Julianna Ianni, Vice-présidente, Recherche et développement en IA, Proscia – Série d’entretiens

Julianna Ianni dirige la R&D en IA de Proscia pour développer des produits de pathologie computationnelle de haute qualité. Proscia pousse les laboratoires au-delà des limites des outils traditionnels avec sa plateforme de pathologie numérique Concentriq^® et son pipeline d’applications computationnelles. Opérant au cœur du laboratoire numérique moderne, ces technologies transforment l’économie et la pratique de la pathologie, mettant le pouvoir de la médecine moderne et axée sur les données au service de la lutte contre le cancer.

Pouvez-vous partager l’histoire de la création de Proscia ?

La pathologie est au cœur de la recherche biomédicale et du diagnostic du cancer ; cependant, alors que nous avons tous vu la numérisation avoir un impact sur presque tous les autres aspects des soins de santé, la pathologie est restée largement inchangée au cours de ses 150 ans d’histoire. Elle tourne toujours autour d’un pathologiste qui reconnaît des modèles dans les tissus sous le microscope. Cette pratique est inhérentement manuelle et subjective, deux défis qui sont encore aggravés par une population de pathologistes en déclin et une charge croissante de cancer.

Proscia a été fondée pour faire progresser ce standard de soins. Nos fondateurs ont reconnu une opportunité de prendre part à la lutte contre le cancer en faisant évoluer la pathologie du microscope à l’image. En faisant cela – en faisant progresser la pathologie numérique – nous permettons aux laboratoires de rationaliser leurs opérations, d’obtenir des améliorations significatives de la qualité et de la productivité, et de débloquer de nouvelles connaissances invisibles à l’œil nu. Collectivement, ces avantages aident les chercheurs à accélérer les percées et les pathologistes à améliorer les résultats pour les patients du monde entier.

Depuis nos débuts, nous avons constitué une base de clients composée de laboratoires de pointe, de systèmes de santé, d’entreprises de sciences de la vie et d’organisations de recherche. Parmi nos nombreux clients d’entreprise, nous travaillons avec l’Université Johns-Hopkins, l’Université de Pennsylvanie et 10 des 20 premières entreprises pharmaceutiques. Nous avons également récemment annoncé que LabPON, le premier laboratoire au monde à atteindre 100 % de diagnostic de pathologie numérique, passe à notre plateforme logicielle, et que le Joint Pathology Center, qui abrite la plus grande base de données de tissus humains au monde, se numérise avec Proscia.

Proscia est une entreprise de pathologie numérique et computationnelle. Pouvez-vous expliquer à nos lecteurs ce que cela signifie ?

À un niveau élevé, la pathologie numérique est la pratique de la numérisation de lames de microscope en verre à l’aide d’un scanner, qui peuvent ensuite être visualisées, gérées, partagées et analysées à l’aide de logiciels, y compris des applications computationnelles utilisant l’IA.

Proscia se concentre spécifiquement sur le côté logiciel. Nous proposons une plateforme de base appelée Concentriq, qui fournit toutes les fonctionnalités d’entreprise dont les laboratoires ont besoin pour effectuer leurs opérations de pathologie de routine. Concentriq sert également de tremplin pour les applications d’IA, y compris une suite de solutions que nous développons.

J’ai souligné de nombreux avantages de la pathologie numérique basée sur l’IA, notamment la conduite de gains d’efficacité et de productivité et la capacité de débloquer de nouvelles connaissances, ci-dessus, donc plongeons dans certains cas d’utilisation spécifiques pour voir comment cela se concrétise. L’un qui est particulièrement présent à l’esprit en ce moment est la possibilité d’assurer des opérations à distance pendant la COVID. Alors que les laboratoires ont dû s’adapter à de nouvelles façons de travailler pour respecter la distanciation sociale, la pathologie numérique a permis aux pathologistes de continuer à travailler et de servir les patients, car elle leur permet de partager facilement des images et de les visualiser à la demande avec une plateforme comme Concentriq. L’alternative consiste souvent pour les laboratoires à faire livrer des lames de verre physiques aux maisons des pathologistes. Pensez à combien de temps cela peut prendre et à quel point cela peut être coûteux !

De manière plus générale, lorsque nous regardons comment les solutions de pathologie numérique et computationnelle, telles que celles que Proscia propose, permettent aux pathologistes d’améliorer la qualité et l’efficacité – que ce soit en facilitant le partage d’images pour une seconde opinion ou en aidant à éliminer les tâches manuelles sujettes à erreurs dans le laboratoire – cela rend finalement possible pour les patients de recevoir le bon diagnostic plus rapidement, et cela est important lorsqu’on considère que le traitement précoce conduit souvent à de meilleurs résultats.

Pouvez-vous décrire comment l’apprentissage automatique est utilisé en pathologie aujourd’hui ? Où va-t-il ?

C’est une grande question ! L’apprentissage automatique a vraiment montré son potentiel dans de nombreux domaines de la pathologie. Un cas d’utilisation courant de l’apprentissage automatique en pathologie est d’identifier des régions spécifiques dans une image où le tissu tumoral est situé pour attirer l’attention d’un pathologiste. Il peut également être utilisé pour fournir des informations quantitatives sur les échantillons de tissus – par exemple, compter le nombre de cellules en division active (un marqueur courant du cancer). Certains travaillent également sur des problèmes de classification, comme la capacité de catégoriser des images en fonction du diagnostic ou des modèles particuliers qu’elles représentent, et d’autres travaillent sur des moyens d’utiliser l’apprentissage automatique pour prédire les résultats des patients ou les réponses à des thérapies spécifiques. Il y a tellement de travail intéressant en cours dans ce domaine !

En fin de compte, en pathologie, la plupart de ces cas d’utilisation d’apprentissage automatique visent à résoudre quelques problèmes cliniques et de recherche majeurs. Le premier est le problème de volume que j’ai mentionné plus tôt. Il y a un nombre croissant de cas à examiner, et il y a ce problème aggravant d’une diminution du nombre de pathologistes disponibles pour effectuer le diagnostic de ces cas. La plupart des cas d’utilisation de l’apprentissage automatique en pathologie visent à améliorer l’efficacité du diagnostic au niveau individuel et du laboratoire. Le deuxième problème majeur est la qualité du diagnostic et des soins – comment pouvons-nous améliorer l’exactitude diagnostique, comment pouvons-nous améliorer la pronostic et comment pouvons-nous améliorer les résultats des patients à la fin de la journée ?

Pour répondre à la deuxième partie de votre question, je devrais distinguer entre ce qui se fait actuellement dans la recherche et ce qui se passe réellement dans la pratique clinique. Actuellement, la plupart des travaux dans le domaine ont été menés dans la recherche, et il peut être extrêmement difficile de traduire certaines des découvertes en pratique clinique. C’est là que je pense que l’apprentissage automatique va et doit aller – en construisant les systèmes et le niveau de qualité nécessaires pour vraiment mettre certaines des fantastiques recherches en pratique, d’une manière qui correspond à toutes les découvertes incroyables que nous voyons dans le cadre de la recherche et en livrant ces avantages aux laboratoires de pathologie et, en fin de compte, à leurs patients. Construire une IA qui fonctionne dans le « monde réel » est et a toujours été l’approche de Proscia.

Proscia’s DermAI utilise l’apprentissage profond pour pré-sélectionner et classer automatiquement des centaines de variants de maladies de la peau en catégories pré-diagnostiques. Quelles étaient vos principales considérations lors de la conception et du développement de cette application ?

Tout d’abord et avant tout, nous devions considérer ce que nous construisions le système pour faire. Nous voulions qu’il puisse classer toute lésion cutanée, et non seulement un type spécifique. Et il y a une grande variabilité dans la pathologie de la peau, comme vous l’avez dit, des centaines de variants. Nous devions donc nous assurer que nous avions toute cette variabilité bien représentée dans notre ensemble de formation. Cela peut être assez difficile, car certains types de lésions sont plus rares que d’autres, et il peut être difficile de construire un ensemble de données qui ait suffisamment d’exemples de certaines de ces pathologies rares pour former et nous assurer que nous avions suffisamment d’exemples pour que notre modèle apprenne.

Deuxièmement, nous devions vraiment réfléchir au fait que nous ne construisions pas quelque chose qui devait fonctionner sur un seul site, ou pour des images scannées avec un type de scanner particulier. C’était vraiment à propos de la construction de quelque chose qui pourrait fonctionner sur les images de n’importe quel laboratoire, sur n’importe quel scanner. Il peut y avoir une grande variabilité entre les sites et les scanners en termes d’apparence de l’image – couleurs, luminosité, artefacts, etc. Nous devions développer un système qui puisse tenir compte de toutes ces variations, et ne pas nécessiter une énorme quantité de données pour le calibrer et le faire fonctionner pour un nouveau site.

Nous avions plusieurs autres considérations à prendre en compte lors de la construction d’un système d’IA qui pourrait fonctionner dans le « monde réel ». L’une d’elles, qui était particulièrement importante pour nous, était la représentation des « inconnues ». Après tout, nous savons que les systèmes d’IA ne sont jamais parfaits, et il y a tellement de variabilité dans les lésions cutanées. Nous avions besoin que DermAI sache ce qu’il ne savait pas et puisse livrer cette information lorsqu’il était trop incertain pour faire une bonne classification. C’est pourquoi nous avons intégré au système une méthode pour attribuer une note de confiance à chaque classification, et nous nous sommes assurés de concevoir cela de telle sorte qu’il soit corrélé avec les performances du système – plus la note de confiance est élevée, plus la classification est susceptible d’être correcte. Cela signifie que nous pouvons essentiellement ajuster les performances du système ; si la façon dont je l’utilise dans mon laboratoire nécessite une exactitude extrêmement élevée, je peux configurer DermAI pour livrer des classifications à haute confiance uniquement. Si mon cas d’utilisation est un peu plus tolérant aux erreurs et que je préfère avoir plus de cas classés, alors je peux inclure des classifications à confiance plus faible.

DermAI a été validé dans l’une des études les plus complètes à ce jour en pathologie. Pouvez-vous résumer l’étude et ses principales conclusions ?

C’était une étude d’une portée extrêmement ambitieuse. Comme je viens de le mentionner, il y a une énorme variabilité dans les lésions cutanées, ce qui se traduit par leur correspondance en images de pathologie, et nous voulions développer un système qui puisse classer automatiquement n’importe quelle lame de microscope cutanée préparée de routine – à partir de n’importe quel laboratoire et n’importe quel scanner. L’idée était que les pathologistes puissent l’utiliser pour trier et trier les cas avant de s’asseoir pour faire un diagnostic – en les classant dans un ordre qui a du sens plutôt que dans l’ordre aléatoire dans lequel ils arrivent naturellement et en s’assurant que les bons cas vont au bon pathologiste plutôt que d’avoir à les envoyer ailleurs plus tard. Et personne n’avait démontré quoi que ce soit de similaire lorsque nous avons commencé à développer cela il y a quelques années. Le système que nous avons développé a divisé la tâche de classification d’images en plusieurs étapes en utilisant une combinaison d’apprentissage profond et de techniques de vision par ordinateur de base – en détectant les tissus sur la lame, en adaptant l’apparence de l’image de telle sorte qu’elle soit dans un espace familier pour le système formé, en détectant les régions d’intérêt pertinentes et, enfin, en faisant une classification en quatre catégories différentes en fonction des modèles présents dans les tissus. La partie importante, cependant, était la façon dont nous l’avons testé. Alors que nous n’avions formé le système que sur 5 000 images d’un seul site, nous l’avons calibré et testé sur presque trois fois plus d’images de trois institutions entièrement distinctes dont les données notre système n’avait jamais vues. En faisant cela, nous avons montré qu’il était possible de construire une application d’IA pour trier et trier les biopsies cutanées, qui pourrait fonctionner sur plusieurs sites avec une calibration minimale. Puisque les données que nous avons testées imitaient le travail prospectif de chacun de ces sites, nous pouvions être confiants que les performances démontrées ici seraient comparables à ce que nous verrions si nous devions installer DermAI dans un laboratoire. Et parce que le système est réglable en ajustant le seuil de confiance que j’ai mentionné plus tôt, en fonction du pourcentage d’images que nous classons, nous pouvons le régler pour atteindre au moins 98 % de précision.

L’une des observations de l’étude était que les algorithmes d’apprentissage profond peuvent être sensibles aux artefacts d’image. Quels sont exactement ces artefacts d’image dans ce cas et quelles sont certaines solutions pour résoudre ce problème ?

Oui, plusieurs études ont démontré la sensibilité des systèmes d’IA aux artefacts d’image en pathologie comme dans tout autre domaine. Ce sont souvent de simples choses que nos cerveaux humains négligent facilement – de la saleté sur une lame, de légères modifications de l’éclairage, des régions floues d’une image, de l’encre de stylo que les pathologistes utilisent souvent pour marquer des régions de tumeur. Je cite quelques exemples, mais il y en a de nombreux autres. Les systèmes d’IA peuvent être facilement trompés par ces types de problèmes s’ils n’ont pas été correctement exposés à ceux-ci.

Il existe vraiment deux voies pour gérer les artefacts d’image pour les systèmes d’IA. La première consiste à nettoyer – à s’assurer que les images que vous formez et testez ont été soigneusement nettoyées, soit numériquement soit physiquement, de telle sorte qu’il n’y ait pas d’artefacts présents. Cela peut être parfois facile à faire pour un ensemble de formation, mais beaucoup plus difficile à faire de manière cohérente si vous cherchez à installer un système d’IA sur de nombreux sites. Nous avons donc pris la deuxième approche : nous nous sommes assurés que ces types d’artefacts étaient bien représentés dans nos données. Nous n’avons pas nettoyé les lames avant de les envoyer, nous avons donc une grande représentation de certains des problèmes étranges que vous pourriez ne pas voir dans un ensemble de formation immaculé, mais que vous rencontrerez certainement éventuellement dans le monde réel. De cette façon, nous pouvons nous assurer que notre système est prêt lorsqu’il est exposé à ces artefacts dans les images sur lesquelles il n’a pas été formé.

Comment les applications d’IA comme DermAI sont-elles mises en œuvre dans les laboratoires de pathologie ?

C’est une excellente question. Alors que différents laboratoires adoptent différentes approches, nous croyons que la seule façon dont les laboratoires adopteront vraiment l’IA à grande échelle est en utilisant une plateforme d’IA. Comme je l’ai décrit plus haut, les opérations de pathologie numérique des laboratoires tournent autour d’une plateforme qu’ils utilisent pour visualiser, gérer et analyser les images. La plateforme de Proscia, Concentriq, fournit toutes ces fonctionnalités et sert également de tremplin pour les applications d’IA. Nous croyons que cette approche facilite le déploiement de l’IA dans la pratique, en l’intégrant sans heurt dans leur travail quotidien afin qu’ils puissent l’utiliser à grande échelle et réaliser sa véritable promesse.

Y a-t-il autre chose que vous aimeriez partager sur Proscia ?

Je suis vraiment enthousiaste à l’idée du travail que mon équipe et moi effectuons. La réalité malheureuse aujourd’hui est que nous savons tous quelqu’un qui a été touché par le cancer et l’impact significatif qu’il a sur lui et ses proches. Notre travail a le potentiel d’améliorer les résultats des patients et de faire une différence réellement significative. C’est quelque chose dont je suis fier de faire partie.

À cette fin, c’est formidable de voir que de nombreuses organisations de premier plan croient également en le travail que nous faisons. Au cours des derniers mois, le Joint Pathology Center (JPC), qui abrite la plus grande base de données de tissus humains au monde, a sélectionné Proscia pour numériser cet archive. Le JPC a plusieurs raisons pour vouloir passer au numérique, notamment pour accélérer le développement de l’IA. LabPON, le premier laboratoire au monde à atteindre 100 % de diagnostic de pathologie numérique, a également récemment sélectionné la plateforme de Proscia pour développer ses opérations de pathologie et poser les fondations pour la mise en œuvre de l’IA. LabPON collaborera également avec nous sur le développement et la validation de nos systèmes d’IA.

Et enfin, nous reconnaissons que nous ne pouvons pas transformer la pratique de la pathologie seuls et nous développons constamment notre équipe. Si vous êtes intéressé pour nous rejoindre, je vous encourage à en savoir plus sur Proscia et à consulter nos offres d’emploi.