Julianna Ianni, visepresident, AI-forskning og utvikling, Proscia – Intervju-serie

Julianna Ianni leder Proscias AI-forskning og utvikling for å utvikle høykvalitets produkter for komputasjonspatologi. Proscia driver laboratorier forbi grensene for tradisjonelle verktøy med sin Concentriq^® digitale patologiplattform og pipeline av komputasjonsapplikasjoner. Disse teknologiene transformerer økonomien og praksisen for patologi, og setter kraften fra moderne, data-drevet medisin til å arbeide i kampen mot kreft.

Kan du dele historien bak Proscia?

Patologi står i kjernen av biomedisinsk forskning og kreftdiagnose; likevel, mens vi alle har sett digitalisering påvirke nesten alle andre aspekter av helsevesenet, har patologi for det meste forblitt uendret i løpet av sine 150 år. Det handler fortsatt om en patolog som gjenkjenner mønster i vev under mikroskopet. Dette er en manuell og subjektiv praksis, to utfordringer som er ytterligere forverret av en krympende populasjon av patologer og en økende kreftbyrde.

Proscia ble grunnlagt for å fremme denne standarden for omsorg. Våre grunnleggere så en mulighet til å ta på seg kampen mot kreft ved å drive patologiens skifte fra mikroskop til bilder. Ved å gjøre dette – ved å drive digital patologi fremover – muliggjør vi at laboratorier kan strømlinjeforme operasjoner, oppnå meningsfulle forbedringer i kvalitet og produktivitet, og låse opp nye innsikter som ikke er synlige for det menneskelige øyet. Samlet sett hjelper disse fordeler forskere å akselerere gjennombrudd og hjelper patologer til å forbedre resultater for pasienter over hele verden.

Siden våre tidlige dager har vi samlet en kundebase av ledende laboratorier, helsevesen, life sciences-selskaper og forskningsorganisasjoner. Blant våre mange enterprise-kunder samarbeider vi med Johns Hopkins University, University of Pennsylvania og 10 av de topp 20 farmasøytiske selskapene. Vi har også nylig kunngjort at LabPON, det første laboratoriet i verden som har nådd 100% digital patologidiagnose, går over til vår programvareplattform, og Joint Pathology Center, som huset verdens største repository av menneskelige vevdata, går digitalt med Proscia.

Proscia er et digitalt og komputasjonspatologisk selskap. Kan du forklare hva dette betyr for våre lesere?

På et høyt nivå er digital patologi praksisen med å digitalisere glassmikroskopskjærer ved hjelp av en skanner, som kan vises, håndteres, deles og analyseres ved hjelp av programvare, inkludert komputasjonsapplikasjoner som utnytter AI.

Proscia fokuserer spesifikt på programvaresiden av tingene. Vi tilbyr en kjerneplattform kalt Concentriq, som gir all den funksjonaliteten laboratorier trenger for å utføre sine rutinemessige patologiske operasjoner. Concentriq tjener også som en lanseringsrampe for AI-applikasjoner, inkludert en rekke løsninger vi bygger.

Jeg har fremhevet mange av fordelen ved AI-aktivert digital patologi, inkludert å drive effisiens og produktivitetsgevinst og evnen til å låse opp nye innsikter, ovenfor, så la oss dykke ned i noen av de spesifikke bruksområdene for å se hvordan disse spiller ut. En som er særlig aktuelt nå er å muliggjøre fjernoperasjoner under COVID. Mens laboratorier har måttet tilpasse seg nye måter å arbeide på for å imøtekomme sosial distansering, har digital patologi muliggjort at patologer kan fortsette å arbeide og betjene pasienter siden det muliggjør å enkelt dele bilder og vise dem på forespørsel med en plattform som Concentriq. Alternativet er ofte at laboratorier må få fysisk glasskjærer levert til patologers hjem. Tenk på hvor tidkrevende og dyrt dette kan være!

I det store og hele, når vi ser på hvordan digital og komputasjonspatologiske løsninger som de Proscia leverer muliggjør at patologer kan forbedre kvalitet og effisiens – enten ved å gjøre det enklere å dele bilder for en second opinion eller ved å hjelpe til å eliminere feilpregede, manuelle oppgaver i laboratoriet – er det ultimate muliggjører at pasienter kan motta riktig diagnose raskere, og dette er viktig når vi betrakter at tidlig behandling ofte fører til bedre resultater.

Kan du beskrive hvordan maskinlæring brukes i patologi i dag? Hvor er det på vei?

Dette er et stort spørsmål! Maskinlæring har vist stor løfte i en rekke områder i patologi. En vanlig bruksområde for maskinlæring i patologi er å identifisere bestemte regioner i et bilde hvor tumorvev er lokalisert for å trekke en patologs oppmerksomhet dit. Det kan også brukes til å levere kvantitative innsikter om vevsprøver – for eksempel å telle antallet celler som aktivt gjennomgår deling (en vanlig markør for kreft). Noen arbeider også med klassifiseringsproblemer, som å kunne kategorisere bilder basert på diagnose eller bestemte mønster de representerer, og andre arbeider med måter å bruke maskinlæring til å forutsi pasientresultater eller responser på bestemte behandlinger. Det er så mye interessant arbeid i gang i feltet!

Til slutt, i patologi, er de fleste av disse maskinlæringsbruksområdene rettet mot å løse noen overordnede kliniske og forskningsproblemer. Det første er volumproblemet jeg nevnte tidligere. Det er en økende mengde saker å gjennomgå, og det er et komponentproblem med en krympende mengde patologer tilgjengelig for å utføre diagnosen av disse sakene. Mye av maskinlæring i patologi er rettet mot å forbedre effisiensen ved diagnosen på individ- og laboratorienivå. Det andre store problemet er kvaliteten på diagnosen og omsorgen – hvordan kan vi forbedre diagnostisk nøyaktighet, hvordan kan vi forbedre prognosen, og hvordan kan vi forbedre pasientresultater til slutt?

Til å svare på den andre delen av ditt spørsmål, bør jeg skille mellom hva som er på forskningsstadiet i dag, og hva som faktisk skjer i klinisk praksis. For tiden er mye av arbeidet i feltet forskning, og det kan være ekstremt utfordrende å oversette noen av funnene til klinisk praksis. Det er der jeg tror maskinlæring er på vei og må gå – bygge ut systemer og kvalitetsnivået nødvendig for å faktisk sette noen av de fantastiske funnene som gjøres i forskning inn i praksis, på en måte som holder opp til alle de fantastiske funnene vi ser i forskningssettingen og leverer disse fordeler til patologilaboratorier og til slutt deres pasienter. Bygging av AI som fungerer i den “virkelige verden” er og har alltid vært Proscias tilnærming.

Proscias DermAI utnytter dyplæring til å forhåndssortere og automatisk klassifisere hundrevis av varianter av hudsykdommer i for-diagnostiske kategorier. Hva var dine nøkkeloverveielser ved å utforme og utvikle denne applikasjonen?

Først og fremst måtte vi overveie hva vi bygde systemet til å gjøre. Vi ønsket at det skulle kunne klassifisere enhver hudløsning, ikke bare en bestemt type. Og det er ganske mye variasjon i hudpatologi, som du sa, hundrevis av varianter. Så, vi måtte sikre at vi hadde all denne variasjonen godt representert i vår treningssett. Dette kan faktisk være ganske utfordrende, siden noen typer løsninger er sjeldnere enn andre, og det kan være vanskelig å bygge en datasett som har nok eksempler av noen av disse sjeldnere patologier til å trene med og sikre at vi hadde nok eksempler for vår modell til å lære fra.

For det andre måtte vi virkelig tenke på at vi ikke bare bygde noe som trengte å fungere på ett enkelt sted, eller for bilder skannet med en bestemt type skanner. Det var virkelig om å bygge noe som kunne fungere på enhver laboratoriums bilder, på enhver skanner. Det kan være ganske mye variasjon mellom steder og skannere i forhold til bildets utseende – farger, lysstyrke, artefakter osv. Vi måtte utvikle et system som kunne håndtere alle disse variasjonene, og ikke kreve en masse data for å kalibrere og få det til å fungere for et nytt sted.

Vi hadde flere andre overveielser å ta hensyn til ved å bygge et AI-system som kunne operere i den “virkelige verden”. En mer, som var spesielt viktig for oss, var å representere “ukjente”. Etter alt, vi vet at AI-systemer aldri er perfekte, og det er så mye variasjon i hudløsninger. Vi trengte DermAI til å vite hva det ikke visste og å kunne levere den informasjonen når det var for usikkert til å gjøre en god klassifisering. Derfor bygde vi inn i systemet en metode for å tildele hver klassifisering en konfidensscore, og vi tok vare på å designe dette på en måte som ville være korrelert med systemets ytelse – jo høyere konfidensscoren, jo mer sannsynlig at klassifiseringen er korrekt. Dette betyr at vi kan grundig justere systemytelsen; hvis måten jeg bruker dette i mitt laboratorium krever ekstremt høy nøyaktighet, kan jeg sette DermAI til å levere høy-konfidens-klassifiseringer bare. Hvis min brukstilfelle er litt mer tolerant for feil og jeg foretrekker å ha flere saker klassifisert, kan jeg inkludere lav-konfidens-klassifiseringer også.

DermAI ble valideret i en av patologiens mest omfattende studier til dags dato. Kan du sammenfatte studien og dens nøkkelresultater?

Dette var en studie av ekstremt ambisiøs omfang. Som jeg nettopp nevnte, er det en enorm mengde variasjon i hudløsninger, som oversettes til deres respektive patologi-bilder, og vi ønsket å utvikle et system som kunne automatisk klassifisere enhver rutinemessig preparert hudpatologisk skjær – fra enhver laboratorium og enhver skanner. Ideen var at patologer kunne bruke det til å sortere og triere saker før de satte seg ned for å gjøre en diagnose – prioritere saker i en rekkefølge som har mening, snarere enn i den tilfeldige rekkefølgen de naturlig kommer i, og sikre at de riktige sakene går til de riktige patologene, snarere enn å måtte sendes et annet sted senere. Og ingen hadde demonstrert noe nær dette da vi begynte å utvikle dette for noen år siden. Systemet vi utviklet brøt ned oppgaven med å klassifisere bilder i flere stadier ved hjelp av en kombinasjon av dyplæring og grunnleggende datavisteknikker – detektere vev på skjæret, tilpasse bildets utseende så det er i en kjent rom for det trenede systemet, detektere relevante regioner av interesse, og til slutt klassifisere i fire forskjellige kategorier basert på mønsterene til stede i vevet. Det viktige var imidlertid hvordan vi testet det. Mens vi bare trente systemet på 5 000 bilder fra ett enkelt sted, kalibrerte og testet vi det på nesten tre ganger så mange bilder fra tre helt separate institusjoner hvis data vårt system aldri hadde sett. Ved å gjøre dette, viste vi at det var mulig å bygge en AI-applikasjon til å sortere og triere hudbiopsier, som kunne fungere godt på flere steder med minimal kalibrering. Ettersom dataene vi testet på mimet hver av disse steders prospektive arbeidsbyrde, kunne vi være trygge på at ytelsen demonstrert her ville være sammenlignbar med hva vi ville se hvis vi installerte DermAI i et laboratorium. Og ettersom systemet er justerbart ved å justere konfidensgrensen jeg nevnte tidligere, avhengig av hva prosent av bilder vi klassifiserer, kan vi justere det opp til minst 98% nøyaktighet.

En av observasjonene i studien var hvordan dyplæringsalgoritmer kan være følsomme for bildeartefakter. Hva nøyaktig er disse bildeartefaktene i dette tilfellet, og hva er noen løsninger for å løse dette problemet?

Ja, noen studier har demonstrert følsomheten av AI-systemer for bildeartefakter i patologi, som i ethvert annet felt. Disse er ofte enkle ting som våre menneskelige hjerner lett overseer – skitt på en skjær, små endringer i lysstyrke, blurrede regioner av et bilde, pennblekk som patologer ofte bruker til å merke regioner av tumor. Jeg listar noen eksempler, men det er talløse andre. AI-systemer kan lett bli lurt av disse typene problemer hvis de ikke er ordentlig eksponert for dem.

Det er virkelig to måter å håndtere bildeartefakter for AI-systemer. Den første er ved å rense – å sikre at du trener på og tester bilder som har blitt grundig rengjort, enten digitalt eller fysisk, så det ikke er noen artefakter til stede. Dette er noen ganger lett å gjøre for et treningssett, men mye harder å gjøre konsekvent hvis du ser på å installere et AI-system på mange steder. Så, tok vi den andre tilnærmingen: å sikre at disse typene artefakter var godt representert i våre data. Vi hadde ikke skjærer rengjort før de ble sendt til oss, så vi har en god representasjon av noen av de merkelige problemene du kanskje ikke ser i et pristin treningssett, men som du definitivt vil møte i den virkelige verden. Dette gjorde at vi kunne sikre at vårt system var klart når det ble eksponert for disse artefaktene i bilder det ikke var trenet på.

Hvordan implementeres AI-applikasjoner som DermAI i patologilaboratoriet?

Dette er et godt spørsmål. Mens forskjellige laboratorier tar forskjellige tilnærminger, tror vi at den eneste måten laboratorier vil kunne skala AI-adoptsjonen sin er ved å utnytte en AI-aktivert plattform. Som jeg beskrev ovenfor, sentrerer laboratoriets digitale patologiske operasjoner seg rundt en plattform som de bruker for å vise, håndtere, analysere og dele bilder. Proscias plattform, Concentriq, gir all denne funksjonaliteten og tjener også som en lanseringsrampe for AI-applikasjoner. Vi tror at denne tilnærmingen gjør det enkelt for laboratorier å deployere AI i praksis, og å integrere det sømløst i deres daglige arbeid, slik at de kan utnytte det i stor skala og realisere dens sanne løfte.

Er det noe annet du ønsker å dele om Proscia?

Jeg er virkelig spennende på arbeidet mitt og mitt teams. Den uheldige virkeligheten i dag er at vi alle kjenner noen som er berørt av kreft og den betydelige innvirkningen det har på dem og deres kjære. Vårt arbeid har potensialet til å forbedre pasientresultater og virkelig gjøre en meningsfull forskjell. Dette er noe jeg er stolt av å være en del av.

Til den ende, er det flott å se at så mange ledende organisasjoner også tror på arbeidet vi gjør. Over de siste månedene alene har Joint Pathology Center (JPC), som huset verdens største repository av menneskelige vevdata, valgt Proscia til å digitalisere denne arkiven. JPC har flere grunner til å ønske å gå digitalt, inkludert å akselerere utviklingen av AI. LabPON, det første laboratoriet i verden som har nådd 100% digital patologidiagnose, har også nylig valgt Proscias plattform til å skala patologiske operasjoner og legge grunnlaget for å implementere AI. LabPON vil også samarbeide med oss om utviklingen og valideringen av våre AI-systemer. Og til slutt, erkjenner vi at vi ikke kan transformere praksisen for patologi alene og vokser konstant vårt team. Hvis du er interessert i å slutte deg til oss, oppmuntres du til å lære mer om Proscia og se våre åpne stillinger.