Julianna Ianni, Vicepreședinte, Cercetare și Dezvoltare AI, Proscia – Seria de interviuri

Julianna Ianni conduce departamentul de cercetare și dezvoltare AI al Proscia pentru a dezvolta produse de patologie computațională de înaltă calitate. Proscia împinge laboratoarele dincolo de limitele instrumentelor tradiționale cu platforma sa de patologie digitală Concentriq^® și pipeline-ul de aplicații computaționale. Funcționând în centrul laboratorului digital modern, aceste tehnologii transformă economia și practica patologiei, punând puterea medicinei moderne, bazate pe date, la lucru în lupta împotriva cancerului.

Puteți împărtăși povestea de origine a Proscia?

Patologia stă la baza cercetării biomedicale și a diagnosticului de cancer; cu toate acestea, în timp ce am văzut toți impactul digitalizării asupra aproape tuturor celorlalte aspecte ale îngrijirii sănătății, patologia a rămas în mare măsură neschimbată de-a lungul celor 150 de ani de istorie. Ea se învârte în jurul unui patolog care recunoaște modele în țesut sub microscop. Această practică este în mod inerent manuală și subiectivă, două provocări care sunt și mai mult exacerbate de o populație de patologi în scădere și o povară crescândă a cancerului.

Proscia a fost fondată pentru a avansa acest standard de îngrijire. Fondatorii noștri au recunoscut o oportunitate de a se lupta împotriva cancerului prin împingerea patologiei de la microscop la imagini. Prin aceasta, prin împingerea patologiei digitale înainte, permitem laboratoarelor să-și optimizeze operațiunile, să obțină îmbunătățiri semnificative ale calității și productivității și să deblocheze noi insight-uri nevăzute de ochiul uman. În mod colectiv, aceste beneficii ajută cercetătorii să accelereze progresele și ajută patologii să îmbunătățească rezultatele pentru pacienți din întreaga lume.

De la începuturile noastre, am acumulat o bază de clienți formată din laboratoare de top, sisteme de sănătate, companii de științe ale vieții și organizații de cercetare. Printre mulți clienți de întreprindere, lucrăm cu Universitatea Johns Hopkins, Universitatea din Pennsylvania și 10 dintre primele 20 de companii farmaceutice. De asemenea, am anunțat recent că LabPON, primul laborator din lume care a atins 100% diagnostic de patologie digitală, trece la platforma noastră de software, iar Joint Pathology Center, care găzduiește cea mai mare arhivă de date de țesut uman din lume, devine digital cu Proscia.

Proscia este o companie de patologie digitală și computațională. Puteți explica cititorilor noștri ce înseamnă acest lucru?

La un nivel înalt, patologia digitală este practica de a digitaliza lamele de microscop de sticlă folosind un scanner, care poate fi apoi vizualizat, gestionat, partajat și analizat folosind software, inclusiv aplicații computaționale care utilizează inteligența artificială.

Proscia se concentrează în mod specific pe partea de software. Oferta noastră include o platformă centrală, numită Concentriq, care oferă toată funcționalitatea necesară laboratoarelor pentru a-și desfășura operațiunile de patologie de rutină. Concentriq servește și ca o rampă de lansare pentru aplicații AI, inclusiv o suită de soluții pe care le construim.

Am subliniat multe dintre beneficiile patologiei digitale bazate pe IA, inclusiv îmbunătățirea eficienței și a productivității și capacitatea de a debloca noi insight-uri, mai sus, așa că să intrăm în unele dintre cazurile de utilizare specifice pentru a vedea cum se desfășoară acestea. Unul care este foarte important în acest moment este permisiunea operațiunilor la distanță în timpul COVID. Pe măsură ce laboratoarele au trebuit să se adapteze la noi modalități de lucru pentru a respecta distanțarea socială, patologia digitală a permis patologilor să continue să lucreze și să servească pacienții, deoarece le-a permis să partajeze cu ușurință imagini și să le vizualizeze la cerere cu o platformă precum Concentriq. Alternativa este adesea ca laboratoarele să aibă lame de sticlă fizice livrate la casele patologilor. Gândiți-vă cât de consumator de timp și scump ar putea fi acest lucru!

Mai general, atunci când ne uităm la modul în care soluțiile de patologie digitală și computațională, cum ar fi cele livrate de Proscia, permit patologilor să îmbunătățească calitatea și eficiența – fie prin facilitarea partajării imaginilor pentru a obține o a doua opinie, fie prin ajutarea la eliminarea sarcinilor manuale și pline de erori din laborator – în cele din urmă, face posibil ca pacienții să primească diagnosticul corect mai repede, și acest lucru este important atunci când luăm în considerare faptul că tratamentul precoce adesea duce la rezultate mai bune.

Puteți descrie cum se utilizează învățarea automată în patologie în prezent? Încotro se îndreaptă?

Acesta este un întrebare mare! Învățarea automată a demonstrat cu adevărat promisiune într-un număr de domenii în patologie. Un caz de utilizare comun pentru învățarea automată în patologie este de a identifica regiuni specifice într-o imagine în care țesutul tumorii este localizat pentru a atrage atenția patologului acolo. De asemenea, poate fi utilizată pentru a furniza insight-uri cantitative despre mostrele de țesut – de exemplu, numărarea numărului de celule care suferă diviziune activă (un marker comun al cancerului). Unii lucrează, de asemenea, la probleme de clasificare, cum ar fi capacitatea de a clasifica imagini pe baza diagnosticului sau a unor anumite modele pe care le reprezintă, și alții lucrează la modalități de a utiliza învățarea automată pentru a prezice rezultatele pacienților sau răspunsurile la anumite terapii. Există atât de multe lucruri interesante care se întâmplă în acest domeniu!

În cele din urmă, în patologie, majoritatea acestor cazuri de utilizare a învățării automate vizează rezolvarea unor probleme clinice și de cercetare. Prima este problema volumului. Există un număr tot mai mare de cazuri de revizuit, și există această problemă compusă a unui număr tot mai mic de patologi disponibili pentru a efectua diagnosticul acestor cazuri. Multe dintre cazurile de utilizare a învățării automate în patologie vizează îmbunătățirea eficienței diagnosticului la nivel individual și de laborator. A doua problemă majoră este calitatea diagnosticului și a îngrijirii – cum putem îmbunătăți acuratețea diagnosticului, cum putem îmbunătăți prognosticul și cum putem îmbunătăți rezultatele pacienților la sfârșitul zilei?

Pentru a răspunde la a doua parte a întrebării dvs., ar trebui să fac o distincție între ceea ce se află în stadiul de cercetare în prezent și ceea ce se întâmplă în practica clinică. În prezent, majoritatea lucrărilor din domeniu au fost de cercetare, și poate fi extrem de dificil să traducă unele dintre descoperirile în practică clinică. Acesta este locul în care cred că învățarea automată se îndreaptă și trebuie să se îndrepte – construirea sistemelor și a nivelului de calitate necesar pentru a pune în practică unele dintre cercetările fantastice care se fac, astfel încât să poată fi livrate beneficiile patologiei și, în cele din urmă, pacienților. Construirea IA care funcționează în “lumea reală” a fost și a rămas abordarea Proscia.

Proscia’s DermAI utilizează învățarea profundă pentru a preselecta și a clasifica automat sute de variante de boli de piele în categorii pre-diagnostice. Care au fost considerațiile dvs. cheie la proiectarea și dezvoltarea acestei aplicații?

Mai întâi și mai presus de toate, am trebuit să luăm în considerare la ce am construit sistemul pentru a face. Am dorit ca el să poată clasifica orice leziune a pielii, nu doar un anumit tip. Și există o varietate considerabilă în patologia pielii, așa cum ați spus, sute de variante. Așa că, am trebuit să ne asigurăm că am reprezentat toată această varietate în setul nostru de antrenament. Acest lucru poate fi de fapt destul de dificil, deoarece unele tipuri de leziuni sunt mai rare decât altele, și poate fi dificil să construim un set de date care să aibă suficiente exemple ale acestor patologii mai rare pentru a antrena și a ne asigura că am suficiente exemple pentru modelul nostru să învețe.

Al doilea, am trebuit să ne gândim la faptul că nu construiam ceva care trebuia să funcționeze doar la un singur site sau pentru imagini scanate cu un anumit tip de scanner. A fost vorba de a construi ceva care putea funcționa pe imaginile oricărui laborator, pe orice scanner. Există o varietate considerabilă între site-urile și scanerele în ceea ce privește aspectul imaginii – culori, luminozitate, artefacte etc. Am trebuit să dezvoltăm un sistem care să poată ține cont de toate aceste variații și să nu necesite o cantitate masivă de date pentru a calibra și a face să funcționeze pentru un nou site.

Am avut și alte considerații pentru a contura un sistem AI care să poată funcționa în “lumea reală.” Una dintre ele, care a fost foarte importantă pentru noi, a fost reprezentarea “necunoscutelor”. După cum știm, sistemele AI nu sunt niciodată perfecte, și există atât de multă varietate în leziunile pielii. Am trebuit ca DermAI să știe ce nu știa și să poată furniza această informație atunci când era prea nesigur pentru a face o clasificare bună. De aceea, am construit în sistem o metodă pentru a atribui fiecărei clasificări un scor de încredere, și am avut grijă să proiectăm acest lucru astfel încât să fie corelat cu performanța sistemului – cu cât scorul de încredere este mai mare, cu atât mai probabilă este clasificarea să fie corectă. Acest lucru ne permite să ajustăm performanța sistemului; dacă modul în care îl folosesc în laboratorul meu necesită o acuratețe extrem de ridicată, pot seta DermAI să furnizeze clasificări cu încredere ridicată numai. Dacă cazul meu de utilizare este puțin mai tolerant la erori și prefer să am mai multe cazuri clasificate, atunci pot include clasificări cu încredere mai scăzută, de asemenea.

DermAI a fost validat în una dintre cele mai cuprinzătoare studii din patologie până în prezent. Puteți rezuma studiul și principalele sale concluzii?

Acesta a fost un studiu de o amploare extrem de ambițioasă. Așa cum am menționat anterior, există o varietate uriașă în leziunile pielii, ceea ce se traduce în imagini de patologie corespunzătoare, și am dorit să dezvoltăm un sistem care să poată clasifica automat orice lamă de patologie a pielii pregătită în mod obișnuit – de la orice laborator și orice scanner. Ideea a fost ca patologii să poată utiliza acest sistem pentru a sorta și a tria cazurile înainte de a se așeza pentru a face un diagnostic – prioritizând cazurile într-o ordine care are sens, mai degrabă decât în ordinea aleatorie în care vin în mod natural, și asigurându-se că cazurile potrivite merg la patologul potrivit, mai degrabă decât a trebui să fie trimise în altă parte mai târziu. Și nimeni nu a demonstrat nimic asemănător atunci când am început să dezvoltăm acest sistem cu câțiva ani în urmă. Sistemul pe care l-am dezvoltat a divizat sarcina de clasificare a imaginilor în mai multe etape, utilizând o combinație de învățare profundă și tehnici de vizualizare de bază – detectarea țesutului de pe lamă, adaptarea aspectului imaginii astfel încât să fie într-un spațiu familiar sistemului antrenat, detectarea regiunilor de interes relevante și, în cele din urmă, clasificarea în patru categorii diferite pe baza modelelor prezente în țesut. Partea importantă, însă, a fost modul în care am testat-o. Deși am antrenat sistemul doar pe 5.000 de imagini de la un singur site, am calibrat și testat-o pe aproape de trei ori mai multe imagini de la trei instituții separate, ale căror date sistemul nostru nu le-a văzut niciodată. Prin aceasta, am demonstrat că este posibil să construim o aplicație AI pentru a sorta și a tria biopsii ale pielii, care să poată funcționa bine pe multiple site-uri, cu o calibrare minimă. Deoarece datele pe care le-am testat au imitat încărcătura prospectivă a fiecăruia dintre aceste site-uri, am putut fi siguri că performanța demonstrată aici ar fi fost comparabilă cu ceea ce am vedea dacă am instala DermAI într-un laborator. Și deoarece sistemul este reglabil, ajustând pragul de încredere pe care l-am menționat anterior, în funcție de procentul de imagini pe care le clasificăm, putem regla până la o acuratețe de cel puțin 98%.

Una dintre observațiile din studiu a fost modul în care algoritmii de învățare profundă pot fi sensibili la artefacte de imagine. Ce sunt exact aceste artefacte de imagine în acest caz și care sunt unele soluții pentru a rezolva această problemă?

Da, câteva studii au demonstrat sensibilitatea sistemelor AI la artefacte de imagine în patologie, la fel ca și în orice alt domeniu. Acestea sunt adesea lucruri simple pe care creierul uman le ignoră cu ușurință – murdărie pe o lamă, schimbări ușoare în iluminare, regiuni blurate ale unei imagini, cerneală cu care patologii marchează adesea regiuni de tumoră. Sunt doar câteva exemple, dar există multe altele. Sistemele AI pot fi ușor înșelate de aceste tipuri de probleme, dacă nu au fost expuse corespunzător la ele.

Există două modalități de a aborda artefactele de imagine pentru sistemele AI. Prima este curățarea – asigurarea că imaginile dvs. de antrenament și testare au fost curățate cu atenție, fie digital, fie fizic, astfel încât să nu existe artefacte prezente. Acest lucru poate fi uneori ușor de făcut pentru un set de date de antrenament, dar mult mai dificil de făcut în mod constant, dacă sunteți pe punctul de a instala un sistem AI în multe site-uri. Așa că am urmat a doua abordare: ne-am asigurat că aceste tipuri de artefacte sunt bine reprezentate în datele noastre. Nu am curățat lamele înainte de a le trimite nouă, astfel încât avem o mulțime de reprezentări ale unor dintre problemele ciudate pe care le-ați întâlni într-un set de date de antrenament, dar pe care le veți întâlni cu siguranță în cele din urmă în lumea reală. Acest lucru ne-a permis să ne asigurăm că sistemul nostru era pregătit atunci când a fost expus la aceste artefacte în imagini pe care nu le-a văzut.

Cum sunt implementate aplicațiile AI, cum ar fi DermAI, în laboratorul de patologie?

Acesta este o întrebare excelentă. În timp ce laboratoarele diferite adoptă abordări diferite, credem că singura modalitate în care laboratoarele vor reuși să-și scaleze adoptarea AI este prin exploatarea unei platforme activate de IA. Așa cum am descris mai sus, operațiunile de patologie digitală ale laboratoarelor se învârtesc în jurul unei platforme pe care o utilizează pentru a vizualiza, gestiona și analiza imagini. Platforma Proscia, Concentriq, oferă toată această funcționalitate și servește, de asemenea, ca o rampă de lansare pentru aplicații AI. Credem că această abordare face ca laboratoarele să poată implementa AI în practică, integrându-l în mod transparent în munca lor de zi cu zi, astfel încât să poată valorifica la scară și să-și realizeze adevăratul potențial.

Există altceva pe care ați dori să-l împărtășiți despre Proscia?

Sunt foarte entuziasmat de munca pe care o fac eu și echipa mea. Realitatea nefericită de astăzi este că toți cunoaștem pe cineva care a fost afectat de cancer și impactul semnificativ pe care acesta îl are asupra lor și a celor dragi. Munca noastră are potențialul de a îmbunătăți rezultatele pacienților și de a face cu adevărat o diferență semnificativă. Sunt mândru să fac parte din aceasta.

Pentru a continua, este minunat să vedem că atât de multe organizații de top cred, de asemenea, în munca pe care o facem. În ultimele luni, Joint Pathology Center (JPC), care găzduiește cea mai mare arhivă de date de țesut uman din lume, a selectat Proscia pentru a digitaliza această arhivă. JPC are mai multe motive pentru a dori să devină digital, inclusiv accelerarea dezvoltării IA. LabPON, primul laborator din lume care a atins 100% diagnostic de patologie digitală, a selectat, de asemenea, recent platforma Proscia pentru a-și scala operațiunile de patologie și a pune bazele pentru implementarea IA. LabPON va colabora, de asemenea, cu noi la dezvoltarea și validarea sistemelor noastre AI.

Și, în cele din urmă, recunoaștem că nu putem transforma practica patologiei singuri și suntem în permanentă creștere a echipei noastre. Dacă sunteți interesat să vă alăturați nouă, vă încurajez să afișați mai multe informații despre Proscia și vizualizați posturile noastre deschise.