Ιουλιάνα Ιάννη, Αντιπρόεδρος, Ερευνα και Ανάπτυξη AI, Proscia – Σειρά Συνεντεύξεων

Η Ιουλιάνα Ιάννη ηγείται της ομάδας AI R&D της Proscia για την ανάπτυξη προϊόντων υπολογιστικής παθολογίας υψηλής ποιότητας. Proscia推動 εργαστήρια πέρα από τα όρια των παραδοσιακών εργαλείων με τη ψηφιακή πλατφόρμα παθολογίας Concentriq^® και μια σειρά υπολογιστικών εφαρμογών. Λειτουργώντας στο κέντρο του σύγχρονου ψηφιακού εργαστηρίου, αυτές οι τεχνολογίες μεταμορφώνουν την οικονομία και την πρακτική της παθολογίας, δίνοντας τη δύναμη της σύγχρονης, δεδομενο-κεντρικής ιατρικής στην καταπολέμηση του καρκίνου.

Μπορείτε να μοιραστείτε την ιστορία πίσω από την Proscia;

Η παθολογία βρίσκεται στο κέντρο της βιοϊατρικής έρευνας και της διάγνωσης του καρκίνου· ωστόσο, ενώ όλοι abbiamo δει την ψηφιοποίηση να επηρεάζει σχεδόν κάθε άλλη πτυχή της υγείας, η παθολογία έχει παραμείνει σε μεγάλο βαθμό αμετάβλητη κατά τη διάρκεια της 150χρονης ιστορίας της. Ακόμα κεντρώνεται γύρω από τον παθολόγο που αναγνωρίζει μοτίβα σε ιστό υπό το μικροσκόπιο. Αυτή η πρακτική είναι εγγενώς χειροκίνητη και υποκειμενική, δύο προκλήσεις που επιδεινώνονται από τη μείωση του πληθυσμού των παθολόγων και την αύξηση του φορτίου του καρκίνου.

Η Proscia ιδρύθηκε για να προωθήσει αυτό το πρότυπο φροντίδας. Οι ιδρυτές μας αναγνώρισαν μια ευκαιρία να αναλάβουν τον αγώνα κατά του καρκίνου οδηγώντας την παθολογία από το μικροσκόπιο στις εικόνες. Κάνοντας così – οδηγώντας την ψηφιακή παθολογία προς τα εμπρός – ενεργοποιούμε τα εργαστήρια να ροηματοποιούν τις λειτουργίες τους, να επιτύχουν σημαντικές βελτιώσεις στην ποιότητα και την παραγωγικότητα και να ξεκλειδώνουν νέες εικόνες που δεν φαίνονται από το ανθρώπινο μάτι. Συλλογικά, αυτά τα οφέλη βοηθούν τους ερευνητές να επιταχύνουν τις đột pháσεις και τους παθολόγους να βελτιώσουν τα αποτελέσματα για τους ασθενείς σε όλο τον κόσμο.

Από τις πρώτες μας μέρες, abbiamo συσσωρευτεί μια βάση πελατών που αποτελείται από κορυφαία εργαστήρια, συστήματα υγείας, εταιρείες βιοτεχνολογίας και ερευνητικές οργανώσεις. Μεταξύ των πολλών εταιρικών πελατών μας, συνεργαζόμαστε με το Πανεπιστήμιο Johns Hopkins, το Πανεπιστήμιο της Πενσυλβάνια και 10 από τις 20 κορυφαίες φαρμακευτικές εταιρείες. Επίσης, ανακοινώσαμε πρόσφατα ότι το LabPON, το πρώτο εργαστήριο στον κόσμο που έφτασε στο 100% ψηφιακή διάγνωση παθολογίας, μεταβαίνει στη πλατφόρμα λογισμικού μας, και το Κέντρο Παθολογίας, το οποίο στεγάζει τη μεγαλύτερη αποθήκη δεδομένων ανθρώπινου ιστού, ψηφιοποιείται με την Proscia.

Η Proscia είναι μια ψηφιακή και υπολογιστική εταιρεία παθολογίας. Μπορείτε να εξηγήσετε στους αναγνώστες μας τι σημαίνει αυτό;

Σε υψηλό επίπεδο, η ψηφιακή παθολογία είναι η πρακτική της ψηφιοποίησης των γυάλινων μικροσκοπίων με έναν σαρωτή, τα οποία μπορούν στη συνέχεια να προβληθούν, να διαχειριστούν, να μοιραστούν και να αναλυθούν χρησιμοποιώντας λογισμικό, συμπεριλαμβανομένων υπολογιστικών εφαρμογών που χρησιμοποιούν AI.

Η Proscia εστιάζει ειδικά στην πλευρά του λογισμικού. Προσφέρουμε μια βασική πλατφόρμα, που ονομάζεται Concentriq, η οποία παρέχει όλες τις επιχειρηματικές λειτουργίες που χρειάζονται τα εργαστήρια για την εκτέλεση των καθηκόντων παθολογίας. Η Concentriq εξυπηρετεί επίσης ως εκτοξευτήρας για εφαρμογές AI, συμπεριλαμβανομένης μιας σειράς λύσεων που κατασκευάζουμε.

Τόνισα πολλά από τα οφέλη της ψηφιακής παθολογίας με δυνατότητα AI, συμπεριλαμβανομένης της οδήγησης της αποτελεσματικότητας και της παραγωγικότητας και της ικανότητας να ξεκλειδωθούν νέες εικόνες, παραπάνω, così ας πάρουμε μια πιο στενή ματιά σε μερικές από τις συγκεκριμένες περιπτώσεις χρήσης για να δούμε πώς αυτά τα οφέλη διαδραματίζονται. Μια που είναι ιδιαίτερα επίκαιρη αυτή τη στιγμή είναι η ενεργοποίηση των απομακρυσμένων λειτουργιών κατά τη διάρκεια του COVID. Καθώς τα εργαστήρια έπρεπε να προσαρμοστούν σε νέους τρόπους εργασίας για να συμμορφωθούν με τις κοινωνικές αποστάσεις, η ψηφιακή παθολογία επέτρεψε στους παθολόγους να συνεχίσουν να εργάζονται και να εξυπηρετούν τους ασθενείς, καθώς τους επέτρεψε να μοιράζονται εύκολα εικόνες και να τις προβάλλουν κατά παραγγελία με μια πλατφόρμα όπως η Concentriq. Η εναλλακτική λύση είναι συχνά για τα εργαστήρια να έχουν φυσικά γυάλινα μικροσκόπια που να παραδίδονται στα σπίτια των παθολόγων. Σκεφτείτε πόσο χρονοβόρο και ακριβό θα μπορούσε να είναι!

Γενικά, όταν κοιτάζουμε πώς οι λύσεις ψηφιακής και υπολογιστικής παθολογίας, όπως αυτές που παρέχει η Proscia, ενεργοποιούν τους παθολόγους να βελτιώσουν την ποιότητα και την αποτελεσματικότητα – είτε κάνοντας πιο εύκολη τη μοιρασία εικόνων για δεύτερη γνώμη είτε βοηθώντας στην εξάλειψη λαθών, χειροκίνητων εργασιών στο εργαστήριο – τελικά καθιστά δυνατό για τους ασθενείς να λαμβάνουν τη σωστή διάγνωση γρηγορότερα, και αυτό είναι σημαντικό όταν λαμβάνουμε υπόψη ότι η πρώιμη θεραπεία συχνά οδηγεί σε καλύτερα αποτελέσματα.

Μπορείτε να περιγράψετε πώς χρησιμοποιείται η μηχανική μάθηση στην παθολογία σήμερα; Πού πηγαίνει;

Αυτό είναι ένα μεγάλο ερώτημα! Η μηχανική μάθηση έχει δείξει πολλές υποσχόμενες εφαρμογές σε πολλές περιοχές της παθολογίας. Μια κοινή περίπτωση χρήσης της μηχανικής μάθησης στην παθολογία είναι να αναγνωρίσει συγκεκριμένες περιοχές σε μια εικόνα όπου το ιστό του όγκου βρίσκεται για να τραβήξει την προσοχή του παθολόγου εκεί. Μπορεί επίσης να χρησιμοποιηθεί για να παρασχεθεί ποσοτικές εικόνες για τα δείγματα ιστού – για παράδειγμα, να μετρήσει τον αριθμό των κυττάρων που υποβάλλονται σε διαίρεση (ένας κοινός δείκτης του καρκίνου). Κάποιοι εργάζονται επίσης σε προβλήματα ταξινόμησης, όπως να ταξινομήσουν εικόνες με βάση τη διάγνωση ή τα特定的 μοτίβα που αντιπροσωπεύουν, και άλλοι εργάζονται σε τρόπους για να χρησιμοποιήσουν τη μηχανική μάθηση για να προβλέψουν τα αποτελέσματα των ασθενών ή τις απαντήσεις σε συγκεκριμένες θεραπείες. Υπάρχει τόσο ενδιαφέρον έργο σε εξέλιξη στο χώρο!

Τελικά, στην παθολογία, οι περισσότερες από αυτές τις περιπτώσεις χρήσης της μηχανικής μάθησης στοχεύουν στην επίλυση quelques υπερκείμενων κλινικών και ερευνητικών προβλημάτων. Το πρώτο είναι το πρόβλημα του όγκου που ανέφερα νωρίτερα. Υπάρχει ένα αυξανόμενο αριθμό περιπτώσεων για αναθεώρηση, και υπάρχει αυτό το πρόβλημα της μείωσης του αριθμού των παθολόγων που διαθέτουν για τη διάγνωση αυτών των περιπτώσεων. Πολύ της μηχανικής μάθησης στην παθολογία στοχεύει στην βελτίωση της αποτελεσματικότητας της διάγνωσης στο ατομικό και εργαστηριακό επίπεδο. Το δεύτερο μεγαλύτερο είναι η ποιότητα της διάγνωσης και της φροντίδας – πώς μπορούμε να βελτιώσουμε την ακρίβεια της διάγνωσης, πώς μπορούμε να βελτιώσουμε την πρόγνωση, και πώς μπορούμε να βελτιώσουμε τα αποτελέσματα των ασθενών στο τέλος της ημέρας;

Για να απαντήσω στο δεύτερο μέρος του ερωτήματός σας, πρέπει να διακρίνω μεταξύ того που βρίσκεται στο στάδιο της έρευνας σήμερα και τι συμβαίνει στην κλινική πρακτική. Σήμερα, η περισσότερη δουλειά στο πεδίο έχει γίνει έρευνα, και μπορεί να είναι εξαιρετικά δύσκολο να μεταφράσετε κάποια από τα ευρήματα σε κλινική πρακτική. Αυτό είναι εκεί που πηγαίνει η μηχανική μάθηση και πρέπει να πηγαίνει – κατασκευάζοντας τα συστήματα και το επίπεδο ποιότητας που χρειάζεται για να μεταφράσει κάποια από τα φανταστικά ευρήματα που γίνονται στην έρευνα σε πρακτική, με τρόπο που να αντέχει σε όλα τα θαυμάσια ευρήματα που βλέπουμε στην έρευνα και να παραδίδει αυτά τα οφέλη στα εργαστήρια παθολογίας και τελικά στους ασθενείς τους. Η κατασκευή AI που λειτουργεί στον “πραγματικό κόσμο” είναι και έχει πάντα ήταν η προσέγγισή μας.

Η Proscia’s DermAI χρησιμοποιεί βαθιά μάθηση για να προ-εξετάσει και να ταξινομήσει αυτόματα εκατοντάδες παραλλαγές δερματικών παθήσεων σε προ-διαγνωστικές κατηγορίες. Ποια ήταν τα κλειδιά σας στη σχεδίαση και ανάπτυξη αυτής της εφαρμογής;

Πρώτα και κύρια, έπρεπε να σκεφτούμε τι χτίζουμε το σύστημα για να κάνει. Θέλαμε να είναι σε θέση να ταξινομήσει οποιαδήποτε δερματική αλλοίωση, όχι μόνο ένα συγκεκριμένο τύπο. Και υπάρχει μια σημαντική ποικιλία στη δερματική παθολογία, όπως είπατε, εκατοντάδες παραλλαγές. Έτσι, έπρεπε να βεβαιωθούμε ότι είχαμε όλη αυτή τη ποικιλία καλά-αντιπροσωπεύεται στη μας εκπαίδευση σύνολο. Αυτό μπορεί να είναι πραγματικά δύσκολο, καθώς ορισμένα είδη αλλοιώσεων είναι σπανιότερα από άλλα, και μπορεί να είναι δύσκολο να κατασκευάσετε ένα σύνολο δεδομένων που έχει αρκετά παραδείγματα ορισμένων από αυτά τα σπανιότερα παθολογιών για να εκπαιδεύσετε και να διασφαλίσετε ότι είχαμε αρκετά παραδείγματα για το μοντέλο μας να μάθει από.

Δεύτερον, πραγματικά έπρεπε να σκεφτούμε το γεγονός ότι δεν χτίζαμε κάτι που χρειαζόταν να λειτουργήσει σε ένα μόνο χώρο, ή για εικόνες σαρωμένες με ένα συγκεκριμένο τύπο σαρωτή. Ήταν πραγματικά για να χτίζουμε κάτι που θα μπορούσε να λειτουργήσει σε οποιοδήποτε εργαστήριο εικόνων, σε οποιοδήποτε σαρωτή. Υπάρχει μια σημαντική ποικιλία μεταξύ χώρων και σαρωτών σε σχέση με την εμφάνιση της εικόνας – χρώματα, φωτεινότητα, τεχνικά προβλήματα κ.λπ. Έπρεπε να αναπτύξουμε ένα σύστημα που θα μπορούσε να λογαριαστεί για όλες αυτές τις ποικιλίες, και να μην απαιτεί μια τεράστια ποσότητα δεδομένων για να καλιμπρέσει και να λειτουργήσει για einen νέο χώρο.

Έχουμε αρκετές άλλες σκέψεις για να λογαριαστούν στην ανάπτυξη ενός συστήματος AI που θα μπορούσε να λειτουργήσει στον “πραγματικό κόσμο”. Μια ακόμη, η οποία ήταν ιδιαίτερα σημαντική για εμάς, ήταν η αναπαράσταση των “άγνωστων”. Μετά από όλα, γνωρίζουμε ότι τα συστήματα AI δεν είναι ποτέ τέλεια, και υπάρχει τόσο μεγάλη ποικιλία σε δερματικές αλλοιώσεις. Έπρεπε να κατασκευάσουμε το DermAI να γνωρίζει τι δεν ήξερε και να είναι σε θέση να παραδώσει αυτή την πληροφορία όταν ήταν πολύ αβέβαιο για να κάνει μια καλή ταξινόμηση. Για αυτό το λόγο, κατασκευάσαμε στο σύστημα μια μέθοδο για να ανατεθεί σε κάθε ταξινόμηση ένα βαθμό εμπιστοσύνης, και φροντίσαμε να το σχεδιάσουμε με τέτοιο τρόπο που θα ήταν συσχετισμένο με την απόδοση του συστήματος – όσο υψηλότερος ο βαθμός εμπιστοσύνης, τόσο πιο πιθανό ότι η ταξινόμηση θα είναι σωστή. Αυτό σημαίνει ότι μπορούμε να ρυθμίσουμε την απόδοση του συστήματος· αν ο τρόπος που το χρησιμοποιώ στο εργαστήριό μου απαιτεί εξαιρετικά υψηλή ακρίβεια, μπορώ να ρυθμίσω το DermAI να παραδώσει μόνο ταξινόμηση υψηλής εμπιστοσύνης. Αν η περίπτωσή μου είναι λίγο πιο ανεκτική με λάθη και προτιμώ να έχω περισσότερες περιπτώσεις ταξινομημένες, τότε μπορώ να περιλαμβάνω και ταξινόμηση χαμηλής εμπιστοσύνης.

Το DermAI επικυρώθηκε σε μια από τις πιο綜合ικές μελέτες στην παθολογία μέχρι σήμερα. Μπορείτε να συνοψίσετε τη μελέτη και τα κλειδιά της;

Αυτή ήταν μια μελέτη εξαιρετικά φιλόδοξης έκτασης. Όπως ανέφερα προηγουμένως, υπάρχει μια τεράστια ποικιλία σε δερματικές αλλοιώσεις, η οποία μεταφράζεται σε αντίστοιχες παθολογικές εικόνες, και θέλαμε να αναπτύξουμε ένα σύστημα που θα μπορούσε να ταξινομήσει αυτόματα οποιαδήποτε δερματική παθολογική εικόνα – από οποιοδήποτε εργαστήριο και οποιοδήποτε σαρωτή. Η ιδέα ήταν ότι οι παθολόγοι θα μπορούσαν να τη χρησιμοποιήσουν για να ταξινομήσουν και να ταξινομήσουν τις περιπτώσεις πριν καθίσουν για να κάνουν μια διάγνωση – να προτεραιοποιούν τις περιπτώσεις με τρόπο που έχει νόημα και όχι με τον τυχαίο τρόπο που φυσικά έρχονται και να βεβαιωθούν ότι οι σωστές περιπτώσεις πάνε στον σωστό παθολόγο και όχι να πρέπει να σταλούν αλλού αργότερα. Και κανείς δεν είχε αποδείξει τίποτα παρόμοιο με αυτό όταν ξεκινήσαμε την ανάπτυξη αυτού του συστήματος πριν από quelques χρόνια. Το σύστημα που αναπτύξαμε κατέβασε την εργασία της ταξινόμησης εικόνων σε πολλαπλά στάδια χρησιμοποιώντας μια συνδυασμένη βαθιά μάθηση και βασικές τεχνικές οπτικής επεξεργασίας – ανίχνευση του ιστού στη διαφάνεια, προσαρμογή της εμφάνισης της εικόνας ώστε να είναι σε ένα οικείο χώρο για το εκπαιδευμένο σύστημα, ανίχνευση των σχετικών περιοχών ενδιαφέροντος και τελικά ταξινόμηση σε τέσσερις διαφορετικές κατηγορίες με βάση τα μοτίβα που υπάρχουν στον ιστό. Το σημαντικό μέρος όμως ήταν πώς το ε-tested. Ενώ εκπαιδεύσαμε το σύστημα σε 5.000 εικόνες από ένα μόνο χώρο, το καλιμπρέσαμε και το ε-tested σε σχεδόν τρεις φορές περισσότερες εικόνες από τρεις εντελώς ξεχωριστές θεσμούς των οποίων τα δεδομένα το σύστημά μας δεν είχε δει. Με αυτόν τον τρόπο, δείξαμε ότι ήταν δυνατό να κατασκευαστεί μια εφαρμογή AI για να ταξινομήσει και να ταξινομήσει δερματικές βιοψίες, η οποία θα μπορούσε να λειτουργήσει καλά σε πολλαπλά εργαστήρια με ελάχιστη καλιμπρέση.既然 τα δεδομένα που ε-tested μιμούνται κάθε εργαστήριο εργασίας, μπορούμε να είμαστε βέβαιοι ότι η απόδοση που επίδειξε εδώ θα ήταν συγκρίσιμη με αυτή που θα δείξαμε αν εγκαταστήσαμε το DermAI σε ένα εργαστήριο. Και既然 το σύστημα είναι ρυθμιζόμενο με την προσαρμογή του ορίου εμπιστοσύνης που ανέφερα προηγουμένως, ανάλογα με το ποσοστό εικόνων που ταξινομούμε, μπορούμε να το ρυθμίσουμε μέχρι και 98% ακρίβεια.

Μια από τις παρατηρήσεις στη μελέτη ήταν πώς οι αλγόριθμοι βαθιάς μάθησης μπορούν να είναι ευαίσθητοι σε εικόνες-αρτεφάκτα. Τι ακριβώς είναι αυτά τα εικόνες-αρτεφάκτα σε αυτή την περίπτωση και ποια είναι κάποια λύσεις για να λύσετε αυτό το πρόβλημα;

Ναι, μερικές μελέτες έχουν δείξει την ευαισθησία των συστημάτων AI σε εικόνες-αρτεφάκτα στην παθολογία όπως και σε οποιοδήποτε άλλο πεδίο. Αυτά είναι συχνά απλά πράγματα που τα ανθρώπινα μυαλά παραβλέπουν εύκολα – βρώμη στη διαφάνεια, μικρές αλλαγές στη φωτεινότητα, θολές περιοχές μιας εικόνας, στυλό μελάνης που οι παθολόγοι συχνά χρησιμοποιούν για να σημειώσουν περιοχές όγκου. Λίστα μερικά παραδείγματα, αλλά υπάρχουν άπειρα άλλα. Τα συστήματα AI μπορούν να είναι εύκολα εξαπατημένα από αυτά τα είδη προβλημάτων αν δεν έχουν εκπαιδευτεί σωστά σε αυτά.

Υπάρχουν δύο οδοί για την αντιμετώπιση εικόνων-αρτεφάκτων για συστήματα AI. Η πρώτη είναι η καθαρισμός – βεβαιωθείτε ότι τα δεδομένα εκπαίδευσης και τα δεδομένα ελέγχου έχουν καθαριστεί, είτε ψηφιακά είτε φυσικά, ώστε να μην υπάρχουν αρτεφάκτα. Αυτό μπορεί να είναι κάπως εύκολο να γίνει για ένα σύνολο δεδομένων εκπαίδευσης, αλλά πολύ πιο δύσκολο να γίνει συνεχώς αν θέλετε να εγκαταστήσετε ένα σύστημα AI σε πολλά εργαστήρια. Έτσι, ακολούθησαμε την δεύτερη οδό: βεβαιωθήκαμε ότι αυτά τα είδη αρτεφάκτων ήταν καλά-αντιπροσωπεύονται στα δεδομένα μας. Δεν είχαμε καθαρίσει τις διαφάνειες πριν μας σταλούν, οπότε έχουμε πολλή αναπαράσταση некоторых από τα περίεργα ζητήματα που μπορεί να μην δείτε σε ένα σύνολο δεδομένων εκπαίδευσης, αλλά που θα συναντήσετε σίγουρα τελικά στον πραγματικό κόσμο. Αυτό μας επέτρεψε να βεβαιωθούμε ότι το σύστημα μας ήταν έτοιμο όταν εκτεθόταν σε αυτά τα αρτεφάκτα σε εικόνες που δεν είχε εκπαιδευτεί.

Πώς εφαρμόζονται οι εφαρμογές AI όπως το DermAI στα εργαστήρια παθολογίας;

Αυτό είναι ένα εξαιρετικό ερώτημα. Ενώ διαφορετικά εργαστήρια λαμβάνουν διαφορετικές προσεγγίσεις, πιστεύουμε ότι ο μόνος τρόπος που τα εργαστήρια θα μπορέσουν πραγματικά να κλιμακώσουν την υιοθέτησή τους της AI είναι μέσω της αξιοποίησης μιας πλατφόρμας AI-ενεργοποιημένης. Όπως περιέγραψα παραπάνω, οι ψηφιακές λειτουργίες παθολογίας των εργαστηρίων κεντρίζονται γύρω από μια πλατφόρμα που χρησιμοποιούν για να προβάλλουν, να διαχειριστούν και να αναλύσουν εικόνες. Η πλατφόρμα της Proscia, Concentriq, παρέχει όλες αυτές τις λειτουργίες και εξυπηρετεί επίσης ως εκτοξευτήρας για εφαρμογές AI. Πιστεύουμε ότι αυτή η προσέγγιση κάνει εύκολο για τα εργαστήρια να αναπτύξουν την AI στην πρακτική, ενσωματώνοντας την απρόσκοπτα στην καθημερινή εργασία τους, ώστε να μπορέσουν να την αξιοποιήσουν σε κλίμακα και να πραγματοποιήσουν την πραγματική της υπόσχεση.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με την Proscia;

Είμαι πραγματικά ενθουσιασμένος με τη δουλειά που κάνει η ομάδα μου και εγώ. Η άτυχη πραγματικότητα σήμερα είναι ότι όλοι γνωρίζουμε κάποιον που έχει επηρεαστεί από τον καρκίνο και την σημαντική επίδραση που έχει σε αυτούς και τις αγαπημένες τους. Η δουλειά μας έχει τη δυνατότητα να βελτιώσει τα αποτελέσματα των ασθενών και να κάνει μια πραγματικά σημαντική διαφορά. Αυτό είναι κάτι που είμαι υπερήφανος να είμαι μέρος του.

Για αυτόν τον σκοπό, είναι υπέροχο να δούμε ότι τόσοι πρωτοπόροι οργανισμοί πιστεύουν στη δουλειά που κάνουμε. Τα τελευταία μήνες, το Κέντρο Παθολογίας (JPC), το οποίο στεγάζει τη μεγαλύτερη αποθήκη δεδομένων ανθρώπινου ιστού, επέλεξε την Proscia για να ψηφιοποιήσει αυτή την αποθήκη. Το JPC έχει πολλά λόγια για να θέλει να ψηφιοποιηθεί, συμπεριλαμβανομένης της επιτάχυνσης της ανάπτυξης της AI. Το LabPON, το πρώτο εργαστήριο στον κόσμο που έφτασε στο 100% ψηφιακή διάγνωση παθολογίας, επέλεξε επίσης πρόσφατα την πλατφόρμα της Proscia για να κλιμακώσει τις παθολογικές του λειτουργίες και να θεμελιώσει την εφαρμογή της AI. Το LabPON θα συνεργαστεί επίσης μαζί μας στην ανάπτυξη και επικύρωση των συστημάτων AI μας.

Και τελικά, αναγνωρίζουμε ότι δεν μπορούμε να μεταμορφώσουμε την πρακτική της παθολογίας μόνοι μας και μεγαλώνουμε συνεχώς την ομάδα μας. Αν σας ενδιαφέρει να μας ενταχθείτε, σας ενθαρρύνω να μάθετε περισσότερα για την Proscia και να δείτε τις ανοιχτές θέσεις μας.