Julianna Ianni, Vice-Presidente, Pesquisa e Desenvolvimento de IA, Proscia – Série de Entrevistas

Julianna Ianni lidera o desenvolvimento de produtos de patologia computacional de alta qualidade na Proscia. Proscia está impulsionando os laboratórios além dos limites das ferramentas tradicionais com sua plataforma de patologia digital Concentriq^® e pipeline de aplicações computacionais. Operando no centro do laboratório digital moderno, essas tecnologias estão transformando a economia e a prática da patologia, colocando o poder da medicina baseada em dados modernos para trabalhar na luta contra o câncer.

Poderia compartilhar a história por trás da Proscia?

A patologia está no centro da pesquisa biomédica e do diagnóstico de câncer; no entanto, enquanto todos vimos a digitalização impactar quase todos os outros aspectos da saúde, a patologia permaneceu largamente inalterada ao longo de sua história de 150 anos. Ela ainda gira em torno de um patologista reconhecendo padrões em tecidos sob o microscópio. Essa prática é intrinsicamente manual e subjetiva, dois desafios que são ainda mais agravados por uma população de patologistas em declínio e uma carga crescente de câncer.

A Proscia foi fundada para avançar esse padrão de cuidado. Nossos fundadores reconheceram uma oportunidade de enfrentar a luta contra o câncer, impulsionando a mudança da patologia do microscópio para imagens. Ao fazer isso – impulsionando a patologia digital para frente – estamos habilitando laboratórios a racionalizar operações, alcançar melhorias significativas em qualidade e produtividade e desbloquear novas percepções não vistas pelo olho humano. Coletivamente, esses benefícios estão ajudando pesquisadores a acelerar avanços e ajudando patologistas a melhorar os resultados para pacientes em todo o mundo.

Desde os nossos primeiros dias, reunimos uma base de clientes de laboratórios líderes, sistemas de saúde, empresas de ciências da vida e organizações de pesquisa. Entre nossos muitos clientes empresariais, trabalhamos com a Universidade Johns Hopkins, a Universidade da Pensilvânia e 10 das 20 principais empresas farmacêuticas. Também anunciamos recentemente que o LabPON, o primeiro laboratório do mundo a alcançar 100% de diagnóstico de patologia digital, está migrando para nossa plataforma de software, e o Joint Pathology Center, que abriga o maior repositório de dados de tecidos humanos do mundo, está se tornando digital com a Proscia.

A Proscia é uma empresa de patologia digital e computacional. Pode explicar o que isso significa para nossos leitores?

Em alto nível, a patologia digital é a prática de digitalizar lâminas de microscópio de vidro usando um scanner, que pode então ser visualizada, gerenciada, compartilhada e analisada usando software, incluindo aplicações computacionais que utilizam IA.

A Proscia se concentra especificamente no lado do software. Oferecemos uma plataforma central, chamada Concentriq, que fornece toda a funcionalidade empresarial que os laboratórios precisam para realizar suas operações de patologia rotineiras. O Concentriq também serve como uma plataforma de lançamento para aplicações de IA, incluindo uma suíte de soluções que estamos construindo.

Destaquei muitos dos benefícios da patologia digital habilitada por IA, incluindo a condução de ganhos de eficiência e produtividade e a capacidade de desbloquear novas percepções, acima, então vamos mergulhar em alguns casos de uso específicos para ver como eles se desenrolam. Um que está especialmente em mente agora é habilitar operações remotas durante a COVID. À medida que os laboratórios tiveram que se adaptar a novas formas de trabalhar para acomodar o distanciamento social, a patologia digital permitiu que os patologistas continuassem trabalhando e servissem aos pacientes, pois permite que eles compartilhem facilmente imagens e as visualizem sob demanda com uma plataforma como o Concentriq. A alternativa é frequentemente para os laboratórios terem lâminas de vidro físicas entregues às casas dos patologistas. Pense em quão demorado e caro isso pode ser!

Mais genericamente, quando olhamos para como soluções de patologia digital e computacional, como as entregues pela Proscia, estão habilitando os patologistas a melhorar a qualidade e a eficiência – seja tornando mais fácil compartilhar imagens para uma segunda opinião ou ajudando a eliminar tarefas manuais propensas a erros no laboratório – isso está tornando possível para os pacientes receberem o diagnóstico correto mais rapidamente, e isso é importante quando consideramos que o tratamento precoce frequentemente leva a melhores resultados.

Pode descrever como a aprendizagem de máquina está sendo usada na patologia hoje? Para onde está indo?

Essa é uma grande pergunta! A aprendizagem de máquina mostrou promessa em várias áreas da patologia. Um caso de uso comum para a aprendizagem de máquina na patologia é identificar regiões específicas em uma imagem onde o tecido tumoral está localizado para chamar a atenção do patologista para lá. Ela também pode ser usada para fornecer insights quantitativos sobre amostras de tecido – por exemplo, contando o número de células ativamente se dividindo (um marcador comum de câncer). Alguns também estão trabalhando em problemas de classificação, como ser capaz de categorizar imagens com base no diagnóstico ou padrões específicos que elas representam, e ainda outros estão trabalhando em maneiras de usar a aprendizagem de máquina para prever os resultados dos pacientes ou respostas a terapias específicas. Há muito trabalho interessante sendo feito nesse espaço!

Em última análise, na patologia, a maioria desses casos de uso de aprendizagem de máquina visa resolver alguns problemas clínicos e de pesquisa. O primeiro é o problema de volume que mencionei anteriormente. Há um número crescente de casos para revisar, e há esse problema composto de uma população de patologistas em declínio disponível para realizar o diagnóstico desses casos. Muito da aprendizagem de máquina na patologia visa melhorar a eficiência do diagnóstico no nível individual e laboratorial. O segundo grande problema é a qualidade do diagnóstico e do cuidado – como podemos melhorar a precisão do diagnóstico, como podemos melhorar a previsão e como podemos melhorar os resultados dos pacientes no final do dia?

Para responder à segunda parte da sua pergunta, devo distinguir entre o que está no estágio de pesquisa hoje e o que está realmente acontecendo na prática clínica. Atualmente, a maioria do trabalho nesse campo tem sido pesquisa, e pode ser extremamente desafiador traduzir alguns dos achados para a prática clínica. É onde acho que a aprendizagem de máquina está indo e precisa ir – construindo os sistemas e o nível de qualidade necessário para realmente colocar algumas das pesquisas incríveis que estão sendo feitas em prática, de uma maneira que mantenha todos os achados incríveis que estamos vendo no ambiente de pesquisa e entregue esses benefícios aos laboratórios de patologia e, em última análise, aos seus pacientes. Construir IA que funcione no “mundo real” é e sempre foi a abordagem da Proscia.

A DermAI da Proscia utiliza aprendizado profundo para pré-selecionar e classificar automaticamente centenas de variantes de doenças de pele em categorias pré-diagnósticas. Quais foram suas principais considerações ao projetar e desenvolver essa aplicação?

Em primeiro lugar, tivemos que considerar o que estávamos construindo o sistema para fazer. Queríamos que ele pudesse classificar qualquer lesão de pele, não apenas um tipo específico. E há uma grande variabilidade na patologia da pele, como você disse, centenas de variantes. Então, precisávamos garantir que tivéssemos toda essa variabilidade bem representada em nosso conjunto de treinamento. Isso pode ser realmente desafiador, pois alguns tipos de lesões são mais raros do que outros, e pode ser difícil construir um conjunto de dados que tenha exemplos suficientes dessas lesões mais raras para treinar e garantir que tivéssemos exemplos suficientes para nosso modelo aprender.

Em segundo lugar, realmente tivemos que pensar no fato de que não estávamos apenas construindo algo que precisava funcionar em um único local, ou para imagens digitalizadas com um tipo específico de scanner. Era realmente sobre construir algo que pudesse funcionar em imagens de qualquer laboratório, em qualquer scanner. Pode haver uma grande variabilidade entre os sites e os scanners em termos de aparência da imagem – cores, claridade, artefatos, etc. Tivemos que desenvolver um sistema que pudesse levar em conta todas essas variações e não exigir uma quantidade massiva de dados para calibrar e fazer com que funcionasse para um novo site.

Tivemos várias outras considerações para levar em conta ao construir um sistema de IA que pudesse operar no “mundo real”. Uma delas, que foi especialmente importante para nós, foi representar os “desconhecidos”. Após tudo, sabemos que os sistemas de IA nunca são perfeitos, e há tanta variabilidade em lesões de pele. Precisávamos que a DermAI soubesse o que não sabia e pudesse entregar essa informação quando estivesse muito incerto para fazer uma boa classificação. É por isso que construímos no sistema um método para atribuir uma pontuação de confiança a cada classificação, e tivemos o cuidado de projetá-lo de uma maneira que estaria correlacionado com o desempenho do sistema – quanto maior a pontuação de confiança, mais provável que a classificação seja correta. Isso significa que podemos basicamente ajustar o desempenho do sistema; se a forma como estou usando isso no meu laboratório exige precisão extremamente alta, posso configurar a DermAI para entregar classificações de alta confiança apenas. Se meu caso de uso é um pouco mais tolerante a erros e prefiro ter mais casos classificados, então posso incluir classificações de confiança mais baixa também.

A DermAI foi validada em um dos estudos mais abrangentes da patologia até o momento. Pode resumir o estudo e seus principais pontos?

Esse foi um estudo de escopo extremamente ambicioso. Como mencionei anteriormente, há uma tremenda quantidade de variabilidade em lesões de pele, que se traduz em suas imagens de patologia correspondentes, e queríamos desenvolver um sistema que pudesse classificar automaticamente qualquer lâmina de patologia de pele rotineiramente preparada – de qualquer laboratório e qualquer scanner. A ideia era que os patologistas pudessem usá-lo para classificar e triar casos antes de se sentarem para fazer um diagnóstico – priorizando casos em uma ordem que faz sentido, em vez da ordem aleatória em que eles naturalmente chegam, e garantindo que os casos certos sejam para os patologistas certos, em vez de terem que ser enviados em outro lugar mais tarde. E ninguém havia demonstrado nada próximo disso quando começamos a desenvolver isso há alguns anos. O sistema que desenvolvemos quebrou a tarefa de classificar imagens em várias etapas usando uma combinação de aprendizado profundo e técnicas básicas de visão computacional – detectando o tecido na lâmina, adaptando a aparência da imagem para que esteja em um espaço familiar para o sistema treinado, detectando as regiões de interesse relevantes e, finalmente, fazendo uma classificação em quatro categorias diferentes com base nos padrões presentes no tecido. A parte importante, no entanto, foi como o testamos. Embora tenhamos treinado o sistema em 5.000 imagens de um único site, calibramos e testamos em quase três vezes mais imagens de três instituições completamente separadas cujos dados nosso sistema nunca havia visto. Ao fazer isso, demonstramos que é possível construir uma aplicação de IA para classificar e triar biópsias de pele, que pode funcionar bem em vários sites com calibração mínima. Desde que os dados que testamos imitam a carga de trabalho prospectiva de cada um desses sites, podemos ter certeza de que o desempenho demonstrado aqui seria comparável ao que veríamos se instalássemos a DermAI em um laboratório. E porque o sistema é ajustável, ajustando o limiar de confiança que mencionei anteriormente, dependendo do percentual de imagens que classificamos, podemos ajustá-lo para uma precisão de pelo menos 98%.

Uma das observações no estudo foi como os algoritmos de aprendizado profundo podem ser sensíveis a artefatos de imagem. O que exatamente são esses artefatos de imagem nesse caso e quais são algumas soluções para resolver esse problema?

Sim, vários estudos demonstraram a sensibilidade dos sistemas de IA a artefatos de imagem na patologia, como em qualquer outro campo. Esses são frequentemente coisas simples que nossos cérebros humanos superam facilmente – sujeira em uma lâmina, ligeiras alterações na iluminação, regiões borrosas de uma imagem, tinta de caneta que os patologistas frequentemente usam para marcar regiões de tumor. Estou listando alguns exemplos, mas há inúmeros outros. Os sistemas de IA podem ser facilmente enganados por esses tipos de problemas se não foram adequadamente expostos a eles.

Há realmente duas rotas para lidar com artefatos de imagem para sistemas de IA. A primeira é a limpeza – garantir que você está treinando e testando imagens que foram meticulosamente limpas, seja digital ou fisicamente, para que não haja artefatos presentes. Isso é às vezes fácil de fazer para um conjunto de treinamento, mas muito mais difícil de fazer consistentemente se você estiver procurando instalar um sistema de IA em muitos sites. Então, pegamos a segunda abordagem: garantir que esses tipos de artefatos estivessem bem representados em nossos dados. Não limpamos as lâminas antes de enviá-las para nós, então temos uma grande representação de alguns dos problemas estranhos que você pode não ver em um conjunto de treinamento imaculado, mas que certamente encontrará no mundo real. Dessa forma, pudemos garantir que nosso sistema estivesse pronto quando exposto a esses artefatos em imagens que não foram treinadas.

Como as aplicações de IA, como a DermAI, estão sendo implementadas nos laboratórios de patologia?

Essa é uma ótima pergunta. Embora diferentes laboratórios estejam adotando abordagens diferentes, acreditamos que a única maneira pela qual os laboratórios realmente escalarão a adoção de IA é aproveitando uma plataforma habilitada por IA. Como descrevi acima, as operações de patologia digital dos laboratórios giram em torno de uma plataforma que eles usam para visualizar, gerenciar e analisar imagens. A plataforma da Proscia, Concentriq, fornece toda essa funcionalidade e também serve como uma plataforma de lançamento para aplicações de IA. Acreditamos que essa abordagem torna fácil para os laboratórios implantar a IA na prática, integrando-a de forma transparente em seu trabalho diário, para que possam aproveitar sua verdadeira promessa.

Há algo mais que você gostaria de compartilhar sobre a Proscia?

Estou realmente animada com o trabalho que minha equipe e eu estamos fazendo. A realidade infeliz de hoje é que todos conhecemos alguém que foi impactado pelo câncer e o impacto significativo que ele tem neles e em seus entes queridos. Nosso trabalho tem o potencial de melhorar os resultados dos pacientes e realmente fazer uma diferença significativa. Isso é algo do que estou orgulhosa de fazer parte.

Para esse fim, é ótimo ver que muitas organizações líderes também acreditam no trabalho que estamos fazendo. Nos últimos meses, o Joint Pathology Center (JPC), que abriga o maior repositório de dados de tecidos humanos do mundo, selecionou a Proscia para digitalizar esse arquivo. O JPC tem várias razões para querer ir digital, incluindo acelerar o desenvolvimento de IA. O LabPON, o primeiro laboratório do mundo a alcançar 100% de diagnóstico de patologia digital, também selecionou recentemente a plataforma da Proscia para escalar suas operações de patologia e estabelecer as bases para a implementação de IA. O LabPON também colaborará conosco no desenvolvimento e validação de nossos sistemas de IA.

E, finalmente, reconhecemos que não podemos transformar a prática da patologia sozinhos e estamos constantemente crescendo nossa equipe. Se você estiver interessado em se juntar a nós, encorajo a aprender mais sobre a Proscia e visualizar nossas vagas abertas.