Julianna Ianni, Vice President, Ricerca e Sviluppo AI, Proscia – Serie di Interviste

Julianna Ianni guida lo sviluppo di prodotti computazionali di alta qualità presso Proscia. Proscia sta spingendo i laboratori oltre i limiti degli strumenti tradizionali con la sua piattaforma di patologia digitale Concentriq^® e una pipeline di applicazioni computazionali. Operando al centro del moderno laboratorio digitale, queste tecnologie stanno trasformando l’economia e la pratica della patologia, mettendo il potere della medicina moderna e basata sui dati al lavoro nella lotta contro il cancro.

Potresti condividere la storia di come è nata Proscia?

La patologia si trova al centro della ricerca biomedica e della diagnosi del cancro; eppure, mentre abbiamo visto la digitalizzazione impattare quasi ogni altro aspetto dell’assistenza sanitaria, la patologia è rimasta in gran parte invariata nel corso della sua storia di 150 anni. Si concentra ancora sull’abilità di un patologo di riconoscere schemi nel tessuto sotto il microscopio. Questa pratica è intrinsecamente manuale e soggettiva, due sfide che sono ulteriormente aggravate da una popolazione di patologi in diminuzione e da un carico di cancro in aumento.

Proscia è stata fondata per avanzare questo standard di cura. I nostri fondatori hanno riconosciuto un’opportunità per prendere parte alla lotta contro il cancro guidando il passaggio della patologia dal microscopio alle immagini. Facendo ciò – guidando la patologia digitale in avanti – stiamo abilitando i laboratori a razionalizzare le operazioni, ottenere miglioramenti significativi in termini di qualità e produttività e sbloccare nuove intuizioni non visibili all’occhio umano. Collettivamente, questi benefici stanno aiutando i ricercatori ad accelerare le scoperte e stanno aiutando i patologi a migliorare i risultati per i pazienti di tutto il mondo.

Dal nostro inizio, abbiamo accumulato una base di clienti che include laboratori leader, sistemi sanitari, aziende di scienze della vita e organizzazioni di ricerca. Tra i nostri numerosi clienti aziendali, lavoriamo con la Johns Hopkins University, l’Università della Pennsylvania e 10 delle prime 20 aziende farmaceutiche. Abbiamo anche recentemente annunciato che LabPON, il primo laboratorio al mondo a raggiungere il 100% di diagnosi di patologia digitale, sta passando alla nostra piattaforma software, e il Joint Pathology Center, che ospita il più grande repository di dati di tessuto umano del mondo, sta andando digitalmente con Proscia.

Proscia è un’azienda di patologia digitale e computazionale. Puoi spiegare ai nostri lettori cosa significa?

A un livello alto, la patologia digitale è la pratica di digitalizzare lastre di vetro del microscopio utilizzando uno scanner, che possono quindi essere visualizzate, gestite, condivise e analizzate utilizzando software, comprese applicazioni computazionali che sfruttano l’AI.

Proscia si concentra specificamente sul lato software. Offriamo una piattaforma core chiamata Concentriq, che fornisce tutta la funzionalità aziendale necessaria ai laboratori per eseguire le loro operazioni di patologia di routine. Concentriq serve anche come piattaforma di lancio per le applicazioni AI, compresa una suite di soluzioni che stiamo costruendo.

Ho sottolineato molti dei benefici della patologia digitale abilitata all’AI, compresi il miglioramento dell’efficienza e della produttività e la capacità di sbloccare nuove intuizioni, quindi analizziamo alcuni casi d’uso specifici per vedere come si realizzano. Uno che è particolarmente importante in questo momento è l’abilitazione delle operazioni remote durante il COVID. Mentre i laboratori hanno dovuto adattarsi a nuovi modi di lavorare per accommodare il distanziamento sociale, la patologia digitale ha abilitato i patologi a continuare a lavorare e a servire i pazienti poiché consente loro di condividere facilmente le immagini e visualizzarle su richiesta con una piattaforma come Concentriq. L’alternativa è spesso che i laboratori abbiano lastre di vetro fisiche consegnate a casa dei patologi. Pensate a quanto potrebbe essere dispendioso in termini di tempo!

Più in generale, quando guardiamo a come le soluzioni di patologia digitale e computazionale come quelle fornite da Proscia stanno abilitando i patologi a migliorare la qualità e l’efficienza – sia rendendo più facile condividere le immagini per una seconda opinione o aiutando a eliminare compiti manuali soggetti a errori nel laboratorio – si tratta in definitiva di rendere possibile ai pazienti ricevere la diagnosi corretta più velocemente, e ciò è importante quando consideriamo che il trattamento precoce spesso porta a risultati migliori.

Puoi descrivere come il machine learning viene utilizzato nella patologia oggi? Dove sta andando?

È una grande domanda! Il machine learning ha davvero mostrato promesse in molte aree della patologia. Un caso d’uso comune per il machine learning nella patologia è identificare regioni specifiche in un’immagine in cui il tessuto tumorale è localizzato per attirare l’attenzione del patologo lì. Può anche essere utilizzato per fornire informazioni quantitative sui campioni di tessuto – ad esempio, contando il numero di cellule attivamente in divisione (un comune indicatore di cancro). Alcuni stanno lavorando su problemi di classificazione, come essere in grado di categorizzare immagini in base alla diagnosi o a particolari schemi che rappresentano, e altri stanno lavorando su modi per utilizzare il machine learning per prevedere i risultati dei pazienti o le risposte a specifiche terapie. C’è così tanto lavoro interessante in corso in questo settore!

Ultimamente, nella patologia, la maggior parte di questi casi d’uso del machine learning sono rivolti a risolvere alcuni problemi clinici e di ricerca. Il primo è il problema del volume che ho menzionato in precedenza. C’è un numero crescente di casi da esaminare, e c’è questo problema composto di un numero decrescente di patologi disponibili per eseguire la diagnosi di questi casi. Gran parte del machine learning nella patologia mira a migliorare l’efficienza della diagnosi a livello individuale e di laboratorio. Il secondo grande problema è la qualità della diagnosi e della cura – come possiamo migliorare l’accuratezza diagnostica, come possiamo migliorare la prognosi e come possiamo migliorare i risultati dei pazienti alla fine del giorno?

Per rispondere alla seconda parte della tua domanda, devo distinguere tra ciò che è attualmente alla fase di ricerca e ciò che sta effettivamente accadendo nella pratica clinica. Attualmente, la maggior parte del lavoro nel settore è stato di ricerca, e può essere estremamente difficile tradurre alcune delle scoperte nella pratica clinica. È lì che credo che il machine learning stia andando e debba andare – costruire sistemi e livelli di qualità necessari per effettivamente mettere alcune delle fantastiche ricerche in atto nella pratica, in un modo che mantenga tutte le scoperte fantastiche che stiamo vedendo nell’ambito della ricerca e consegni questi benefici ai laboratori di patologia e, in definitiva, ai loro pazienti. Costruire AI che funziona nel “mondo reale” è e sarà sempre l’approccio di Proscia.

Proscia’s DermAI sfrutta l’apprendimento profondo per pre-selezionare e classificare automaticamente centinaia di varianti di malattie della pelle in categorie pre-diagnostiche. Quali sono state le tue considerazioni chiave nel progettare e sviluppare questa applicazione?

Prima di tutto, abbiamo dovuto considerare cosa stavamo costruendo il sistema per fare. Volevamo che fosse in grado di classificare qualsiasi lesione cutanea, non solo un tipo specifico. E c’è una quantità notevole di variabilità nella patologia della pelle, come hai detto, centinaia di varianti. Quindi, abbiamo dovuto assicurarci di avere tutta questa variabilità ben rappresentata nel nostro set di addestramento. Ciò può essere davvero impegnativo, poiché alcune tipologie di lesioni sono più rare di altre, e può essere difficile costruire un set di dati che abbia abbastanza esempi di alcune di queste patologie più rare per addestrare e assicurarci di avere abbastanza esempi per il nostro modello da imparare.

In secondo luogo, abbiamo realmente dovuto pensare al fatto che non stavamo costruendo qualcosa che doveva funzionare solo in un sito o per immagini scansionate con uno scanner specifico. Stavamo costruendo qualcosa che poteva funzionare su immagini di qualsiasi laboratorio, su qualsiasi scanner. Ci possono essere molte variazioni tra siti e scanner in termini di aspetto dell’immagine – colori, luminosità, artefatti, ecc. Abbiamo dovuto sviluppare un sistema che potesse tenere conto di tutte queste variazioni e non richiedesse una quantità massiccia di dati per calibrare e farlo funzionare per un nuovo sito.

Avevamo diverse altre considerazioni da tenere presente nel costruire un sistema AI che potesse operare nel “mondo reale”. Un’altra, che è stata particolarmente importante per noi, è stata rappresentare gli “sconosciuti”. Dopo tutto, sappiamo che i sistemi AI non sono mai perfetti e c’è così tanta variabilità nelle lesioni cutanee. Abbiamo dovuto fare in modo che DermAI sapesse cosa non sapeva e potesse consegnare quell’informazione quando era troppo incerto per fare una buona classificazione. È per questo che abbiamo costruito nel sistema un metodo per assegnare a ogni classificazione un punteggio di confidenza e abbiamo curato di progettarlo in modo che fosse correlato alle prestazioni del sistema – più alto è il punteggio di confidenza, più probabile che la classificazione sia corretta. Ciò significa che possiamo fondamentalmente regolare le prestazioni del sistema; se il modo in cui sto utilizzando questo nel mio laboratorio richiede un’accuratezza estremamente alta, posso impostare DermAI per consegnare classificazioni ad alta confidenza solo. Se il mio caso d’uso è un po’ più tollerante degli errori e preferisco avere più casi classificati, allora posso includere classificazioni a bassa confidenza anche.

DermAI è stato convalidato in uno degli studi più completi della patologia fino ad oggi. Puoi riassumere lo studio e i suoi principali risultati?

Questo è stato uno studio di portata estremamente ambiziosa. Come ho appena menzionato, c’è una quantità notevole di variabilità nelle lesioni cutanee, che si traduce nelle loro corrispondenti immagini di patologia, e abbiamo voluto sviluppare un sistema che potesse classificare automaticamente qualsiasi diapositiva di patologia cutanea preparata di routine – da qualsiasi laboratorio e qualsiasi scanner. L’idea era che i patologi potessero utilizzarlo per ordinare e triare i casi prima di sedersi per fare una diagnosi – priorizzando i casi in un ordine che abbia senso piuttosto che nell’ordine casuale in cui arrivano naturalmente e assicurandosi che i casi giusti vadano al patologo giusto piuttosto che dover essere inviati da qualche altra parte in seguito. E nessuno aveva dimostrato nulla di simile quando abbiamo iniziato a sviluppare questo alcuni anni fa. Il sistema che abbiamo sviluppato ha suddiviso il compito di classificare le immagini in più fasi utilizzando una combinazione di apprendimento profondo e tecniche di visione computazionale di base – rilevando il tessuto sulla diapositiva, adattando l’aspetto dell’immagine in modo che sia in uno spazio familiare al sistema addestrato, rilevando le aree di interesse rilevanti e, infine, facendo una classificazione in quattro diverse categorie in base agli schemi presenti nel tessuto. La parte importante, però, è stata come l’abbiamo testato. Mentre abbiamo addestrato il sistema solo su 5.000 immagini da un singolo sito, l’abbiamo calibrato e testato su quasi tre volte il numero di immagini da tre istituzioni completamente separate il cui dati il nostro sistema non aveva mai visto. Facendo ciò, abbiamo dimostrato che è possibile costruire un’applicazione AI per ordinare e triare biopsie cutanee, che potesse funzionare bene su più siti con una calibrazione minima. Dal momento che i dati che abbiamo testato mimavano il carico di lavoro prospettico di ciascuno di questi siti, potevamo essere sicuri che le prestazioni dimostrate qui sarebbero state comparabili a quelle che vedremmo se installassimo DermAI in un laboratorio. E poiché il sistema è regolabile regolando la soglia di confidenza che ho menzionato in precedenza, a seconda del numero di immagini che classifichiamo, possiamo regolarlo fino a un’accuratezza del 98%.

Una delle osservazioni nello studio è stata come gli algoritmi di apprendimento profondo possano essere sensibili agli artefatti delle immagini. Cosa sono esattamente questi artefatti delle immagini in questo caso e quali sono alcune soluzioni per risolvere questo problema?

Sì, alcuni studi hanno dimostrato la sensibilità dei sistemi AI agli artefatti delle immagini nella patologia come in qualsiasi altro campo. Questi sono spesso semplici cose che i nostri cervelli umani trascurano facilmente – sporco sulla diapositiva, leggeri cambiamenti nella luce, regioni sfocate di un’immagine, inchiostro della penna che i patologi spesso utilizzano per segnare le aree del tumore. Sto elencando alcuni esempi, ma ce ne sono innumerevoli altri. I sistemi AI possono essere facilmente ingannati da questi tipi di problemi se non sono stati adeguatamente esposti ad essi.

Ci sono davvero due percorsi per gestire gli artefatti delle immagini per i sistemi AI. Il primo è la pulizia – assicurarsi che i dati di addestramento e di test abbiano immagini pulite, sia digitalmente che fisicamente, in modo che non ci siano artefatti presenti. Ciò può essere facile da fare per un set di dati di addestramento, ma molto più difficile da fare in modo coerente se si desidera installare un sistema AI in molti siti. Quindi, abbiamo preso il secondo approccio: assicurarci che questi tipi di artefatti fossero ben rappresentati nei nostri dati. Non abbiamo pulito le diapositive prima che ci venissero inviate, quindi abbiamo una grande rappresentazione di alcuni degli strani problemi che potresti non vedere in un set di addestramento immacolato, ma che sicuramente incontreresti nel mondo reale. In questo modo, abbiamo potuto assicurarci che il nostro sistema fosse pronto quando esposto a questi artefatti in immagini che non aveva visto durante l’addestramento.

Come vengono implementate applicazioni AI come DermAI nel laboratorio di patologia?

È una grande domanda. Mentre diversi laboratori stanno prendendo approcci diversi, crediamo che l’unico modo in cui i laboratori scaleranno l’adozione dell’AI sarà sfruttando una piattaforma abilitata all’AI. Come ho descritto in precedenza, le operazioni di patologia digitale dei laboratori si concentrano su una piattaforma che utilizzano per visualizzare, gestire e analizzare le immagini. La piattaforma di Proscia, Concentriq, fornisce tutta questa funzionalità e serve anche come piattaforma di lancio per le applicazioni AI. Crediamo che questo approccio renda facile per i laboratori distribuire l’AI nella pratica, integrandola in modo trasparente nel loro lavoro quotidiano in modo che possano sfruttarla su larga scala e realizzare la sua vera promessa.

C’è qualcos’altro che ti piacerebbe condividere su Proscia?

Sono davvero entusiasta del lavoro che il mio team e io stiamo facendo. La realtà sfortunata oggi è che tutti conosciamo qualcuno che è stato colpito dal cancro e dall’impatto significativo che ha su di loro e sui loro cari. Il nostro lavoro ha il potenziale per migliorare i risultati dei pazienti e fare una differenza significativa. È qualcosa di cui sono orgogliosa di far parte.

Per questo, è fantastico vedere che molte organizzazioni leader credono nel lavoro che stiamo facendo. Nei mesi scorsi, il Joint Pathology Center (JPC), che ospita il più grande repository di dati di tessuto umano del mondo, ha selezionato Proscia per digitalizzare questo archivio. Il JPC ha diverse ragioni per voler andare digitalmente, compreso l’accelerare lo sviluppo dell’AI. LabPON, il primo laboratorio al mondo a raggiungere il 100% di diagnosi di patologia digitale, ha recentemente selezionato la piattaforma di Proscia per scalare le sue operazioni di patologia e gettare le basi per l’implementazione dell’AI. LabPON collaborerà anche con noi per lo sviluppo e la convalida dei nostri sistemi AI.

E infine, riconosciamo che non possiamo trasformare la pratica della patologia da soli e stiamo costantemente crescendo il nostro team. Se sei interessato a unirti a noi, ti incoraggio a scoprire di più su Proscia e visualizzare i nostri ruoli aperti.