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

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

Расскажите нам историю создания Proscia?

Патология является ядром биомедицинских исследований и диагностики рака; однако, в то время как мы видели, как цифровизация повлияла почти на все другие аспекты здравоохранения, патология осталась в основном неизменной на протяжении 150 лет. Она по-прежнему основана на распознавании патологом закономерностей в тканях под микроскопом. Эта практика является по своей сути 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 позволяем лабораториям оптимизировать свою работу, добиться значительных улучшений в качестве и производительности, и открыть новые идеи, не видимые человеческим глазом. Все эти выгоды помогают исследователям ускорять прорывы и помогают патологам улучшать результаты для пациентов по всему миру.

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

Proscia – это цифровая и вычислительная патология компания. Можете ли 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 вычислительные приложения, использующие ИИ.

Proscia в частности фокусируется на программной стороне вещей. Мы предлагаем базовую платформу, называемую Concentriq, которая обеспечивает всю функциональность, необходимую лабораториям для выполнения своей повседневной патологической работы. Concentriq также служит запуском для приложений ИИ, включая набор решений, которые мы строим.

Я подчеркнул многие из преимуществ ИИ-обеспеченной цифровой патологии, включая стимулирование эффективности и производительности, и возможность открыть новые идеи, выше, поэтому давайте углубимся в некоторые конкретные случаи использования, чтобы увидеть, как они работают. Один из них, который особенно важен сейчас, – это обеспечение удаленной работы во время COVID. Поскольку лаборатории должны были адаптироваться к новым способам работы, чтобы обеспечить социальное расстояние, цифровая патология позволила патологам продолжать работать и обслуживать пациентов, поскольку она позволяет им легко делиться изображениями и просматривать их по требованию с помощью платформы, такой как Concentriq. Альтернатива часто заключается в том, что лаборатории должны доставлять физические стеклянные слайды в дома патологов. Подумайте, сколько времени и денег это может занять!

Можете ли 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 случаев 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 данных 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 реакции на конкретные терапии. Есть так много интересной работы в этой области!

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, нам пришлось учитывать, что мы строили систему для выполнения. Мы хотели, чтобы она могла классифицировать любую кожную опухоль, а не только определенный тип. И существует довольно много вариативности в кожной патологии, как вы сказали, сотни вариантов. Итак, нам нужно было убедиться, что мы имели все это разнообразие хорошо представлено в нашем обучающем наборе. Это может быть довольно сложно, поскольку некоторые типы опухолей реже встречаются, чем другие, и может быть трудно построить набор данных, который имеет достаточно примеров некоторых из этих более редких патологий для обучения и обеспечения того, что у нас было достаточно примеров для нашей модели, чтобы учиться.

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

Это было исследование чрезвычайно амбициозного масштаба. Как я только что упомянул, существует огромное количество вариативности в кожных опухолях, что переводится в их соответствующие патологические изображения, и мы хотели разработать систему, которая могла автоматически классифицировать любую обычно подготовленную кожную патологическую 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 гарантируя, что правильные случаи попадают к правильным патологам, а не должны быть отправлены в другое место позже. И никто не продемонстрировал ничего подобного, 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. Самое главное, однако, было то, как мы протестировали ее. Хотя мы обучили систему только на 5 000 изображениях из одного сайта, мы откалибровали и протестировали ее на почти 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 на нескольких сайтах с минимальной калибровкой. Поскольку данные, которые мы протестировали, имитировали каждую из этих сайтов перспективную рабочую нагрузку, мы могли быть уверены, что производительность, продемонстрированная здесь, будет сравнима с тем, что мы увидим, если мы установим DermAI в лаборатории. И поскольку система настраивается, регулируя порог доверия, который я упомянул ранее, в зависимости от процента изображений, которые мы классифицируем, мы можем настроить ее до как минимум 98% точности.

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

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

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

Это отличный вопрос. Хотя разные лаборатории принимают разные подходы, мы считаем, что единственный способ лабораторий действительно масштабировать свое внедрение ИИ – это использовать ИИ-обеспеченную платформу. Как я описал выше, лабораторные цифровые патологические операции центрируются вокруг платформы, которую они используют для просмотра, управления и анализа изображений. Платформа Proscia, Concentriq, обеспечивает все это функциональность и также служит запуском для приложений ИИ. Мы считаем, что этот подход делает его легко для лабораторий развертывать ИИ в практике, бесшовно интегрируя его в их повседневную работу, 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. К сожалению, сегодня мы все знаем кого-то, кто был затронут раком и значительным влиянием, которое он оказывает на них и их близких. Наша работа имеет потенциал улучшить результаты для пациентов и действительно сделать значительную разницу. Это то, чем я горжусь быть частью.

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

И, наконец, мы признаем, что 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 позиции.