Julianna Ianni, Vice President, AI Research & Development, Proscia – Interview Series

Julianna Ianni guida lo sviluppo della R&D di Proscia per sviluppare prodotti di patologia computazionale di alta qualità. Proscia sta spingendo i laboratori oltre i limiti degli strumenti tradizionali con la sua piattaforma di patologia digitale Concentriq^® e 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 centrata sui dati al lavoro nella lotta contro il cancro.

Potresti condividere la storia di genesi di Proscia?

La patologia si trova al centro della ricerca biomedica e della diagnosi del cancro; eppure, mentre abbiamo tutti visto l’impatto della digitalizzazione su quasi ogni altro aspetto dell’assistenza sanitaria, la patologia è rimasta in larga misura invariata nella sua storia di 150 anni. Si concentra ancora sul riconoscimento di pattern nel tessuto sotto il microscopio da parte di un patologo. Questa pratica è intrinsecamente manuale e soggettiva, due sfide che sono ulteriormente aggravate da una popolazione di patologi in diminuzione e da un crescente carico di cancro.

Proscia è stata fondata per avanzare questo standard di cura. I nostri fondatori hanno riconosciuto un’opportunità per affrontare la lotta contro il cancro guidando lo spostamento della patologia dal microscopio alle immagini. Facendo ciò – spingendo 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 informazioni non visibili all’occhio umano. Collettivamente, questi vantaggi stanno aiutando i ricercatori ad accelerare le scoperte e stanno aiutando i patologi a migliorare i risultati per i pazienti in tutto il mondo.

Da quando abbiamo iniziato, abbiamo accumulato una base di clienti costituita da laboratori leader, sistemi sanitari, aziende di biotecnologie e organizzazioni di ricerca. Tra i nostri numerosi clienti aziendali, lavoriamo con la Johns Hopkins University, la University of 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 che 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 livello alto, la patologia digitale è la pratica di digitalizzare lastre di microscopio in vetro utilizzando uno scanner, che possono quindi essere visualizzate, gestite, condivise e analizzate utilizzando software, comprese applicazioni computazionali che sfruttano l’IA.

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 serie di soluzioni che stiamo costruendo.

Ho evidenziato molti dei vantaggi della patologia digitale abilitata all’IA, compresi i guadagni di efficienza e produttività e la capacità di sbloccare nuove informazioni, quindi analizziamo alcuni dei casi d’uso specifici per vedere come si sviluppano. Uno che è particolarmente importante in questo momento è l’abilitazione delle operazioni remote durante il COVID. Poiché i laboratori hanno dovuto adattarsi a nuovi modi di lavorare per garantire il distanziamento sociale, la patologia digitale ha consentito ai patologi di continuare a lavorare e 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 facciano consegnare lastre di vetro fisiche alle case dei patologi. Pensate a quanto possa essere dispendioso e costoso!

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 un secondo parere o aiutando a eliminare compiti manuali soggetti a errori nel laboratorio – sta essenzialmente rendendo possibile ai pazienti ricevere la diagnosi corretta più velocemente, e questo 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 molti settori della patologia. Un caso d’uso comune per il machine learning nella patologia è identificare regioni specifiche in un’immagine in cui è presente tessuto tumorale per attirare l’attenzione del patologo. Può anche essere utilizzato per fornire informazioni quantitative sui campioni di tessuto – ad esempio, contando il numero di cellule attivamente in divisione (un comune marcatore di cancro). Alcuni stanno anche lavorando su problemi di classificazione, come essere in grado di categorizzare le immagini in base alla diagnosi o ai modelli particolari 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 nello spazio!

Alla fine, nella patologia, la maggior parte di questi casi d’uso del machine learning è finalizzata a risolvere alcuni problemi clinici e di ricerca di vasta portata. Il primo è il problema del volume che ho menzionato prima. C’è un numero crescente di casi da esaminare e c’è questo problema composto di una popolazione di patologi in diminuzione disponibile 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 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?

Per rispondere alla seconda parte della tua domanda, devo distinguere tra cosa si trova allo stadio di ricerca oggi e cosa sta effettivamente accadendo nella pratica clinica. Al momento, 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 i sistemi e il livello di qualità necessari per effettivamente mettere alcune delle fantastiche ricerche in atto nella pratica, in un modo che regga tutte le scoperte straordinarie che stiamo vedendo nell’ambito della ricerca e consegnare questi vantaggi ai laboratori di patologia e, in definitiva, ai loro pazienti. Costruire un’IA che funzioni 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 stati i tuoi principali considerazioni nella progettazione e nello sviluppo di questa applicazione?

In primo luogo e soprattutto, 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 notevole 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 effettivamente molto impegnativo, poiché alcuni tipi di lesioni sono più rari di altri 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 apprendere.

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. Era veramente costruire qualcosa che potesse funzionare sulle immagini di qualsiasi laboratorio, su qualsiasi scanner. Ci può essere una notevole variabilità tra i siti e gli 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 richiedere una quantità massiccia di dati per calibrare e farlo funzionare per un nuovo sito.

Abbiamo avuto diverse altre considerazioni da tenere in considerazione nella costruzione di un sistema di IA che potesse operare nel “mondo reale”. Un altro, che è stato particolarmente importante per noi, è stato rappresentare gli “sconosciuti”. Dopo tutto, sappiamo che i sistemi di IA non sono mai perfetti e c’è così tanta variabilità nelle lesioni cutanee. Abbiamo bisogno che DermAI sappia cosa non sa e sia in grado di fornire quelle informazioni quando è 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 fornire 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 confidenza inferiore.

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

Questo è stato uno studio di portata estremamente ambiziosa. Come ho appena menzionato, c’è una notevole 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 a questo quando abbiamo iniziato a svilupparlo 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 regioni di interesse rilevanti e infine effettuando una classificazione in quattro categorie diverse in base ai modelli presenti nel tessuto. La parte importante, tuttavia, è stata come lo abbiamo testato. Mentre abbiamo addestrato il sistema solo su 5.000 immagini da un singolo sito, lo abbiamo calibrato e testato su quasi tre volte il numero di immagini da tre istituzioni completamente separate le cui immagini il nostro sistema non aveva mai visto. Facendo ciò, abbiamo dimostrato che fosse possibile costruire un’applicazione AI per ordinare e triare le biopsie cutanee, che potesse funzionare bene su più siti con una calibrazione minima. Poiché i dati che abbiamo testato imitavano il carico di lavoro prospettico di ciascuno di questi siti, potevamo essere fiduciosi 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 prima, a seconda della percentuale 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 possono 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 di IA 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, lievi cambiamenti nella luce, aree sfocate di un’immagine, inchiostro della penna che i patologi spesso utilizzano per contrassegnare le aree del tumore. Sto elencando alcuni esempi, ma ce ne sono innumerevoli altri. I sistemi di IA possono essere facilmente ingannati da questi tipi di problemi se non sono stati adeguatamente esposti ad essi.

Ci sono due percorsi per gestire gli artefatti delle immagini per i sistemi di IA. Il primo è la pulizia – assicurarsi di addestrare e testare immagini che siano state minuziosamente pulite, sia digitalmente che fisicamente, in modo che non ci siano artefatti presenti. Ciò può essere a volte facile da fare per un set di dati di addestramento, ma molto più difficile da fare costantemente se si desidera installare un sistema di IA in molti siti. Quindi, abbiamo preso l’approccio secondo: assicurarci che questi tipi di artefatti fossero ben rappresentati nei nostri dati. Non abbiamo pulito le lastre prima che ci venissero inviate, quindi abbiamo una grande rappresentazione di alcuni dei problemi strani che potresti non vedere in un set di addestramento perfetto, ma che sicuramente incontrerai 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 addestrato.

Come vengono implementate le applicazioni di IA come DermAI nel laboratorio di patologia?

È una grande domanda. Mentre diversi laboratori stanno adottando approcci diversi, crediamo che l’unico modo in cui i laboratori adotteranno realmente l’IA su larga scala sarà sfruttando una piattaforma abilitata all’IA. Come ho descritto sopra, le operazioni di patologia digitale dei laboratori ruotano attorno a 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’IA nella pratica, integrandola senza problemi 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 triste realtà 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 veramente significativa. È qualcosa di cui vado fiero di far parte.

A questo proposito, è fantastico vedere che così tante 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 diversi motivi per voler andare digitalmente, tra cui accelerare lo sviluppo dell’IA. 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’IA. LabPON collaborerà anche con noi per lo sviluppo e la convalida dei nostri sistemi di IA.

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.