Julianna Ianni, Vice President, AI-forskning och utveckling, Proscia – Intervju-serie

Julianna Ianni leder Proscias AI-forskning och utveckling för att utveckla högkvalitativa produkter för beräkningspatologi. Proscia driver laboratorier bortom gränserna för traditionella verktyg med sin digitala patologiplattform Concentriq^® och pipeline av beräkningsapplikationer. Dessa teknologier förvandlar ekonomin och praktiken för patologi, och sätter kraften i modern, datacentrerad medicin i kampen mot cancer.

Kan du dela med dig av historien bakom Proscia?

Patologi ligger i centrum för biomedicinsk forskning och cancerdiagnos; men medan vi alla har sett digitaliseringens påverkan på nästan alla andra områden inom hälsovården, har patologi förblivit i stort sett oförändrad under sina 150 år. Det kretsar fortfarande kring en patolog som känner igen mönster i vävnad under mikroskop. Denna praktik är i sig själv manuell och subjektiv, två utmaningar som förvärras av en minskande patologpopulation och en ökande cancerrisk.

Proscia grundades för att förbättra denna standard för vård. Våra grundare såg en möjlighet att ta itu med kampen mot cancer genom att driva patologins övergång från mikroskop till bilder. Genom att driva digital patologi framåt möjliggör vi för laboratorier att effektivisera verksamheten, uppnå meningsfulla förbättringar av kvalitet och produktivitet, och låsa upp nya insikter som inte kan ses av det mänskliga ögat. Sammantaget hjälper dessa fördelar forskare att påskynda genombrott och hjälper patologer att förbättra resultaten för patienter över hela världen.

Sedan våra tidiga dagar har vi samlat en kundbas av ledande laboratorier, hälsovårdssystem, life science-företag och forskningsorganisationer. Bland våra många företagskunder arbetar vi med Johns Hopkins University, University of Pennsylvania och 10 av de 20 största läkemedelsföretagen. Vi har också nyligen meddelat att LabPON, världens första laboratorium som nått 100% digital patologidiagnos, övergår till vår programvara, och Joint Pathology Center, som innehåller världens största repository av humant vävnadsdata, går digitalt med Proscia.

Proscia är ett digitalt och beräkningspatologiskt företag. Kan du förklara för våra läsare vad detta innebär?

På en hög nivå är digital patologi praktiken att digitalisera mikroskopsbilder med en skanner, som sedan kan visas, hanteras, delas och analyseras med programvara, inklusive beräkningsapplikationer som använder AI.

Proscia fokuserar specifikt på programvarusidan. Vi erbjuder en kärnplattform, kallad Concentriq, som tillhandahåller all den företagsfunktionalitet som laboratorier behöver för att utföra sin rutinmässiga patologiverksamhet. Concentriq fungerar också som en lanseringsplattform för AI-applikationer, inklusive en svit av lösningar som vi bygger.

Jag betonade många av fördelarna med AI-aktiverad digital patologi, inklusive att driva effektivitet och produktivitet, och möjligheten att låsa upp nya insikter, ovan, så låt oss dyka in i några specifika användningsfall för att se hur dessa fungerar. En som är särskilt aktuell just nu är att möjliggöra distansarbete under COVID. När laboratorier har varit tvungna att anpassa sig till nya sätt att arbeta för att tillgodose social distansering, har digital patologi möjliggjort för patologer att fortsätta arbeta och serva patienter eftersom det möjliggör för dem att enkelt dela bilder och visa dem på begäran med en plattform som Concentriq. Alternativet är ofta att laboratorier måste leverera fysiska mikroskopsbilder till patologernas hem. Tänk på hur tidskrävande och dyrt detta kan vara!

Mer allmänt, när vi tittar på hur digitala och beräkningspatologiska lösningar som Proscia levererar möjliggör för patologer att förbättra kvalitet och effektivitet – antingen genom att göra det enklare att dela bilder för en second opinion eller genom att hjälpa till att eliminera felbenägna, manuella uppgifter i laboratoriet – är det i slutändan möjligt för patienter att få rätt diagnos snabbare, och detta är viktigt när vi överväger att tidig behandling ofta leder till bättre resultat.

Kan du beskriva hur maskinlärning används i patologi idag? Vart är det på väg?

Det är en stor fråga! Maskinlärning har verkligen visat löfte i ett antal områden inom patologi. Ett vanligt användningsfall för maskinlärning i patologi är att identifiera specifika områden i en bild där tumörvävnad är lokaliserad för att dra en patologs uppmärksamhet dit. Det kan också användas för att leverera kvantitativa insikter om vävnadsprover – till exempel räkna antalet celler som aktivt genomgår delning (en vanlig markör för cancer). Vissa arbetar också med klassificeringsproblem, som att kunna kategorisera bilder baserat på diagnos eller specifika mönster som de representerar, och andra arbetar med sätt att använda maskinlärning för att förutsäga patientresultat eller svar på specifika behandlingar. Det finns så mycket intressant arbete som pågår inom området!

Ultimat, i patologi, är de flesta av dessa maskinlärningsanvändningsfall inriktade på att lösa några övergripande kliniska och forskningsproblem. Det första är volymproblemet jag nämnde tidigare. Det finns ett ökande antal fall att granska, och det finns ett förenat problem med en minskande antal patologer tillgängliga för att utföra diagnosen av dessa fall. Mycket av maskinlärning i patologi syftar till att förbättra effektiviteten i diagnos på individ- och laboratorienivå. Det andra stora är kvaliteten på diagnos och vård – hur kan vi förbättra diagnostisk noggrannhet, hur kan vi förbättra prognos, och hur kan vi förbättra patientresultat i slutändan?

För att svara på den andra delen av din fråga bör jag skilja på vad som är på forskningsstadiet idag och vad som faktiskt händer i klinisk praxis. Just nu är det mesta av arbetet inom området forskning, och det kan vara extremt utmanande att översätta några av resultaten till klinisk praxis. Det är där jag tror att maskinlärning är på väg och behöver gå – bygga ut systemen och kvalitetsnivån som behövs för att faktiskt sätta några av de fantastiska forskningsresultaten i praktiken, på ett sätt som står upp till alla de fantastiska resultaten vi ser i forskningsmiljön och levererar dessa fördelar till patologilaboratorier och slutligen deras patienter. Att bygga AI som fungerar i den “verkliga världen” är och har alltid varit Proscias tillvägagångssätt.

Proscias DermAI använder djupinlärning för att förskärma och automatiskt klassificera hundratals varianter av hudsjukdomar i för-diagnostiska kategorier. Vilka var dina nyckelöverväganden när du utformade och utvecklade denna applikation?

Först och främst var vi tvungna att överväga vad vi byggde systemet för att göra. Vi ville att det skulle kunna klassificera alla hudlesioner, inte bara en specifik typ. Och det finns ganska mycket variation i hudpatologi, som du sa, hundratals varianter. Så, vi behövde se till att vi hade all denna variation väl representerad i vår träningsuppsättning. Detta kan faktiskt vara ganska utmanande, eftersom vissa typer av lesioner är ovanligare än andra, och det kan vara svårt att bygga en datamängd som har tillräckligt många exempel på några av dessa ovanligare patologier för att träna med och säkerställa att vi hade tillräckligt många exempel för vår modell att lära av.

Andra var vi verkligen tvungna att tänka på det faktum att vi inte bara byggde något som behövde fungera på en enda plats, eller för bilder skannade med en specifik typ av skanner. Det var verkligen om att bygga något som kunde fungera på vilken laboratoriets bilder som helst, på vilken skanner som helst. Det kan finnas ganska mycket variation mellan platser och skannrar i termer av bildens utseende – färger, ljusstyrka, artefakter etc. Vi behövde utveckla ett system som kunde hantera alla dessa variationer, och inte krävde en massa data för att kalibrera och få det att fungera för en ny plats.

Vi hade flera andra överväganden för att bygga ett AI-system som kunde fungera i den “verkliga världen”. En till, som var särskilt viktig för oss, var att representera “okända”. Efter allt, vi vet att AI-system aldrig är perfekta, och det finns så mycket variation i hudlesioner. Vi behövde DermAI att veta vad den inte visste och kunna leverera den informationen när den var för osäker för att göra en bra klassificering. Det är därför vi byggde in en metod i systemet för att tilldela varje klassificering en konfidenspoäng, och vi tog hand om att utforma detta på ett sätt som skulle korrelera med systemets prestanda – ju högre konfidenspoäng, desto mer sannolikt att klassificeringen är korrekt. Detta innebär att vi kan ställa in systemprestanda; om jag använder detta i mitt laboratorium kräver det extremt hög noggrannhet, kan jag ställa in DermAI för att leverera högkonfidensklassificeringar endast. Om mitt användningsfall är lite mer tolerant för fel och jag föredrar att ha fler fall klassificerade, kan jag inkludera lägre konfidensklassificeringar också.

DermAI validerades i en av patologins mest omfattande studier hittills. Kan du sammanfatta studien och dess viktigaste slutsatser?

Detta var en studie av extremt ambitiöst omfång. Som jag just nämnde, finns det en enorm mängd variation i hudlesioner, vilket översätts till deras motsvarande patologibilder, och vi ville utveckla ett system som kunde automatiskt klassificera alla rutinmässigt preparerade hudpatologibilder – från vilket laboratorium som helst och vilken skanner som helst. Idén var att patologer kunde använda det för att sortera och triera fall innan de satte sig ner för att göra en diagnos – prioritera fall i en ordning som har mening snarare än i den slumpmässiga ordning de naturligt kommer i och se till att rätt fall går till rätt patolog snarare än att behöva skickas någon annanstans senare. Och ingen hade demonstrerat något liknande när vi började utveckla detta för några år sedan. Systemet vi utvecklade bröt ner uppgiften att klassificera bilder i flera steg med hjälp av en kombination av djupinlärning och grundläggande datorseende-tekniker – detektera vävnaden på bilden, anpassa bildens utseende så att det är i en bekant utrymme för det tränade systemet, detektera relevanta områden av intresse, och slutligen göra en klassificering i fyra olika kategorier baserat på mönster som finns i vävnaden. Den viktiga delen var dock hur vi testade det. Medan vi endast tränade systemet på 5 000 bilder från en enda plats, kalibrerade och testade vi det på nästan tre gånger så många bilder från tre helt separata institutioner vars data vårt system aldrig hade sett. Genom att göra detta visade vi att det var möjligt att bygga ett AI-program för att sortera och triera hudbiopsier, som kunde fungera bra på flera platser med minimal kalibrering. Eftersom de data vi testade på motsvarade varje platsens prospektiva arbetsbelastning, kunde vi vara säkra på att prestandan som demonstrerades här skulle vara jämförbar med vad vi skulle se om vi installerade DermAI i ett laboratorium. Och eftersom systemet är justerbart genom att justera konfidensgränsen jag nämnde tidigare, beroende på vilken procent av bilder vi klassificerar, kan vi justera det upp till minst 98% noggrannhet.

En av observationerna i studien var hur djupinlärningsalgoritmer kan vara känsliga för bildartefakter. Vad är exakt dessa bildartefakter i det här fallet och vad är några lösningar för att lösa detta problem?

Ja, flera studier har visat att AI-system är känsliga för bildartefakter i patologi som i alla andra områden. Dessa är ofta enkla saker som våra mänskliga hjärnor lätt kan bortse från – smuts på en bild, små förändringar i belysning, suddiga områden i en bild, penna bläck som patologer ofta använder för att markera områden av tumör. Jag listar några exempel, men det finns otaliga andra. AI-system kan lätt luras av dessa typer av problem om de inte har ordentligt exponerats för dem.

Det finns verkligen två vägar att hantera bildartefakter för AI-system. Den första är genom rensning – se till att du tränar på och testar bilder som har rensats, antingen digitalt eller fysiskt, så att det inte finns några artefakter närvarande. Detta kan ibland vara lätt att göra för en träningsdatamängd, men mycket svårare att göra konsekvent om du vill installera ett AI-system på många platser. Så, vi tog den andra approachen: se till att dessa typer av artefakter var väl representerade i vår data. Vi hade inte rengjort bilder innan de skickades till oss, så vi har en hel del representation av några av de konstiga problemen som du kanske inte ser i en prydlig träningsmängd, men som du definitivt kommer att stöta på i den verkliga världen. Detta sätt kunde vi säkerställa att vårt system var redo när det utsattes för dessa artefakter i bilder det inte var tränat på.

Hur implementeras AI-applikationer som DermAI i patologilaboratoriet?

Det är en bra fråga. Medan olika laboratorier tar olika tillvägagångssätt, tror vi att det enda sättet laboratorier kommer att kunna skala sin AI-antagning är genom att utnyttja en AI-aktiverad plattform. Som jag beskrev ovan, kretsar laboratoriernas digitala patologiverksamhet kring en plattform som de använder för att visa, hantera och analysera bilder. Proscias plattform, Concentriq, tillhandahåller all denna funktionalitet och fungerar också som en lanseringsplattform för AI-applikationer. Vi tror att detta tillvägagångssätt gör det enkelt för laboratorier att distribuera AI i praktiken, och integrera det smidigt i deras dagliga arbete så att de kan utnyttja det i stor skala och förverkliga dess riktiga löfte.

Finns det något annat du vill dela om Proscia?

Jag är verkligen entusiastisk över det arbete som mitt team och jag gör. Den olyckliga verkligheten idag är att vi alla känner någon som har påverkats av cancer och den betydande påverkan som det har på dem och deras nära och kära. Vårt arbete har potentialen att förbättra patientresultat och verkligen göra en meningsfull skillnad. Detta är något jag är stolt över att vara en del av.

För att något sådant ska ske är det fantastiskt att se att så många ledande organisationer också tror på det arbete vi gör. Under de senaste månaderna har Joint Pathology Center (JPC), som innehåller världens största repository av humant vävnadsdata, valt Proscia för att digitalisera detta arkiv. JPC har flera skäl till varför de vill gå digitalt, inklusive att påskynda utvecklingen av AI. LabPON, världens första laboratorium som nått 100% digital patologidiagnos, har också nyligen valt Proscias plattform för att skala sin patologiverksamhet och lägga grunden för att implementera AI. LabPON kommer också att samarbeta med oss om utveckling och validering av våra AI-system.

Och slutligen, vi erkänner att vi inte kan förvandla patologins praxis ensamma och växer ständigt vårt team. Om du är intresserad av att gå med i oss, uppmuntrar jag dig att lära dig mer om Proscia och visa våra lediga roller.