Trainingsset gut repräsentiert hatten. Dies kann tatsächlich sehr herausfordernd sein, da einige Arten von Läsionen seltener sind als andere, und es kann schwierig sein, ein Dataset zu erstellen, das genug Beispiele für einige dieser selteneren Pathologien enthält, um unser Modell zu trainieren und sicherzustellen, dass wir genug Beispiele hatten, damit unser Modell etwas lernen konnte.

DermAI wurde in einer der umfassendsten Studien der Pathologie validiert. Können Sie die Studie und ihre wichtigsten Ergebnisse zusammenfassen?

Das war eine Studie von extrem ambitioniertem Umfang. Wie ich bereits erwähnt habe, gibt es eine enorme Variabilität in Hautläsionen, die sich in ihren entsprechenden pathologischen Bildern widerspiegelt, und wir wollten ein System entwickeln, das jedes routinemäßig vorbereitete Hautpathologie-Präparat automatisch klassifizieren kann – aus jedem Labor und jedem Scanner. Die Idee war, dass Pathologen es verwenden könnten, um Fälle vor ihrer Diagnose zu sortieren und zu triagieren – Fälle in einer Reihenfolge zu priorisieren, die Sinn ergibt, anstatt in der zufälligen Reihenfolge, in der sie natürlich hereinkommen, und sicherzustellen, dass die richtigen Fälle zum richtigen Pathologen gehen, anstatt später woanders hingeschickt zu werden. Und niemand hatte etwas Ähnliches demonstriert, als wir vor einigen Jahren mit der Entwicklung begannen. Das System, das wir entwickelt haben, brach die Aufgabe der Bildklassifizierung in mehrere Stadien auf, indem es Deep Learning und grundlegende Computer-Vision-Techniken kombinierte – die Gewebe auf dem Präparat erkennen, das Erscheinungsbild des Bildes so anpassen, dass es in einem vertrauten Raum für das trainierte System ist, die relevanten Bereiche von Interesse erkennen und schließlich eine Klassifizierung in vier verschiedene Kategorien basierend auf den Mustern im Gewebe vornehmen. Der wichtige Teil war jedoch, wie wir es getestet haben. Obwohl wir das System nur mit 5.000 Bildern von einem einzigen Standort trainiert hatten, kalibrierten und testeten wir es mit fast dreimal so vielen Bildern von drei völlig separaten Institutionen, deren Daten unser System noch nie gesehen hatte. Indem wir dies taten, zeigten wir, dass es möglich ist, eine KI-Anwendung zu entwickeln, um Hautbiopsien zu sortieren und zu triagieren, die auf mehreren Standorten mit minimaler Kalibrierung funktionieren kann. Da die Daten, die wir getestet haben, den prospektiven Arbeitsaufwand jedes dieser Standorte nachahmten, konnten wir sicher sein, dass die Leistung, die hier demonstriert wurde, mit der vergleichbar wäre, die wir sehen würden, wenn wir DermAI in einem Labor installieren würden. Und da das System durch die Anpassung der Konfidenzschwelle, die ich erwähnt habe, einstellbar ist, können wir es auf mindestens 98 % Genauigkeit einstellen, je nachdem, wie viele Bilder wir klassifizieren.

Eine der Beobachtungen in der Studie war, wie Deep-Learning-Algorithmen empfindlich auf Bildartefakte reagieren können. Was genau sind diese Bildartefakte in diesem Fall und welche Lösungen gibt es, um dieses Problem zu lösen?

Ja, einige Studien haben die Empfindlichkeit von KI-Systemen gegenüber Bildartefakten in der Pathologie wie in anderen Bereichen gezeigt. Diese sind oft einfache Dinge, die unser menschliches Gehirn leicht übersehen kann – Schmutz auf einem Präparat, leichte Änderungen der Beleuchtung, unscharfe Bereiche eines Bildes, Tinten, die Pathologen oft verwenden, um Bereiche von Tumoren zu markieren. Ich liste einige Beispiele auf, aber es gibt viele andere. KI-Systeme können leicht von diesen Arten von Problemen getäuscht werden, wenn sie nicht ordnungsgemäß darauf vorbereitet wurden.

Wie werden KI-Anwendungen wie DermAI in dem pathologischen Labor implementiert?

Diese Frage ist großartig. Während verschiedene Laboratorien unterschiedliche Ansätze verfolgen, glauben wir, dass Laboratorien ihre KI-Adoption nur dann wirklich skalieren können, wenn sie eine KI-Plattform nutzen. Wie ich oben beschrieben habe, dreht sich die digitale Pathologie-Operation von Laboratorien um eine Plattform, die sie für die Bildbetrachtung, -verwaltung und -analyse verwenden. Proscias Plattform, Concentriq, bietet all diese Funktionalitäten und dient auch als Startplatz für KI-Anwendungen. Wir glauben, dass dieser Ansatz es Laboratorien ermöglicht, KI in der Praxis einfach zu implementieren, indem sie es nahtlos in ihre tägliche Arbeit integrieren, so dass sie es im großen Maßstab nutzen und seine wahre Aussagekraft realisieren können.

Gibt es noch etwas, das Sie über Proscia teilen möchten?

Ich bin wirklich aufgeregt über die Arbeit, die mein Team und ich tun. Die unglückliche Realität heute ist, dass wir alle jemanden kennen, der von Krebs betroffen ist und den erheblichen Einfluss, den er auf sie und ihre Familien hat. Unsere Arbeit hat das Potenzial, Patientenergebnisse zu verbessern und wirklich einen sinnvollen Unterschied zu machen. Das ist etwas, worauf ich stolz bin, ein Teil davon zu sein.

Um dies zu erreichen, ist es großartig zu sehen, dass so viele führende Organisationen auch an die Arbeit glauben, die wir tun. Im Laufe der letzten Monate allein hat das Joint Pathology Center (JPC), das die weltweit größte Sammlung von menschlichem Gewebe-Daten beherbergt, Proscia ausgewählt, um dieses Archiv zu digitalisieren. Das JPC hat mehrere Gründe, warum es digital werden möchte, einschließlich der Beschleunigung der Entwicklung von KI. LabPON, das erste Labor der Welt, das 100 % digitale Pathologie-Diagnose erreicht hat, hat kürzlich auch Proscias Plattform ausgewählt, um seine pathologischen Operationen zu skalieren und die Grundlage für die Implementierung von KI zu legen. LabPON wird auch mit uns an der Entwicklung und Validierung unserer KI-Systeme zusammenarbeiten.

Und schließlich erkennen wir an, dass wir die Praxis der Pathologie nicht alleine verändern können und unser Team ständig erweitern. Wenn Sie sich uns anschließen möchten, ermutige ich Sie, mehr über Proscia zu erfahren und unsere offenen Stellen zu betrachten.