Джулианна Ианни, Вице-президент, Исследования и разработка ИИ, Proscia – Интервью

Джулианна Ианни возглавляет отдел исследований и разработки ИИ в Proscia для создания высококачественных продуктов компьютерной патологии. Proscia толкает лаборатории за пределы традиционных инструментов с помощью своей цифровой платформы патологии Concentriq^® и ряда компьютерных приложений. Работая в центре современной цифровой лаборатории, эти технологии трансформируют экономику и практику патологии, применяя силу современной, основанной на данных медицины в борьбе с раком.

Не могли бы вы рассказать историю создания Proscia?

Патология находится в центре биомедицинских исследований и диагностики рака; однако, хотя мы все видели, как цифровизация повлияла почти на все другие аспекты здравоохранения, патология осталась в значительной степени неизменной на протяжении 150-летней истории. Она по-прежнему основана на том, что патолог распознает закономерности в тканях под микроскопом. Эта практика по своей сути является ручной и субъективной, два вызова, которые еще больше усугубляются сокращением числа патологов и растущей нагрузкой рака.

Proscia была основана для улучшения этого стандарта ухода. Наши основатели признали возможность взяться за борьбу с раком, стимулируя сдвиг патологии от микроскопа к изображениям. Делая это – стимулируя цифровую патологию – мы ermögаем лабораториям оптимизировать операции, достичь значительных улучшений в качестве и производительности и открыть новые прозрения, которые не видны человеческому глазу. Всего эти выгоды помогают исследователям ускорять прорывы и помогают патологам улучшать результаты для пациентов по всему миру.

С момента наших ранних дней мы собрали клиентскую базу ведущих лабораторий, систем здравоохранения, компаний биотехнологий и исследовательских организаций. Среди наших многих корпоративных клиентов мы работаем с Университетом Джонса Хопкинса, Университетом Пенсильвании и 10 из 20 ведущих фармацевтических компаний. Мы также недавно объявили, что LabPON, первая лаборатория в мире, достигшая 100% цифровой патологической диагностики, переходит на нашу программную платформу, и Центр объединенной патологии, который содержит крупнейший в мире репозиторий данных о человеческих тканях, становится цифровым с Proscia.

Proscia – это цифровая и компьютерная патология компания. Не могли бы вы объяснить нашим читателям, что это значит?

На высоком уровне цифровая патология – это практика оцифровки стеклянных микроскопических слайдов с помощью сканера, которые затем можно просматривать, управлять, делиться и анализировать с помощью программного обеспечения, включая компьютерные приложения, использующие ИИ.

Proscia в частности фокусируется на программной стороне вещей. Мы предлагаем базовую платформу, называемую Concentriq, которая обеспечивает все функциональность, необходимую лабораториям для выполнения своих патологических операций. Concentriq также служит стартовой площадкой для приложений ИИ, включая набор решений, которые мы строим.

Я подчеркнул многие из выгод ИИ-обеспеченной цифровой патологии, включая стимулирование эффективности и производительности и возможность открыть новые прозрения, выше, поэтому давайте глубже погрузимся в некоторые конкретные варианты использования, чтобы увидеть, как они реализуются. Один из них, который особенно важен сейчас, – это обеспечение удаленных операций во время COVID. Поскольку лабораториям пришлось адаптироваться к новым способам работы, чтобы удовлетворить социальное дистанцирование, цифровая патология ermögěla патологам продолжать работать и обслуживать пациентов, поскольку она ermögěla им легко делиться изображениями и просматривать их по требованию с помощью платформы, такой как Concentriq. Альтернатива часто заключается в том, что лабораториям приходится доставлять физические стеклянные слайды в дома патологов. Подумайте, сколько времени и денег это может занять!

Более общим образом, когда мы смотрим, как цифровые и компьютерные патологические решения, такие как те, которые доставляет Proscia, ermögеляют патологам улучшать качество и эффективность – будь то облегчение обмена изображениями для второго мнения или помощь в устранении ошибочных ручных задач в лаборатории – это в конечном итоге ermögляет пациентам получать правильный диагноз быстрее, и это важно, когда мы учитываем, что раннее лечение часто приводит к лучшим результатам.

Не могли бы вы описать, как машинное обучение используется в патологии сегодня? Куда оно идет?

Это большой вопрос! Машинное обучение действительно показало перспективы в нескольких областях патологии. Одним из распространенных вариантов использования машинного обучения в патологии является определение конкретных областей в изображении, где находится ткань опухоли, чтобы привлечь внимание патолога. Оно также может быть использовано для предоставления количественных прозрений о тканевых образцах – например, подсчета количества клеток, активно проходящих деление (общий маркер рака). Некоторые также работают над задачами классификации, такими как категоризация изображений на основе диагноза или конкретных закономерностей, которые они представляют, и другие работают над способами использования машинного обучения для прогнозирования результатов пациентов или реакций на конкретные терапии. Есть так много интересной работы, которая проводится в этой области!

В конечном итоге в патологии большинство этих вариантов использования машинного обучения направлены на решение нескольких общих клинических и исследовательских проблем. Первая – проблема объема, которую я упомянул ранее. Есть растущее количество случаев для рассмотрения, и есть эта усугубляющаяся проблема сокращения числа патологов, доступных для диагностики этих случаев. Большинство машинного обучения в патологии направлено на улучшение эффективности диагностики на уровне отдельного патолога и лаборатории. Вторая большая проблема – качество диагностики и ухода – как мы можем улучшить диагностическую точность, как мы можем улучшить прогноз, и как мы можем улучшить результаты пациентов в конце дня?

Чтобы ответить на вторую часть вашего вопроса, я должен различать то, что находится на исследовательской стадии сегодня, и то, что фактически происходит в клинической практике. Сейчас большинство работы в этой области было исследовательским, и может быть чрезвычайно сложно перевести некоторые из этих результатов в клиническую практику. Вот где, я думаю, машинное обучение идет и должно идти – построение систем и уровня качества, необходимого для фактического перевода некоторых из этих фантастических исследований в практику, так, чтобы они соответствовали всем удивительным результатам, которые мы видим в исследовательской среде, и доставляли эти выгоды патологическим лабораториям и, в конечном итоге, их пациентам. Построение ИИ, который работает в “реальном мире”, является и всегда было подходом Proscia.

Proscia’s DermAI использует глубокое обучение для предварительного просмотра и автоматической классификации сотен вариантов кожных заболеваний в преддиагностические категории. Каковы были ваши ключевые соображения при проектировании и разработке этого приложения?

Прежде всего, мы должны были учитывать, что мы строили систему, чтобы она могла делать. Мы хотели, чтобы она могла классифицировать любую кожную поражение, а не только определенный тип. И есть довольно много вариативности в кожной патологии, как вы сказали, сотни вариантов. Итак, мы должны были убедиться, что мы хорошо представили все это разнообразие в нашем обучающем наборе. Это может быть довольно сложно, поскольку некоторые типы поражений реже других, и может быть сложно построить набор данных, который имеет достаточно примеров некоторых из этих более редких патологий для обучения и обеспечения того, чтобы у нас было достаточно примеров для нашей модели, чтобы она могла научиться.

Вторым важным моментом было то, что мы не строили что-то, что нужно было только для одного сайта или для изображений, сканируемых с помощью определенного типа сканера. Это было действительно о построении чего-то, что могло работать на изображениях любой лаборатории, на любом сканере. Может быть довольно много вариативности между сайтами и сканерами в плане внешнего вида изображения – цвета, светлость, артефакты и т. д. Мы должны были разработать систему, которая могла бы учитывать все эти вариации и не требовать огромного количества данных для калибровки и запуска для нового сайта.

У нас были несколько других соображений, которые мы должны были учесть при построении системы ИИ, которая могла работать в “реальном мире”. Одним из них, который был особенно важен для нас, было представление “неизвестных”. После всего, мы знаем, что системы ИИ никогда не идеальны, и есть так много вариативности в кожных поражениях. Нам нужно было, чтобы DermAI знала, чего она не знала, и могла доставить эту информацию, когда она была слишком неуверенной, чтобы сделать хорошую классификацию. Вот почему мы построили в систему метод присвоения каждой классификации балла уверенности, и мы позаботились о том, чтобы спроектировать это так, чтобы оно было коррелировано с производительностью системы – чем выше балл уверенности, тем более вероятно, что эта классификация правильна. Это означает, что мы можем фактически настроить производительность системы; если способ, которым я использую это в своей лаборатории, требует чрезвычайно высокой точности, я могу настроить DermAI на доставку классификаций с высоким баллом уверенности только. Если мой случай использования немного более терпим к ошибкам и я предпочитаю иметь больше случаев, классифицированных, то я могу включить классификации с более низким баллом уверенности.

DermAI была проверена в одном из наиболее комплексных исследований патологии на сегодняшний день. Не могли бы вы суммировать исследование и его ключевые выводы?

Это было исследование чрезвычайно амбициозного масштаба. Как я только что упомянул, есть огромное количество вариативности в кожных поражениях, что переводится в их соответствующие патологические изображения, и мы хотели разработать систему, которая могла автоматически классифицировать любой обычно подготовленный кожный патологический слайд – из любой лаборатории и любого сканера. Идея заключалась в том, что патологи могли использовать ее для сортировки и триажа случаев до того, как они сядут для диагностики – расставляя приоритеты в порядке, который имеет смысл, а не в случайном порядке, в котором они естественно приходят, и обеспечивая, что правильные случаи попадают к правильным патологам, а не должны быть отправлены куда-то еще позже. И никто не продемонстрировал ничего подобного этому, когда мы начали разрабатывать это несколько лет назад. Система, которую мы разработали, разбила задачу классификации изображений на несколько стадий с помощью комбинации глубокого обучения и базовых компьютерных методов зрения – обнаружения ткани на слайде, адаптации внешнего вида изображения, чтобы оно было в знакомом пространстве для обученной системы, обнаружения соответствующих областей интереса и, наконец, классификации в четыре разных категории на основе закономерностей, присутствующих в ткани. Важная часть, однако, была в том, как мы протестировали ее. Хотя мы обучили систему только на 5 000 изображениях из одного сайта, мы откалибровали и протестировали ее на почти в три раза больше изображений из трех совершенно отдельных учреждений, данные которых наша система никогда не видела. Делая это, мы показали, что возможно построить приложение ИИ для сортировки и триажа кожных биопсий, которое может работать хорошо на нескольких сайтах с минимальной калибровкой. Поскольку данные, на которых мы тестировали, имитировали каждую из этих сайтов перспективную рабочую нагрузку, мы могли быть уверены, что производительность, продемонстрированная здесь, будет сопоставима с тем, что мы бы увидели, если бы установили DermAI в лаборатории. И поскольку система настраивается, регулируя порог уверенности, который я упомянул ранее, в зависимости от процента изображений, которые мы классифицируем, мы можем настроить ее до хотя бы 98% точности.

Одним из наблюдений в исследовании было, как алгоритмы глубокого обучения могут быть чувствительны к артефактам изображения. Что именно являются эти артефакты изображения в этом случае и какие есть решения, чтобы решить эту проблему?

Да, несколько исследований продемонстрировали чувствительность систем ИИ к артефактам изображения в патологии, как и в любой другой области. Это часто простые вещи, которые наши человеческие мозги легко упускают из виду – грязь на слайде, небольшие изменения освещения, размытые области изображения, чернила от ручки, которые патологи часто используют для маркировки областей опухоли. Я перечисляю несколько примеров, но есть бесчисленное количество других. Системы ИИ могут быть легко обмануты этими видами проблем, если они не были должным образом представлены в них.

Есть два пути решения проблемы артефактов изображения для систем ИИ. Первый – очистка – обеспечение того, что ваши обучающие и тестовые изображения были тщательно очищены, либо цифровым, либо физическим способом, так, чтобы не было никаких артефактов. Это иногда легко сделать для обучающего набора данных, но намного сложнее сделать последовательно, если вы смотрите на установку системы ИИ на многих сайтах. Итак, мы выбрали второй подход: обеспечение того, что эти виды артефактов были хорошо представлены в наших данных. Мы не имели слайдов, очищенных до того, как они были отправлены нам, поэтому у нас есть много представлений некоторых из странных проблем, которые вы можете не увидеть в идеальном обучающем наборе, но которые вы, безусловно, в конечном итоге столкнетесь в реальном мире. Таким образом, мы могли обеспечить, что наша система была готова, когда она столкнулась с этими артефактами в изображениях, на которых она не была обучена.

Как приложения ИИ, такие как DermAI, реализуются в патологической лаборатории?

Это отличный вопрос. Хотя разные лаборатории принимают разные подходы, мы считаем, что единственный способ лабораториям действительно масштабировать свое внедрение ИИ – это использование платформы, обеспеченной ИИ. Как я описал выше, цифровые патологические операции лабораторий центрируются вокруг платформы, которую они используют для просмотра, управления и анализа изображений. Платформа Proscia, Concentriq, обеспечивает все это функциональность и также служит стартовой площадкой для приложений ИИ. Мы считаем, что этот подход делает легко лабораториям развертывать ИИ в практике, бесшовно интегрируя его в их повседневную работу, так, чтобы они могли использовать его в масштабе и реализовать его истинный потенциал.

Есть ли что-то еще, что вы хотели бы поделиться о Proscia?

Я действительно взволнован работой, которую моя команда и я делаем. Неудачная реальность сегодня заключается в том, что мы все знаем кого-то, кто был затронут раком, и значительного влияния, которое он оказывает на них и их близких. Наша работа имеет потенциал улучшить результаты пациентов и действительно сделать значимую разницу. Это что-то, чем я горжусь быть частью.

В этом отношении приятно видеть, что многие ведущие организации также верят в работу, которую мы делаем. За последние несколько месяцев alone, Центр объединенной патологии (JPC), который содержит крупнейший в мире репозиторий данных о человеческих тканях, выбрал Proscia для оцифровки этого архива. JPC имеет несколько причин для желания стать цифровым, включая ускорение разработки ИИ. LabPON, первая лаборатория в мире, достигшая 100% цифровой патологической диагностики, также недавно выбрала платформу Proscia для масштабирования своей патологической деятельности и создания основы для реализации ИИ. LabPON также будет сотрудничать с нами в разработке и проверке наших систем ИИ.

И, наконец, мы признаем, что мы не можем трансформировать практику патологии в одиночку и постоянно растим нашу команду. Если вы заинтересованы в присоединении к нам, я鼓励 вас узнать больше о Proscia и просмотреть наши открытые роли.