Julianna Ianni, Wakil Presiden, Penelitian & Pengembangan AI, Proscia – Seri Wawancara

Julianna Ianni memimpin penelitian dan pengembangan AI Proscia untuk mengembangkan produk patologi komputasi berkualitas tinggi. Proscia mendorong laboratorium melewati batas alat tradisional dengan platform patologi digital Concentriq^® dan pipa aplikasi komputasi. Beroperasi di pusat laboratorium digital modern, teknologi ini mengubah ekonomi dan praktik patologi, memanfaatkan kekuatan obat modern yang berbasis data dalam melawan kanker.

Apakah Anda dapat membagikan cerita asal di balik Proscia?

Patologi berada di inti penelitian biomedis dan diagnosis kanker; namun, sementara kita semua telah melihat dampak digitalisasi hampir setiap aspek perawatan kesehatan, patologi tetap relatif tidak berubah selama 150 tahun terakhir. Ini masih berpusat pada seorang ahli patologi yang mengenali pola dalam jaringan di bawah mikroskop. Praktik ini secara inheren manual dan subjektif, dua tantangan yang diperburuk oleh penurunan populasi ahli patologi dan beban kanker yang meningkat.

Proscia didirikan untuk meningkatkan standar perawatan ini. Pendiri kami mengenali kesempatan untuk mengambil peran dalam melawan kanker dengan mendorong pergeseran patologi dari mikroskop ke gambar. Dengan melakukan hal ini – mendorong patologi digital ke depan – kami memungkinkan laboratorium untuk merampingkan operasi, mencapai perbaikan bermakna dalam kualitas dan produktivitas, dan membuka wawasan baru yang tidak terlihat oleh mata manusia. Secara kolektif, manfaat ini membantu peneliti untuk mempercepat terobosan dan membantu ahli patologi untuk meningkatkan hasil untuk pasien di seluruh dunia.

Sejak hari-hari awal kami, kami telah mengumpulkan basis pelanggan laboratorium terkemuka, sistem kesehatan, perusahaan ilmu hayati, dan organisasi penelitian. Di antara banyak pelanggan perusahaan kami, kami bekerja sama dengan Universitas Johns Hopkins, Universitas Pennsylvania, dan 10 dari 20 perusahaan farmasi teratas. Kami juga baru-baru ini mengumumkan bahwa LabPON, laboratorium pertama di dunia yang mencapai 100% diagnosis patologi digital, beralih ke platform perangkat lunak kami, dan Pusat Patologi Gabungan, yang menyimpan repositori data jaringan manusia terbesar di dunia, beralih ke digital dengan Proscia.

Proscia adalah perusahaan patologi digital dan komputasi. Apakah Anda dapat menjelaskan kepada pembaca kami apa yang dimaksud dengan ini?

Pada tingkat yang lebih tinggi, patologi digital adalah praktik digitalisasi slide mikroskop kaca menggunakan pemindai, yang kemudian dapat dilihat, dikelola, dibagikan, dan dianalisis menggunakan perangkat lunak, termasuk aplikasi komputasi yang menggunakan AI.

Proscia secara khusus fokus pada sisi perangkat lunak. Kami menawarkan platform inti, yang disebut Concentriq, yang menyediakan semua fungsionalitas perusahaan yang laboratorium butuhkan untuk melakukan operasi patologi rutin. Concentriq juga berfungsi sebagai peluncur untuk aplikasi AI, termasuk suite solusi yang kami sedang bangun.

Saya menyoroti banyak manfaat patologi digital yang ditenagai AI, termasuk mendorong efisiensi dan peningkatan produktivitas dan kemampuan untuk membuka wawasan baru, di atas, jadi mari kita turun ke beberapa kasus penggunaan khusus untuk melihat bagaimana hal ini bermain. Salah satu yang paling penting saat ini adalah memungkinkan operasi jarak jauh selama COVID. Ketika laboratorium harus menyesuaikan diri dengan cara kerja baru untuk mengakomodasi jarak sosial, patologi digital memungkinkan ahli patologi untuk terus bekerja dan melayani pasien karena memungkinkan mereka untuk dengan mudah berbagi gambar dan melihatnya secara langsung dengan platform seperti Concentriq. Alternatifnya seringkali laboratorium harus mengirim slide kaca fisik ke rumah ahli patologi. Bayangkan betapa waktu dan biayanya!

Lebih umum, ketika kita melihat bagaimana solusi patologi digital dan komputasi seperti yang disampaikan Proscia memungkinkan ahli patologi untuk meningkatkan kualitas dan efisiensi – apakah dengan membuatnya lebih mudah untuk berbagi gambar untuk pendapat kedua atau dengan membantu menghilangkan tugas manual yang rentan kesalahan di laboratorium – pada akhirnya memungkinkan pasien untuk menerima diagnosis yang tepat lebih cepat, dan ini penting ketika kita mempertimbangkan bahwa perawatan dini seringkali mengarah pada hasil yang lebih baik.

Apakah Anda dapat menjelaskan bagaimana pembelajaran mesin digunakan dalam patologi saat ini? Ke mana hal ini menuju?

Itu adalah pertanyaan besar! Pembelajaran mesin telah menunjukkan janji dalam beberapa area di patologi. Salah satu kasus penggunaan umum untuk pembelajaran mesin dalam patologi adalah untuk mengidentifikasi area spesifik dalam gambar di mana jaringan tumor terletak untuk menarik perhatian ahli patologi ke sana. Ini juga dapat digunakan untuk memberikan wawasan kuantitatif tentang sampel jaringan – misalnya, menghitung jumlah sel yang aktif mengalami pembagian (penanda kanker yang umum). Beberapa juga bekerja pada masalah klasifikasi, seperti dapat mengklasifikasikan gambar berdasarkan diagnosis atau pola tertentu yang mereka wakili, dan masih banyak lagi yang bekerja pada cara menggunakan pembelajaran mesin untuk memprediksi hasil pasien atau respons terhadap terapi tertentu. Ada banyak pekerjaan menarik yang dilakukan di ruang ini!

Ultimamente, dalam patologi, sebagian besar kasus penggunaan pembelajaran mesin ini bertujuan untuk memecahkan beberapa masalah klinis dan penelitian utama. Yang pertama adalah masalah volume. Ada jumlah kasus yang meningkat untuk ditinjau, dan ada masalah yang diperburuk oleh jumlah ahli patologi yang menurun yang tersedia untuk melakukan diagnosis kasus tersebut. Sebagian besar pembelajaran mesin dalam patologi bertujuan untuk meningkatkan efisiensi diagnosis pada tingkat individu dan laboratorium. Yang kedua adalah kualitas diagnosis dan perawatan – bagaimana kita dapat meningkatkan akurasi diagnostik, bagaimana kita dapat meningkatkan prognosis, dan bagaimana kita dapat meningkatkan hasil pasien pada akhirnya?

Untuk menjawab bagian kedua dari pertanyaan Anda, saya harus membedakan antara apa yang ada di tahap penelitian saat ini dan apa yang sebenarnya terjadi dalam praktik klinis. Saat ini, sebagian besar pekerjaan di bidang ini telah menjadi penelitian, dan sangat menantang untuk menerjemahkan beberapa temuan ke dalam praktik klinis. Itulah di mana saya pikir pembelajaran mesin menuju dan perlu menuju – membangun sistem dan tingkat kualitas yang diperlukan untuk benar-benar menerapkan beberapa penelitian luar biasa yang dilakukan ke dalam praktik, dengan cara yang mempertahankan semua temuan luar biasa yang kita lihat di pengaturan penelitian dan memberikan manfaat ini kepada laboratorium patologi dan akhirnya pasien mereka. Membangun AI yang bekerja di “dunia nyata” adalah dan selalu menjadi pendekatan Proscia.

Proscia’s DermAI menggunakan pembelajaran dalam untuk melakukan pemeriksaan awal dan mengklasifikasikan ratusan varian penyakit kulit ke dalam kategori pra-diagnostik. Apa yang menjadi pertimbangan utama Anda dalam merancang dan mengembangkan aplikasi ini?

Pertama dan terutama, kami harus mempertimbangkan apa yang kami bangun sistem untuk dilakukan. Kami ingin itu dapat mengklasifikasikan setiap lesi kulit, bukan hanya jenis tertentu. Dan ada banyak variasi dalam patologi kulit, seperti yang Anda katakan, ratusan varian. Jadi, kami perlu memastikan bahwa kami memiliki semua variasi ini yang terwakili dengan baik dalam set pelatihan kami. Ini bisa sangat menantang, karena beberapa jenis lesi lebih jarang daripada yang lain, dan bisa sulit untuk membangun dataset yang memiliki cukup contoh dari beberapa patologi yang lebih jarang ini untuk dilatih dan memastikan bahwa kami memiliki cukup contoh untuk model kami untuk belajar dari.

Kedua, kami benar-benar harus mempertimbangkan fakta bahwa kami tidak hanya membangun sesuatu yang perlu bekerja di satu situs, atau untuk gambar yang dipindai dengan jenis pemindai tertentu. Ini benar-benar tentang membangun sesuatu yang dapat bekerja pada gambar laboratorium mana pun, pada pemindai mana pun. Ada banyak variasi antara situs dan pemindai dalam hal penampilan gambar – warna, kecerahan, artefak, dll. Kami harus mengembangkan sistem yang dapat memperhitungkan semua variasi ini, dan tidak memerlukan jumlah data yang besar untuk kalibrasi dan membuatnya bekerja untuk situs baru.

Kami memiliki beberapa pertimbangan lain untuk diperhitungkan dalam membangun sistem AI yang dapat beroperasi di “dunia nyata.” Satu lagi, yang sangat penting bagi kami, adalah mewakili “tidak diketahui.” Setelah semua, kami tahu bahwa sistem AI tidak pernah sempurna, dan ada banyak variasi dalam lesi kulit. Kami perlu DermAI untuk mengetahui apa yang tidak diketahui dan dapat memberikan informasi tersebut ketika terlalu tidak pasti untuk membuat klasifikasi yang baik. Itulah mengapa kami membangun metode ke dalam sistem untuk menetapkan skor kepercayaan untuk setiap klasifikasi, dan kami berhati-hati untuk merancang ini dengan cara yang akan berkorelasi dengan kinerja sistem – semakin tinggi skor kepercayaan, semakin mungkin bahwa klasifikasi itu benar. Ini berarti kami dapat menyetel kinerja sistem; jika cara saya menggunakan ini di laboratorium saya memerlukan akurasi yang sangat tinggi, saya dapat menyetel DermAI untuk memberikan klasifikasi dengan kepercayaan tinggi saja. Jika kasus penggunaan saya sedikit lebih toleran terhadap kesalahan dan saya lebih suka memiliki lebih banyak kasus yang diklasifikasikan, maka saya dapat menyertakan klasifikasi dengan kepercayaan yang lebih rendah juga.

DermAI divalidasi dalam salah satu studi patologi yang paling komprehensif hingga saat ini. Apakah Anda dapat merangkum studi dan temuan utamanya?

Ini adalah studi dengan skala yang sangat ambisius. Seperti yang saya sebutkan sebelumnya, ada banyak variasi dalam lesi kulit, yang diterjemahkan ke dalam gambar patologi yang sesuai, dan kami ingin mengembangkan sistem yang dapat mengklasifikasikan secara otomatis setiap slide patologi kulit yang dipersiapkan secara rutin – dari laboratorium mana pun dan pemindai mana pun. Ideanya adalah bahwa ahli patologi dapat menggunakannya untuk mengatur dan triase kasus sebelum mereka duduk untuk membuat diagnosis – mengutamakan kasus dalam urutan yang masuk akal daripada urutan acak alami mereka dan memastikan kasus yang tepat pergi ke ahli patologi yang tepat daripada harus dikirim ke tempat lain nanti. Dan tidak ada yang telah mendemonstrasikan sesuatu yang mendekati ini ketika kami mulai mengembangkan ini beberapa tahun yang lalu. Sistem yang kami kembangkan memecah tugas mengklasifikasikan gambar menjadi beberapa tahap menggunakan kombinasi pembelajaran dalam dan teknik visi komputer dasar – mendeteksi jaringan pada slide, menyesuaikan penampilan gambar sehingga berada dalam ruang yang akrab bagi sistem yang dilatih, mendeteksi area yang relevan, dan akhirnya membuat klasifikasi ke dalam empat kategori berdasarkan pola yang ada dalam jaringan. Bagian pentingnya, bagaimanapun, adalah bagaimana kami mengujinya. Sementara kami hanya melatih sistem pada 5.000 gambar dari satu situs, kami mengkalibrasi dan mengujinya pada hampir tiga kali lipat gambar dari tiga institusi terpisah yang data sistem kami belum pernah lihat. Dengan melakukan ini, kami menunjukkan bahwa memungkinkan untuk membangun aplikasi AI untuk mengatur dan triase biopsi kulit, yang dapat berfungsi dengan baik di beberapa situs dengan kalibrasi minimal. Karena data yang kami uji membangun pekerjaan prospektif setiap situs ini, kami dapat yakin bahwa kinerja yang ditunjukkan di sini akan setara dengan apa yang akan kami lihat jika kami menginstal DermAI di laboratorium. Dan karena sistem ini dapat disesuaikan dengan menyesuaikan ambang kepercayaan yang saya sebutkan sebelumnya, tergantung pada persentase gambar yang kami klasifikasikan, kami dapat menyetelnya hingga setidaknya 98% akurasi.

Salah satu pengamatan dalam studi adalah bagaimana algoritma pembelajaran dalam dapat sensitif terhadap artefak gambar. Apa tepatnya artefak gambar dalam kasus ini dan apa solusi untuk memecahkan masalah ini?

Ya, beberapa studi telah menunjukkan sensitivitas sistem AI terhadap artefak gambar dalam patologi seperti di bidang lain. Ini seringkali hal-hal sederhana yang otak manusia dengan mudah mengabaikan – kotoran pada slide, perubahan kecil dalam pencahayaan, area yang buram dari gambar, tinta pena yang ahli patologi sering gunakan untuk menandai area tumor. Saya menyebutkan beberapa contoh, tetapi ada banyak lainnya. Sistem AI dapat dengan mudah tertipu oleh masalah ini jika mereka belum secara tepat terpapar pada mereka.

Ada dua cara untuk menangani artefak gambar untuk sistem AI. Yang pertama adalah dengan membersihkan – memastikan bahwa Anda melatih dan menguji gambar yang telah dibersihkan, baik secara digital atau fisik, sehingga tidak ada artefak yang hadir. Ini kadang-kadang mudah dilakukan untuk dataset pelatihan, tetapi jauh lebih sulit untuk dilakukan secara konsisten jika Anda ingin menginstal sistem AI di banyak situs. Jadi, kami mengambil pendekatan kedua: memastikan bahwa jenis artefak ini telah terwakili dengan baik dalam data kami. Kami tidak memiliki slide yang dibersihkan sebelum dikirim kepada kami, sehingga kami memiliki banyak representasi dari beberapa masalah aneh yang mungkin tidak Anda lihat dalam dataset pelatihan yang rapi, tetapi yang pasti akan Anda temukan di dunia nyata. Dengan cara ini, kami dapat memastikan bahwa sistem kami siap ketika terpapar pada artefak ini dalam gambar yang tidak dilatih.

Bagaimana aplikasi AI seperti DermAI diimplementasikan dalam laboratorium patologi?

Itu adalah pertanyaan yang sangat baik. Sementara laboratorium yang berbeda mengambil pendekatan yang berbeda, kami percaya bahwa satu-satunya cara laboratorium akan benar-benar menskala adopsi AI adalah dengan memanfaatkan platform AI yang diaktifkan. Seperti yang saya jelaskan di atas, operasi patologi digital laboratorium berpusat pada platform yang mereka gunakan untuk melihat, mengelola, dan menganalisis gambar. Platform Proscia, Concentriq, menyediakan semua fungsionalitas ini dan juga berfungsi sebagai peluncur untuk aplikasi AI. Kami percaya bahwa pendekatan ini membuatnya mudah bagi laboratorium untuk mengirimkan AI dalam praktik, mengintegrasikan secara mulus ke dalam pekerjaan sehari-hari mereka sehingga mereka dapat memanfaatkan skala dan menyadari janji sebenarnya.

Apakah ada yang lain yang ingin Anda bagikan tentang Proscia?

Saya sangat bersemangat tentang pekerjaan yang saya dan tim saya lakukan. Kenyataan yang tidak mengenakkan saat ini adalah bahwa kita semua tahu seseorang yang telah terkena dampak kanker dan dampak signifikan yang dimilikinya terhadap mereka dan orang yang mereka cintai. Pekerjaan kami memiliki potensi untuk meningkatkan hasil pasien dan benar-benar membuat perbedaan yang berarti. Ini adalah sesuatu yang saya bangga untuk menjadi bagian darinya.

Untuk itu, sangat menyenangkan melihat bahwa banyak organisasi terkemuka juga percaya pada pekerjaan yang kami lakukan. Selama beberapa bulan terakhir saja, Pusat Patologi Gabungan (JPC), yang menyimpan repositori data jaringan manusia terbesar di dunia, memilih Proscia untuk mendigitalkan arsip ini. JPC memiliki beberapa alasan untuk ingin pergi digital, termasuk mempercepat pengembangan AI. LabPON, laboratorium pertama di dunia yang mencapai 100% diagnosis patologi digital, juga baru-baru ini memilih platform Proscia untuk menskala operasi patologi dan meletakkan dasar untuk mengimplementasikan AI. LabPON juga akan berkolaborasi dengan kami dalam pengembangan dan validasi sistem AI kami.

Dan akhirnya, kami menyadari bahwa kami tidak dapat mengubah praktik patologi sendirian dan terus tumbuh dalam tim kami. Jika Anda tertarik untuk bergabung dengan kami, saya sarankan Anda untuk mempelajari lebih lanjut tentang Proscia dan melihat lowongan kerja kami.