Julianna Ianni, Vicepresidenta de Investigación y Desarrollo de IA, Proscia – Serie de Entrevistas

Julianna Ianni lidera el departamento de Investigación y Desarrollo de IA de Proscia para desarrollar productos de patología computacional de alta calidad. Proscia está impulsando a los laboratorios más allá de los límites de las herramientas tradicionales con su plataforma de patología digital Concentriq^® y su cartera de aplicaciones computacionales. Operando en el centro del laboratorio digital moderno, estas tecnologías están transformando la economía y la práctica de la patología, poniendo en funcionamiento el poder de la medicina moderna y centrada en los datos en la lucha contra el cáncer.

¿Podría compartir la historia de origen detrás de Proscia?

La patología se encuentra en el núcleo de la investigación biomédica y el diagnóstico del cáncer; sin embargo, mientras que todos hemos visto el impacto de la digitalización en casi todos los demás aspectos de la atención médica, la patología ha permanecido en gran medida sin cambios durante sus 150 años de historia. Todavía se centra en un patólogo que reconoce patrones en tejidos bajo el microscopio. Esta práctica es inherentemente manual y subjetiva, dos desafíos que se ven aún más agravados por una disminución en la población de patólogos y una creciente carga de cáncer.

Proscia fue fundada para avanzar en este estándar de atención. Nuestros fundadores reconocieron una oportunidad para abordar la lucha contra el cáncer impulsando el cambio de la patología del microscopio a las imágenes. Al hacerlo, en impulsar la patología digital hacia adelante, estamos permitiendo que los laboratorios optimicen sus operaciones, logren mejoras significativas en la calidad y la productividad, y desbloqueen nuevos conocimientos no vistos por el ojo humano. Colectivamente, estos beneficios están ayudando a los investigadores a acelerar los avances y a los patólogos a mejorar los resultados para los pacientes en todo el mundo.

Desde nuestros primeros días, hemos acumulado una base de clientes que incluye a laboratorios líderes, sistemas de salud, empresas de ciencias de la vida y organizaciones de investigación. Entre nuestros muchos clientes empresariales, trabajamos con la Universidad Johns Hopkins, la Universidad de Pensilvania y 10 de las 20 empresas farmacéuticas más importantes. También anunciamos recientemente que LabPON, el primer laboratorio en el mundo en alcanzar un diagnóstico de patología digital al 100%, está pasando a nuestra plataforma de software, y el Centro de Patología Conjunta, que alberga el repositorio más grande del mundo de datos de tejido humano, está pasando a digital con Proscia.

Proscia es una empresa de patología digital y computacional. ¿Puede explicar a nuestros lectores qué significa esto?

En un nivel alto, la patología digital es la práctica de digitalizar láminas de microscopio de vidrio utilizando un escáner, que luego pueden ser vistas, administradas, compartidas y analizadas utilizando software, incluyendo aplicaciones computacionales que utilizan IA.

Proscia se enfoca específicamente en el lado del software. Ofrecemos una plataforma central, llamada Concentriq, que proporciona toda la funcionalidad empresarial que los laboratorios necesitan para realizar sus operaciones de patología rutinarias. Concentriq también sirve como plataforma de lanzamiento para aplicaciones de IA, incluyendo una suite de soluciones que estamos desarrollando.

Resalté muchos de los beneficios de la patología digital habilitada por IA, incluyendo impulsar ganancias de eficiencia y productividad y la capacidad de desbloquear nuevos conocimientos, anteriormente, así que vamos a profundizar en algunos de los casos de uso específicos para ver cómo se llevan a cabo. Uno que está especialmente en la mente ahora es habilitar operaciones remotas durante COVID. A medida que los laboratorios han tenido que adaptarse a nuevas formas de trabajar para acomodar el distanciamiento social, la patología digital ha permitido que los patólogos continúen trabajando y sirvan a los pacientes, ya que les permite compartir fácilmente imágenes y verlas bajo demanda con una plataforma como Concentriq. La alternativa es a menudo que los laboratorios tengan que entregar láminas de vidrio físicas a los hogares de los patólogos. ¡Piense en lo tiempo que consumiría y lo costoso que podría ser!

Más en general, cuando miramos cómo las soluciones de patología digital y computacional, como las que Proscia entrega, están permitiendo que los patólogos mejoren la calidad y la eficiencia, ya sea haciendo que sea más fácil compartir imágenes para una segunda opinión o ayudando a eliminar tareas manuales propensas a errores en el laboratorio, en última instancia, está permitiendo que los pacientes reciban el diagnóstico correcto más rápido, y esto es importante cuando consideramos que el tratamiento temprano a menudo conduce a mejores resultados.

¿Puede describir cómo se está utilizando el aprendizaje automático en la patología hoy en día? ¿Hacia dónde va?

¡Esa es una gran pregunta! El aprendizaje automático ha demostrado ser prometedor en varias áreas de la patología. Un caso de uso común para el aprendizaje automático en la patología es identificar regiones específicas en una imagen donde se encuentra tejido tumoral para llamar la atención del patólogo hacia allí. También se puede utilizar para proporcionar conocimientos cuantitativos sobre muestras de tejido, por ejemplo, contando el número de células que están activamente dividiéndose (un marcador común de cáncer). Algunos también están trabajando en problemas de clasificación, como ser capaces de categorizar imágenes según el diagnóstico o patrones específicos que representan, y otros están trabajando en formas de utilizar el aprendizaje automático para predecir los resultados de los pacientes o las respuestas a terapias específicas. ¡Hay mucho trabajo interesante en este espacio!

En última instancia, en la patología, la mayoría de estos casos de uso del aprendizaje automático están dirigidos a resolver unos pocos problemas clínicos y de investigación. El primero es el problema del volumen que mencioné anteriormente. Hay un número creciente de casos para revisar, y hay este problema compuesto de una disminución en el número de patólogos disponibles para realizar el diagnóstico de estos casos. Gran parte del aprendizaje automático en la patología apunta a mejorar la eficiencia del diagnóstico a nivel individual y de laboratorio. El segundo gran problema es la calidad del diagnóstico y la atención, cómo podemos mejorar la precisión diagnóstica, cómo podemos mejorar el pronóstico y cómo podemos mejorar los resultados de los pacientes al final del día.

Para responder a la segunda parte de su pregunta, debo distinguir entre lo que está en la etapa de investigación hoy en día y lo que realmente está sucediendo en la práctica clínica. Actualmente, la mayoría del trabajo en este campo ha sido de investigación, y puede ser extremadamente desafiante traducir algunos de los hallazgos a la práctica clínica. Es allí donde creo que el aprendizaje automático va y necesita ir, construyendo los sistemas y el nivel de calidad necesarios para realmente poner algunos de los fantásticos hallazgos que se están realizando en la investigación en la práctica, de una manera que se mantenga a la altura de todos los hallazgos increíbles que estamos viendo en el entorno de investigación y que entregue estos beneficios a los laboratorios de patología y, en última instancia, a sus pacientes. Construir IA que funcione en el “mundo real” es y siempre ha sido el enfoque de Proscia.

Proscia’s DermAI utiliza el aprendizaje profundo para preseleccionar y clasificar automáticamente cientos de variantes de enfermedades de la piel en categorías pre-diagnósticas. ¿Cuáles fueron sus consideraciones clave al diseñar y desarrollar esta aplicación?

Primero y ante todo, tuvimos que considerar qué estábamos construyendo el sistema para hacer. Queríamos que pudiera clasificar cualquier lesión cutánea, no solo un tipo específico. Y hay mucha variabilidad en la patología de la piel, como mencionó, cientos de variantes. Así que necesitábamos asegurarnos de que tuviéramos toda esa variabilidad bien representada en nuestro conjunto de entrenamiento. Esto puede ser realmente desafiante, ya que algunos tipos de lesiones son más raros que otros, y puede ser difícil construir un conjunto de datos que tenga suficientes ejemplos de algunas de estas patologías más raras para entrenar y asegurarnos de que tuviéramos suficientes ejemplos para que nuestro modelo aprendiera.

En segundo lugar, realmente tuvimos que pensar en el hecho de que no estábamos construyendo algo que solo necesitara funcionar en un solo sitio, o para imágenes escaneadas con un tipo particular de escáner. Era realmente sobre construir algo que pudiera funcionar en las imágenes de cualquier laboratorio, en cualquier escáner. Puede haber mucha variabilidad entre los sitios y los escáneres en términos de la apariencia de la imagen, colores, iluminación, artefactos, etc. Teníamos que desarrollar un sistema que pudiera dar cuenta de todas estas variaciones y no requerir una cantidad masiva de datos para calibrar y hacer que funcionara para un nuevo sitio.

Tuvimos varias otras consideraciones para tener en cuenta al construir un sistema de IA que pudiera operar en el “mundo real”. Una más, que fue especialmente importante para nosotros, fue representar los “desconocidos”. Después de todo, sabemos que los sistemas de IA nunca son perfectos, y hay tanta variabilidad en las lesiones cutáneas. Necesitábamos que DermAI supiera lo que no sabía y pudiera entregar esa información cuando estuviera demasiado incierto para hacer una buena clasificación. Es por eso que construimos en el sistema un método para asignar a cada clasificación una puntuación de confianza, y nos aseguramos de diseñarlo de tal manera que estuviera correlacionado con el rendimiento del sistema, la puntuación de confianza más alta, lo más probable es que la clasificación sea correcta. Esto significa que podemos básicamente ajustar el rendimiento del sistema; si la forma en que lo estoy utilizando en mi laboratorio requiere una precisión extremadamente alta, puedo configurar DermAI para entregar clasificaciones con alta confianza solo. Si mi caso de uso es un poco más tolerante al error y prefiero tener más casos clasificados, entonces puedo incluir clasificaciones con confianza más baja también.

DermAI se validó en uno de los estudios más completos de la patología hasta la fecha. ¿Puede resumir el estudio y sus conclusiones clave?

Este fue un estudio de un alcance extremadamente ambicioso. Como mencioné anteriormente, hay una cantidad tremenda de variabilidad en las lesiones cutáneas, lo que se traduce en sus imágenes de patología correspondientes, y queríamos desarrollar un sistema que pudiera clasificar automáticamente cualquier lámina de patología cutánea rutinariamente preparada, de cualquier laboratorio y cualquier escáner. La idea era que los patólogos pudieran utilizarlo para clasificar y triar casos antes de sentarse a hacer un diagnóstico, priorizando los casos en un orden que tenga sentido en lugar del orden aleatorio en que naturalmente llegan y asegurándose de que los casos correctos vayan al patólogo correcto en lugar de tener que ser enviados a otro lugar más tarde. Y nadie había demostrado nada cercano a eso cuando comenzamos a desarrollar esto hace unos años. El sistema que desarrollamos desglosó la tarea de clasificar imágenes en múltiples etapas utilizando una combinación de técnicas de aprendizaje profundo y visión computacional básica, detectando el tejido en la lámina, adaptando la apariencia de la imagen para que estuviera en un espacio familiar para el sistema entrenado, detectando las regiones de interés relevantes y, finalmente, haciendo una clasificación en cuatro categorías diferentes según los patrones presentes en el tejido. La parte importante, sin embargo, fue cómo lo probamos. Mientras que solo entrenamos el sistema con 5,000 imágenes de un solo sitio, lo calibramos y probamos en casi tres veces más imágenes de tres instituciones completamente separadas cuyos datos nuestro sistema nunca había visto. Al hacerlo, demostramos que era posible construir una aplicación de IA para clasificar y triar biopsias cutáneas, que podría funcionar bien en múltiples sitios con una calibración mínima. Dado que los datos que probamos se asemejaban a la carga de trabajo prospectiva de cada uno de estos sitios, podríamos estar seguros de que el rendimiento demostrado aquí sería comparable a lo que veríamos si instaláramos DermAI en un laboratorio. Y porque el sistema es ajustable ajustando el umbral de confianza que mencioné anteriormente, dependiendo del porcentaje de imágenes que clasificamos, podemos ajustarlo hasta una precisión del 98%.

Una de las observaciones en el estudio fue cómo los algoritmos de aprendizaje profundo pueden ser sensibles a artefactos de imagen. ¿Qué son exactamente estos artefactos de imagen en este caso y qué soluciones hay para resolver este problema?

Sí, varios estudios han demostrado la sensibilidad de los sistemas de IA a los artefactos de imagen en la patología, al igual que en cualquier otro campo. Estos son a menudo cosas simples que nuestros cerebros humanos pasan por alto fácilmente, como suciedad en una lámina, cambios sutiles en la iluminación, regiones borrosas de una imagen, tinta de bolígrafo que los patólogos a menudo utilizan para marcar regiones de tumor. Estoy enumerando algunos ejemplos, pero hay muchos más. Los sistemas de IA pueden ser fácilmente engañados por este tipo de problemas si no han sido expuestos adecuadamente a ellos.

Hay realmente dos enfoques para manejar los artefactos de imagen para los sistemas de IA. El primero es la limpieza, asegurándose de que los conjuntos de entrenamiento y prueba estén meticulosamente limpios, ya sea digital o físicamente, para que no haya artefactos presentes. Esto es a veces fácil de hacer para un conjunto de entrenamiento, pero mucho más difícil de hacer consistentemente si se busca instalar un sistema de IA en muchos sitios. Así que tomamos el segundo enfoque, asegurándonos de que este tipo de artefactos estuvieran bien representados en nuestros datos. No limpiamos las láminas antes de que se nos enviaran, así que tenemos mucha representación de algunos de los problemas extraños que podríamos no ver en un conjunto de entrenamiento impecable, pero que ciertamente encontraremos en el mundo real. De esta manera, pudimos asegurarnos de que nuestro sistema estuviera listo cuando se expusiera a estos artefactos en imágenes en las que no se había entrenado.

¿Cómo se están implementando aplicaciones de IA como DermAI en el laboratorio de patología?

Esa es una gran pregunta. Mientras que diferentes laboratorios están tomando diferentes enfoques, creemos que la única forma en que los laboratorios realmente escalarán la adopción de IA es aprovechando una plataforma habilitada para IA. Como describí anteriormente, las operaciones de patología digital de los laboratorios giran en torno a una plataforma que utilizan para ver, administrar y analizar imágenes. La plataforma de Proscia, Concentriq, proporciona toda esta funcionalidad y también sirve como plataforma de lanzamiento para aplicaciones de IA. Creemos que este enfoque hace que sea fácil para los laboratorios implementar IA en la práctica, integrándola sin problemas en su trabajo diario para que puedan aprovecharla a gran escala y realizar su verdadera promesa.

¿Hay algo más que le gustaría compartir sobre Proscia?

Estoy realmente emocionada del trabajo que mi equipo y yo estamos haciendo. La desafortunada realidad de hoy es que todos conocemos a alguien que ha sido impactado por el cáncer y el impacto significativo que tiene en ellos y sus seres queridos. Nuestro trabajo tiene el potencial de mejorar los resultados de los pacientes y realmente marcar una diferencia significativa. Esto es algo de lo que estoy orgullosa de ser parte.

Con ese fin, es genial ver que muchas organizaciones líderes también creen en el trabajo que estamos haciendo. En los últimos meses, el Centro de Patología Conjunta (JPC), que alberga el repositorio más grande del mundo de datos de tejido humano, seleccionó a Proscia para digitalizar este archivo. El JPC tiene varias razones para querer ir digital, incluyendo acelerar el desarrollo de IA. LabPON, el primer laboratorio en el mundo en alcanzar un diagnóstico de patología digital al 100%, también seleccionó recientemente la plataforma de Proscia para escalar sus operaciones de patología y sentar las bases para la implementación de IA. LabPON también colaborará con nosotros en el desarrollo y la validación de nuestros sistemas de IA.

Y, finalmente, reconocemos que no podemos transformar la práctica de la patología solos y estamos creciendo constantemente nuestro equipo. Si está interesado en unirse a nosotros, lo animo a aprender más sobre Proscia y ver nuestros puestos vacantes.