Julianna Ianni, Başkan Yardımcısı, AI Araştırma ve Geliştirme, Proscia – Röportaj Serisi

Julianna Ianni, Proscia’nın AI Ar-Ge’sini yüksek kaliteli hesaplamalı patoloji ürünleri geliştirmek için yönetiyor. Proscia geleneksel araçların sınırlarının ötesine geçerek laboratuvarları Concentriq^® dijital patoloji platformu ve hesaplamalı uygulamalar pipelineıyla itiyor. Modern dijital laboratuvarın merkezinde çalışan bu teknolojiler, patolojinin ekonomisini ve uygulamasını dönüştürüyor ve modern, veri odaklı tıbbın gücünü kanserle mücadeleye katıyor.

Proscia’nın köken hikayesini paylaşabilir misiniz?

Patoloji, biyomedikal araştırmaların ve kanser teşhisinin merkezinde yer alıyor; ancak, sağlık hizmetlerinin几乎 her diğer yönünde olduğu gibi, patoloji 150 yıllık tarihinde büyük ölçüde değişmedi. Hala bir patolog tarafından mikroskop altında doku中的 desenleri tanımlamaya dayanmaktadır. Bu uygulama doğası gereği manuel ve öznel, bu zorluklar da patolog nüfusunun azalması ve artan kanser yükü tarafından daha da artırılmaktadır.

Proscia, bu bakım standardını ilerletmek için kuruldu. Kurucularımız, mikroskoptan görüntülere patolojinin geçişini sürerek kanserle mücadeleye girmek için bir fırsat gördüler. Bunu yaparak – dijital patolojiyi ilerleterek – laboratuvarlara operasyonları akışkanlaştırmalarını, kalite ve verimlilikte anlamlı iyileştirmeler elde etmelerini ve insan gözü tarafından görülmemiş yeni içgörüler açığa çıkarmalarını sağlıyoruz. Toplu olarak, bu faydalar araştırmacıların buluşları hızlandırmasına ve patologların dünya çapındaki hastalar için sonuçları iyileştirmesine yardımcı oluyor.

Kuruluşumuzun erken günlerinden bu yana, önde gelen laboratuvarlar, sağlık sistemleri, yaşam bilimleri şirketleri ve araştırma kurumlarından oluşan bir müşteri tabanını biriktirdik. Birçok kurumsal müşterimiz arasında Johns Hopkins Üniversitesi, Pennsylvania Üniversitesi ve en iyi 20 ilaç şirketinin 10’u yer alıyor. Ayrıca, dünyanın ilk %100 dijital patoloji teşhisine ulaşan laboratuvarı olan LabPON’un, yazılımlarımıza geçiş yaptığını ve dünyanın en büyük insan doku verisi deposuna sahip olan Joint Pathology Center’ın Proscia ile dijitalleştiğini yakın zamanda duyurduk.

Proscia bir dijital ve hesaplamalı patoloji şirketidir. Bu, okuyucularımıza neler anlama geliyor?

Yüksek düzeyde, dijital patoloji, mikroskobik cam slaytları bir tarayıcı kullanarak dijitalleştirmek ve ardından bunları görüntülemek, yönetmek, paylaşmak ve analiz etmek için yazılım, AI uygulamaları dahil olmak üzere çeşitli araçlar kullanma uygulamasıdır.

Proscia özellikle yazılımla ilgili konulara odaklanıyor. Laboratuvarların rutin patoloji operasyonlarını gerçekleştirmeleri için gerekli tüm kurumsal işlevselliği sunan Concentriq adlı bir temel platform sunuyoruz. Concentriq ayrıca AI uygulamaları için bir fırlatma rampası olarak da hizmet ediyor, bunlara kendi inşa ettiğimiz bir dizi çözüm dahil.

AI özellikli dijital patolojinin faydalarını, verimlilik ve üretkenlik kazanımlarını sürdürebilme ve yeni içgörüler açığa çıkarabilme yeteneğini vurguladım, bu nedenle bu faydaların nasıl gerçekleştiğini görmek için bazı özel kullanım örneklerine dalalım. Özellikle şimdi aklımda olan bir örnek, COVID-19 sırasında uzaktan operasyonları etkinleştirmektir. Laboratuvarların sosyal mesafeyi sağlamak için yeni çalışma yöntemlerine uyum sağlamak zorunda kaldıkları için, dijital patoloji, patologların çalışmaya devam etmelerini ve hastalara hizmet vermelerini sağladı, çünkü Concentriq gibi bir platformla kolayca görüntüleri paylaşmalarını ve bunları istek üzerine görüntülemelerini sağladı. Alternatif genellikle laboratuvarların fiziksel cam slaytları patologların evlerine göndermesidir. Bu ne kadar zaman alıcı ve pahalı olabileceğini düşünün!

Daha genel olarak, Proscia’nın sunduğu gibi dijital ve hesaplamalı patoloji çözümlerinin, patologların kalite ve verimliliği nasıl iyileştirebildiğini – görüntüleri ikinci bir görüş için paylaşmayı kolaylaştırmak ya da laboratuvardaki hatalı, manuel görevleri ortadan kaldırmaya yardımcı olmak gibi – düşününce, aslında hastaların doğru teşhisi daha hızlı almasını sağlıyor ve bu, erken tedavi genellikle daha iyi sonuçlara yol açtığından önemlidir.

Bugün patolojide makine öğreniminin nasıl kullanıldığını açıklayabilir misiniz? Nereye gidiyor?

Bu, büyük bir soru! Makine öğrenimi, patolojinin birçok alanında vaat gösterdi. Patoloji中的 makine öğreniminin yaygın bir kullanımı, bir görüntüdeki spesifik bölgeleri tanımlamak ve bir patoloğun dikkatini oraya çekmektir. Ayrıca doku örnekleri hakkında nicel içgörüler sunabilir – örneğin, aktif olarak bölünen hücrelerin sayısını (kanserin ortak bir göstergesi) sayabilir. Bazıları, görüntüleri teşhis veya temsil ettikleri belirli desenlere göre kategorilere ayırma gibi sınıflandırma sorunları üzerinde çalışıyor ve diğerleri, makine öğrenimini kullanarak hasta sonuçlarını veya belirli tedavilere yanıtları öngörme yollarını araştırıyor. Alanında ilginç çalışmalar đang.

Sonuç olarak, patolojideki çoğu makine öğrenimi kullanımı, birkaç genel klinik ve araştırma sorununu çözmeyi hedefliyor. İlk olarak, daha önce bahsettiğim hacim sorunudur. İncelenmesi gereken vakaların sayısı artıyor ve patolog sayısının azalmasıyla birlikte bu sorun daha da artıyor. Patolojideki makine öğreniminin çoğu, bireysel ve laboratuvar düzeyinde teşhis verimliliğini iyileştirmeyi amaçlıyor. İkincisi, teşhis ve bakım kalitesi – nasıl teşhis doğruluğunu, nasıl prognozu ve nasıl hasta sonuçlarını iyileştirebiliriz?

Sorunun ikinci kısmına cevap vermek için, bugün araştırma aşamasında olan ve klinik uygulamada gerçekten neler olduğu arasında bir ayrım yapmalıyım. Şu anda, alanındaki çoğu çalışma araştırma aşamasında ve bazı bulguları klinik uygulamaya çevirmek son derece zor olabilir. İşte makine öğreniminin gitmesi ve gitmesi gerektiği yer burası – bazı fantastik araştırmaların gerçekten klinik uygulamaya geçirilebilmesi için sistemleri ve gerekli kalite seviyesini oluşturmak. “Gerçek dünya”da çalışan AI inşa etmek, her zaman Proscia’nın yaklaşımı olmuştur.

Proscia’nın DermAI’si, cilt hastalığının yüzlerce varyantını ön-teşhis kategorilerine otomatik olarak sınıflandırmak için derin öğrenimi kullanıyor. Bu uygulamayı tasarlamak ve geliştirmek için ana consideration’larınız nelerdi?

Öncelikle ve en önemlisi, ne inşa ettiğimizi düşünmek zorunda kaldık. Herhangi bir cilt lezyonunu sınıflandırabilen bir sistem inşa etmek istedik. Ve cilt patolojisinde gerçekten çok fazla varyasyon var, dediğiniz gibi, yüzlerce varyant. Bu nedenle, eğitim setimizde bu varyasyonun iyi temsil edildiğinden emin olmak zorunda kaldık. Bu aslında oldukça zor olabilir, çünkü bazı lezyon tipleri diğerlerinden daha nadirdir ve bu varyasyonun yeterli örneklerini içeren bir veri seti oluşturmak ve modelimizin öğrenmesi için yeterli örneklerimiz olduğundan emin olmak zor olabilir.

İkincisi, gerçekten, sadece tek bir site için veya belirli bir tarayıcı ile taranmış görüntüler için değil, herhangi bir laboratuvarın görüntüleri için, herhangi bir tarayıcıda çalışabilen bir şey inşa ettiğimizi düşünmek zorunda kaldık. Siteler ve tarayıcılar arasında, görüntünün görünümü açısından – renkler, parlaklık, artifacts vs. – oldukça fazla varyasyon olabilir. Bu varyasyonları hesaba katacak ve yeni bir site için çalışmasını sağlamak için大量 bir veri kümesine ihtiyaç duymayacak bir sistem geliştirmek zorunda kaldık.

DermAI’yi “gerçek dünya”da çalışan bir AI sistemi olarak inşa ederken birkaç başka consideration’ı hesaba katmak zorunda kaldık. Bir diğeri, özellikle önemli olanı, “bilinmeyenler”i temsil etmekti. AI sistemlerinin mükemmel olmadığını ve cilt lezyonlarında çok fazla varyasyon olduğunu biliyoruz. DermAI’nin ne bilmediğini bilmesini ve iyi bir sınıflandırma yapamayacağı zaman bu bilgiyi sunmasını istedik. Bu nedenle, her sınıflandırmaya bir güven skoru atamak için bir yöntem inşa ettik ve bunu, sistemimizin performansıyla ilişkili olacak şekilde tasarladık – güven skoru ne kadar yüksekse, sınıflandırmanın doğru olma olasılığı o kadar yüksek. Bu, sistem performansını ayarlayabilmemizi sağlıyor; laboratuvarımda kullandığım şekilde yüksek doğruluk gerektiriyorsam, DermAI’yi sadece yüksek-güven skorlu sınıflandırmalar sunacak şekilde ayarlayabilirim. Kullanım durumum biraz daha hata toleranslıysa ve daha fazla vaka sınıflandırılmışsa, daha düşük-güven skorlu sınıflandırmaları da dahil edbilirim.

DermAI, patolojinin bugüne kadar gördüğü en kapsamlı çalışmalardan birinde doğrulandı. Çalışmayı ve ana sonuçlarını özetleyebilir misiniz?

Bu, gerçekten çok iddialı bir çalışmaydı. Daha önce de söylediğim gibi, cilt lezyonlarında çok fazla varyasyon var ve bu da karşılık gelen patoloji görüntülerine yansıyor. Herhangi bir laboratuvardan, herhangi bir tarayıcıdan gelen herhangi bir rutin olarak hazırlanmış cilt patoloji slaytını otomatik olarak sınıflandırabilen bir sistem geliştirmek istedik. Fikir, patologların bunları teşhis yapmadan önce sıralayarak ve triyaj ederek kullanabilmeleriydi – doğal olarak geldikleri rastgele sırayla değil, mantıklı bir sırayla ve doğru vakaların doğru patoloğa gitmesini sağlamak için. Ve başladığımızda bunu kimse göstermemişti. Geliştirdiğimiz sistem, görüntüleri sınıflandırmak görevini birden fazla aşamaya ayırarak derin öğrenimi ve temel bilgisayar görüşü tekniklerini birleştirerek gerçekleştirdi. Önemli kısım ise, bunu nasıl test ettiğimizdi. Sistemimizi sadece tek bir siteden 5.000 görüntü ile eğittik, ancak üç ayrı kurumdan, sistemimizin daha önce görmediği yaklaşık üç kat daha fazla görüntü ile test ettik ve kalibre ettik. Bunu yaparak, AI uygulamasını kullanarak cilt biyopsisini sıralayabilmenin ve triyaj edebilmenin mümkün olduğunu gösterdik ve bu, minimal kalibrasyonla birden fazla site için iyi çalışabileceğini gösterdik. Test ettiğimiz veriler, bu sitelerin her birinin gelecekteki iş yükünü taklit ettiğinden, burada gösterilen performansı, laboratuvara DermAI’yi kurarsak göreceğimiz performansla karşılaştırabileceğimizden emindik. Ve sistem ayarlanabilir olduğundan, daha önce bahsettiğim güven skorunu ayarlayarak, sınıflandırılan görüntü yüzdesini ayarlayarak, en az %98 doğruluğa ayarlayabilirim.

Çalışmada, derin öğrenimi algoritmalarının görüntü artifactsına karşı duyarlı olabileceği gözlemi yapıldı. Bu durumda bu görüntü artifactsı tam olarak nedir ve bu sorunu çözmek için bazı çözümler nelerdir?

Evet, beberapa çalışması, patoloji dahil diğer alanlarda AI sistemlerinin görüntü artifactsına karşı duyarlı olabileceğini gösterdi. Bunlar, insan beynimizin kolayca göz ardı edebileceği basit şeyler – bir slayt上的 kir, aydınlatmadaki küçük değişiklikler, bir görüntüdeki bulanık bölgeler, patologların tümör bölgelerini işaretlemek için kullandıkları mürekkep vs. Birkaç örnek verdim, ancak daha birçokları var. AI sistemleri, bu tür sorunlara karşı duyarlı olabilirler, eğer onlara uygun şekilde maruz kalmamışlarsa.

Görüntü artifactsını AI sistemleri için ele almak için gerçekten iki yol var. Birincisi, temizleme – eğitim ve test görüntülerinizin temiz olduğundan emin olmak, ya dijital olarak ya da fiziksel olarak, böylece artifactsın bulunmaması. Bu, bir eğitim veri kümesi için bazen kolaydır, ancak birçok siteye AI sistemini kurmak istiyorsanız, bu her zaman tutarlı bir şekilde yapmak daha zordur. Bu nedenle, ikinci approachı aldık: Bu tür artifactsların iyi temsil edildiğinden emin olmak için veri setimizde. Slaytları bize gönderilmeden önce temizlenmediğinden, gerçek dünyada karşılaşabileceğimiz bazı garip sorunların iyi bir temsilini elde ettik. Bu sayede, sistemimizin bu artifactslara maruz kaldığında hazır olabileceğini garantileyebildik.

AI uygulamaları gibi DermAI, patoloji laboratuvarında nasıl uygulanıyor?

Bu, harika bir soru. Farklı laboratuvarlar farklı yaklaşımlar benimsemelerine rağmen, AI benimsemesini gerçekten ölçeklenebilir kılanın, AI özellikli bir platform kullanmak olduğuna inanıyoruz. Daha önce de açıkladığım gibi, laboratuvarların dijital patoloji operasyonları, görüntüleri görüntülemek, yönetmek ve analiz etmek için kullandıkları bir platform etrafında merkezleniyor. Proscia’nın platformu, Concentriq, tüm bu işlevselliği sunuyor ve ayrıca AI uygulamaları için bir fırlatma rampası olarak hizmet ediyor. Laboratuvarların AI’yi günlük işlerine sorunsuz bir şekilde entegre ederek, ölçeklenebilir bir şekilde kullanabileceklerine ve vaatlerini gerçekleştirebileceklerine inanıyoruz.

Proscia hakkında paylaşmak istediğiniz başka bir şey var mı?

Gerçekten, ekibimle birlikte yaptığım çalışmadan çok heyecan duyuyorum. Bugün gerçeklik, hepimizin kanserden etkilenen birini tanıdığı ve bu durumun onlara ve sevdiklerine olan önemli etkisidir. Çalışmamız, hasta sonuçlarını iyileştirebilecek ve gerçekten anlamlı bir fark yaratabilecek potansiyele sahiptir. Bunun bir parçası olmaktan gurur duyuyorum.

Bu bağlamda, birçok önde gelen organizasyonun da yaptığımız çalışmaya inandığını görmek harika. Son birkaç ayda, dünyanın en büyük insan doku verisi deposuna sahip olan Joint Pathology Center (JPC), AI geliştirmeyi hızlandırmak da dahil olmak üzere several nedenlerle bu arşivi dijitalleştirmek için Proscia’yı seçti. Dünyanın ilk %100 dijital patoloji teşhisine ulaşan laboratuvarı olan LabPON da yakın zamanda, patoloji operasyonlarını ölçeklemek ve AI sistemlerimizin geliştirilmesi ve doğrulanması için temel oluşturmak için Proscia’nın platformunu seçti. Ayrıca, AI sistemlerimizin geliştirilmesi ve doğrulanmasında da bizimle işbirliği yapacaklar.

Son olarak, patolojinin uygulamasını tek başımıza dönüştüremeyeceğimizi ve sürekli olarak ekibimizi büyütüyoruz. Bize katılmakla ilgileniyorsanız, Proscia hakkında daha fazla bilgi edinmenizi ve açık pozisyonlarımızı görmenizi teşvik ediyorum.