Julianna Ianni, Wiceprezes, Badania i Rozwój AI, Proscia – Seria Wywiadów

Julianna Ianni kieruje zespołem badawczo-rozwojowym AI w Proscia, zajmującym się tworzeniem wysokiej jakości produktów patologii komputeryjnej. Proscia przekracza granice tradycyjnych narzędzi w laboratoriach, wykorzystując platformę cyfrowej patologii Concentriq^® oraz pipeline aplikacji komputeryjnych. Działając w centrum nowoczesnego laboratorium cyfrowego, te technologie transformują ekonomikę i praktykę patologii, wykorzystując możliwości nowoczesnej, opartej na danych medycyny w walce z rakiem.

Czy mogłabyś podzielić się historią powstania Proscia?

Patologia jest podstawą badań biomedycznych i diagnostyki raka; jednak, podczas gdy wszyscy widzieliśmy, jak cyfryzacja wpłynęła na niemal każdy inny aspekt opieki zdrowotnej, patologia pozostała w dużej mierze niezmieniona przez swoją 150-letnią historię. Nadal opiera się na tym, że patolog rozpoznaje wzorce w tkance pod mikroskopem. Ta praktyka jest niezmiennie ręczna i subiektywna, co powoduje dwa wyzwania, które są dodatkowo nasilone przez malejącą liczbę patologów i rosnące obciążenie rakiem.

Proscia została założona, aby przyczynić się do rozwoju tej normy opieki. Nasi założyciele rozpoznali możliwość podjęcia walki z rakiem, prowadząc transformację patologii z mikroskopu do obrazu. Dzięki temu – prowadząc patologię cyfrową do przodu – umożliwiamy laboratoriom usprawnienie operacji, osiągnięcie znaczących popraw w jakości i wydajności, oraz odblokowanie nowych spostrzeżeń niewidocznych dla ludzkiego oka. Wszystkie te korzyści pomagają badaczom przyspieszyć przełomy i pomagają patologom poprawić wyniki dla pacjentów na całym świecie.

Od naszych wczesnych dni, zgromadziliśmy bazę klientów wiodących laboratoriów, systemów opieki zdrowotnej, firm z branży life sciences oraz organizacji badawczych. Wśród wielu klientów korporacyjnych, współpracujemy z Uniwersytetem Johnsa Hopkinsa, Uniwersytetem Pensylwanii oraz 10 z 20 najlepszych firm farmaceutycznych. Ogłosiliśmy również, że LabPON, pierwsze laboratorium na świecie, które osiągnęło 100% diagnostykę patologiczną cyfrową, przechodzi na naszą platformę oprogramowania, a Joint Pathology Center, które posiada największy na świecie zbiór danych tkankowych ludzkich, cyfryzuje się z Proscia.

Proscia jest firmą zajmującą się patologią cyfrową i komputeryjną. Czy możesz wyjaśnić naszym czytelnikom, co to oznacza?

Na wysokim poziomie, patologia cyfrowa jest praktyką cyfryzacji szklanych szkieł mikroskopowych przy użyciu skanera, które mogą być następnie wyświetlane, zarządzane, udostępniane i analizowane za pomocą oprogramowania, w tym aplikacji komputeryjnych wykorzystujących AI.

Proscia koncentruje się szczególnie na stronie oprogramowania. Oferujemy platformę podstawową, zwana Concentriq, która zapewnia wszystkie funkcjonalności przedsiębiorstwa, których laboratoria potrzebują do prowadzenia rutynowych operacji patologicznych. Concentriq służy również jako platforma startowa dla aplikacji AI, w tym pakietu rozwiązań, które budujemy.

Podkreśliłem wiele korzyści wynikających z patologii cyfrowej z użyciem AI, w tym poprawę wydajności i produktywności oraz możliwość odblokowania nowych spostrzeżeń, powyżej, więc przejdźmy do niektórych konkretnych przypadków użycia, aby zobaczyć, jak to się odbywa. Jednym z nich, które są szczególnie ważne teraz, jest umożliwienie pracy zdalnej podczas COVID. Ponieważ laboratoria musiały dostosować się do nowych sposobów pracy, aby uwzględnić dystans społeczny, patologia cyfrowa umożliwiła patologom kontynuowanie pracy i obsługę pacjentów, ponieważ umożliwia im łatwe udostępnianie obrazów i ich wyświetlanie na żądanie za pomocą platformy takiej jak Concentriq. Alternatywą jest często dla laboratoriów wysyłanie szklanych szkieł do domów patologów. Pomyśl, jak czasochłonne i kosztowne może to być!

Ogólnie, gdy spoglądamy na to, jak rozwiązania patologii cyfrowej i komputeryjnej, takie jak te dostarczane przez Proscia, umożliwiają patologom poprawę jakości i wydajności – czy to przez ułatwienie udostępniania obrazów do konsultacji, czy przez pomoc w wyeliminowaniu błędnych, ręcznych zadań w laboratorium – ostatecznie umożliwia pacjentom otrzymanie prawidłowej diagnozy szybciej, co jest ważne, gdyż wczesne leczenie często prowadzi do lepszych wyników.

Czy możesz opisać, jak maszyna ucząca się jest wykorzystywana w patologii dzisiaj? Gdzie się to zmierza?

To duże pytanie! Maszyna ucząca się wykazała obietnicę w wielu obszarach patologii. Jednym z powszechnych przypadków użycia maszyny uczącej się w patologii jest identyfikacja konkretnych obszarów w obrazie, w którym znajduje się tkanka nowotworowa, aby zwrócić uwagę patologa. Może być również wykorzystywana do dostarczania ilościowych spostrzeżeń na temat próbek tkanek – na przykład, liczenia liczby komórek aktywnie przechodzących podział (powszechny marker raka). Niektórzy pracują również nad problemami klasyfikacji, takimi jak klasyfikacja obrazów na podstawie diagnozy lub konkretnych wzorców, które reprezentują, a inni pracują nad sposobami wykorzystania maszyny uczącej się do przewidywania wyników pacjentów lub reakcji na określone terapie. Jest tak wiele interesujących prac w tym obszarze!

Ostatecznie, w patologii, większość tych przypadków użycia maszyny uczącej się jest skierowana na rozwiązanie kilku głównych problemów klinicznych i badawczych. Pierwszym jest problem objętości, o którym wspomniałem wcześniej. Jest coraz więcej przypadków do przeanalizowania, a jest to powiązane z malejącą liczbą patologów dostępnych do wykonania diagnozy tych przypadków. Większość maszyny uczącej się w patologii ma na celu poprawę wydajności diagnozy na poziomie indywidualnym i laboratoryjnym. Drugim głównym problemem jest jakość diagnozy i opieki – jak możemy poprawić dokładność diagnostyczną, jak możemy poprawić rokowanie, a jak możemy poprawić wyniki pacjentów na końcu?

Aby odpowiedzieć na drugą część Twojego pytania, powinienem odróżnić to, co jest na etapie badań dzisiaj, a co się dzieje w praktyce klinicznej. Obecnie większość prac w tej dziedzinie była badawcza, a może być niezwykle trudno przetłumaczyć niektóre z tych odkryć na praktykę kliniczną. To, gdzie myślę, że maszyna ucząca się idzie i musi iść – budowanie systemów i poziomu jakości potrzebnego do wprowadzenia niektórych fantastycznych badań w praktyce, w sposób, który utrzymuje się wobec wszystkich wspaniałych odkryć, które widzimy w środowisku badawczym, i dostarczania tych korzyści laboratoriom patologicznym i ostatecznie ich pacjentom. Budowanie AI, które działa w “świecie rzeczywistym”, jest i zawsze było podejściem Proscia.

Proscia’s DermAI wykorzystuje głębokie uczenie, aby wstępnie wyklasyfikować i automatycznie zaklasyfikować setki wariantów chorób skóry do kategorii przed-diagnostycznych. Jakie były Twoje główne rozważania przy projektowaniu i tworzeniu tej aplikacji?

Po pierwsze i przede wszystkim, musieliśmy rozważyć, do czego budowaliśmy ten system. Chcieliśmy, aby mógł klasyfikować każdą zmianę skórną, a nie tylko konkretny typ. I jest naprawdę wiele zmienności w patologii skóry, jak powiedziałeś, setki wariantów. Więc musieliśmy upewnić się, że mamy dobrą reprezentację tej zmienności w naszym zestawie szkoleniowym. To może być naprawdę wyzwaniem, ponieważ niektóre typy zmian są rzadsze niż inne, a może być trudno zbudować zestaw danych, który ma wystarczająco wiele przykładów niektórych z tych rzadszych patologii, aby nasz model mógł się uczyć.

Po drugie, musieliśmy naprawdę pomyśleć o tym, że nie budowaliśmy czegoś, co musi działać tylko w jednym miejscu, lub dla obrazów zeskanowanych przy użyciu konkretnego typu skanera. To było naprawdę o budowaniu czegoś, co mogłoby działać na obrazach dowolnego laboratorium, na dowolnym skanerze. Może być wiele zmienności między miejscami i skanerami, jeśli chodzi o wygląd obrazu – kolory, jasność, artefakty itp. Musieliśmy zbudować system, który mógłby uwzględnić wszystkie te zmienności i nie wymagałby ogromnej ilości danych do kalibrowania i uruchomienia go w nowym miejscu.

Mieliśmy kilka innych rozważań, które musieliśmy uwzględnić przy budowaniu systemu AI, który mógłby działać w “świecie rzeczywistym”. Jednym z nich, które było szczególnie ważne dla nas, było reprezentowanie “nieznanych”. Po wszystkim, wiemy, że systemy AI są nigdy nieidealne, a jest tak wiele zmienności w zmianach skórnych. Musieliśmy, aby DermAI wiedział, co nie wie i mógł dostarczyć tę informację, gdy był zbyt niepewny, aby podjąć dobrą klasyfikację. Dlatego zbudowaliśmy w systemie metodę przypisania każdej klasyfikacji wyniku ufności, i zadbaliśmy o to, aby go zaprojektować w taki sposób, aby był skorelowany z wynikami systemu – im wyższy wynik ufności, tym bardziej prawdopodobne, że klasyfikacja jest poprawna. To oznacza, że możemy podstawowo dostosować wyniki systemu; jeśli sposób, w jaki używam go w moim laboratorium, wymaga niezwykle wysokiej dokładności, mogę ustawić DermAI, aby dostarczał klasyfikacje o wysokim poziomie ufności tylko. Jeśli mój przypadek użycia jest nieco bardziej tolerancyjny dla błędów i wolę mieć więcej przypadków sklasyfikowanych, mogę uwzględnić klasyfikacje o niższym poziomie ufności.

DermAI został zwalidowany w jednym z najbardziej kompleksowych badań w patologii do tej pory. Czy możesz podsumować badanie i jego główne wnioski?

To było badanie o niezwykle ambitnym zakresie. Jak wspomniałem, jest ogromna zmienność w zmianach skórnych, co przekłada się na ich odpowiednie obrazy patologiczne, i chcieliśmy zbudować system, który mógłby automatycznie klasyfikować każdą rutynowo przygotowaną szklankę patologiczną – z dowolnego laboratorium i dowolnego skanera. Pomysł był taki, że patolodzy mogliby go wykorzystać do sortowania i triażu przypadków przed rozpoczęciem diagnozy – priorytetem przypadków w kolejności, która ma sens, a nie w losowej kolejności, w jakiej naturalnie przychodzą, i upewnieniem się, że odpowiednie przypadki trafiają do odpowiednich patologów, a nie muszą być wysłane gdzie indziej później. I nikt nie wykazał niczego nawet zbliżonego do tego, kiedy zaczynaliśmy rozwijać to kilka lat temu. System, który zbudowaliśmy, rozbił zadanie klasyfikacji obrazów na wiele etapów, wykorzystując połączenie głębokiego uczenia i podstawowych technik widzenia komputeryjnego – wykrywania tkanki na szkle, adaptacji wyglądu obrazu, aby był on w znanym przestrzeni dla wytrenowanego systemu, wykrywania odpowiednich obszarów zainteresowania i ostatecznie klasyfikacji do czterech różnych kategorii na podstawie wzorców obecnych w tkance. Ważną częścią było jednak to, jak to przetestowaliśmy. Podczas gdy tylko wytrenowaliśmy system na 5 000 obrazach z jednego miejsca, skalibrowaliśmy i przetestowaliśmy go na niemal trzykrotnie więcej obrazów z trzech całkowicie oddzielnych instytucji, których dane nasz system nigdy wcześniej nie widział. Dzięki temu pokazaliśmy, że można zbudować aplikację AI do sortowania i triażu biopsji skórnych, która mogłaby działać dobrze w wielu miejscach z minimalną kalibracją. Ponieważ dane, które przetestowaliśmy, naśladowały pracę każdego z tych miejsc, mogliśmy być pewni, że wyniki, które tutaj pokazaliśmy, byłyby porównywalne z tym, co byśmy zobaczyli, gdybyśmy zainstalowali DermAI w laboratorium. I ponieważ system jest dostosowywalny przez dostosowanie progu ufności, w zależności od tego, jaki procent obrazów klasyfikujemy, możemy go dostosować do co najmniej 98% dokładności.

Jednym z obserwacji w badaniu było to, jak algorytmy głębokiego uczenia mogą być wrażliwe na artefakty obrazu. Co dokładnie są te artefakty obrazu w tym przypadku i jakie są rozwiązania, aby rozwiązać ten problem?

Tak, kilka badań wykazało wrażliwość systemów AI na artefakty obrazu w patologii, jak i w każdej innej dziedzinie. Są to często proste rzeczy, które nasz ludzki mózg łatwo pomija – brud na szkle, niewielkie zmiany oświetlenia, rozmyte obszary obrazu, atrament, którym patolodzy często używają do oznaczania obszarów nowotworu. Wyliczam kilka przykładów, ale jest ich niezliczenie wiele. Systemy AI mogą być łatwo oszukane przez tego rodzaju problemy, jeśli nie zostały odpowiednio narażone na nie.

Istnieją dwa sposoby radzenia sobie z artefaktami obrazu dla systemów AI. Pierwszy to czyszczenie – upewnienie się, że dane szkoleniowe i testowe są starannie oczyszczone, albo cyfrowo, albo fizycznie, aby nie było artefaktów. To może być czasem łatwe do zrobienia dla zestawu danych szkoleniowych, ale znacznie trudniejsze do zrobienia konsekwentnie, jeśli chcesz zainstalować system AI w wielu miejscach. Więc wybraliśmy drugie podejście: upewnienie się, że tego rodzaju artefakty są dobrze reprezentowane w naszych danych. Nie mieliśmy szkieł oczyszczonych przed wysłaniem ich do nas, więc mamy wiele reprezentacji niektórych dziwnych problemów, które możemy nie zobaczyć w idealnym zestawie danych szkoleniowych, ale które na pewno napotkamy w świecie rzeczywistym. Dzięki temu mogliśmy upewnić się, że nasz system jest gotowy, gdy zostanie narażony na te artefakty w obrazach, na których nie został wytrenowany.

Jak aplikacje AI, takie jak DermAI, są wdrażane w laboratoriach patologicznych?

To jest świetne pytanie. Podczas gdy różne laboratoria podejmują różne podejścia, uważamy, że jedynym sposobem, w jaki laboratoria będą mogły naprawdę skalować swoje wdrożenie AI, jest wykorzystanie platformy z obsługą AI. Jak opisałem powyżej, operacje patologiczne laboratoriów cyfrowych koncentrują się wokół platformy, którą używają do wyświetlania, zarządzania i analizy obrazów. Platforma Proscia, Concentriq, zapewnia wszystkie te funkcjonalności i służy również jako platforma startowa dla aplikacji AI. Uważamy, że to podejście ułatwia laboratoriom wdrożenie AI w praktyce, bezproblemowo integrując ją z ich codzienną pracą, aby mogły wykorzystać ją na dużą skalę i zrealizować jej prawdziwą obietnicę.

Czy jest coś jeszcze, co chciałabyś podzielić o Proscia?

Jestem naprawdę podekscytowana pracą, którą moja drużyna i ja wykonujemy. Niestety, wszyscy wiemy kogoś, kto został dotknięty rakiem i znaczący wpływ, jaki ma to na nich i ich bliskich. Nasza praca ma potencjał poprawić wyniki pacjentów i naprawdę zrobić znaczącą różnicę. To coś, z czego jestem dumna, że jestem częścią.

W tym celu jest wspaniale widzieć, że wiele wiodących organizacji również wierzy w pracę, którą wykonujemy. W ciągu ostatnich kilku miesięcy, Joint Pathology Center (JPC), które posiada największy na świecie zbiór danych tkankowych ludzkich, wybrało Proscia do cyfryzacji tego archiwum. JPC ma kilka powodów, aby chcieć iść cyfrowo, w tym przyspieszenie rozwoju AI. LabPON, pierwsze laboratorium na świecie, które osiągnęło 100% diagnostykę patologiczną cyfrową, również wybrało platformę Proscia, aby skalować swoje operacje patologiczne i położyć podwaliny pod wdrożenie AI. LabPON będzie również współpracować z nami przy rozwoju i walidacji naszych systemów AI.

I wreszcie, rozpoznajemy, że nie możemy sami przekształcić praktyki patologii i stale rozwijamy nasz zespół. Jeśli jesteś zainteresowany dołączeniem do nas, zachęcam do dowiedzenia się więcej o Proscia i zobaczenia naszych otwartych stanowisk.