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

Julianna Ianni, Proscia’nın AI araştırma ve geliştirme çalışmalarını yürütüyor ve yüksek kaliteli hesaplamalı patoloji ürünleri geliştiriyor. Proscia, Concentriq^® dijital patoloji platformu ve hesaplamalı uygulamalar pipeline’ı ile geleneksel araçların sınırlarını aşarak laboratuvarları ileri taşıyor. Modern dijital laboratuvarın merkezinde çalışan bu teknolojiler, patolojinin ekonomisini ve uygulamasını dönüştürüyor ve modern, veri odaklı tıbbı kanserle mücadele için kullanıyor.

Proscia’nın hikayesini paylaşabilir misiniz?

Patoloji, biyomedikal araştırma ve kanser teşhisinin merkezinde yer alıyor; ancak, sağlık hizmetlerinin diğer alanlarında görülen dijitalleşme, patolojinin 150 yıllık tarihinde büyük ölçüde değişmedi. Hala bir patoloğun mikroskop altında doku desenlerini tanıması etrafında dönüyor. Bu uygulama, doğası gereği manuel ve subjektif, ve patolog sayısının azalması ve kanser yükünün artmasıyla daha da zorlaşıyor.

Proscia, bu standardı geliştirmek için kuruldu. Kurucularımız, mikroskobun yerine görüntülere dayalı bir patolojiyi teşvik ederek kanserle mücadele etmek için bir fırsat gördüler. Bunu yaparak, laboratuvarların operasyonlarını basitleştirmelerine, kalite ve verimlilikte anlamlı iyileştirmeler elde etmelerine ve insan gözüyle görülenden daha yeni içgörüler açığa çıkarmalarına olanak tanıyoruz. Toplu olarak, bu faydalar, araştırmacıların buluşları hızlandırmasına ve patologların dünya çapındaki hastalar için sonuçları iyileştirmesine yardımcı oluyor.

Erken günlerimizden bu yana, önde gelen laboratuvarlar, sağlık sistemleri, yaşam bilimleri şirketleri ve araştırma organizasyonlarından oluşan bir müşteri tabanını biriktirdik. Çok sayıda 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 Laboratuvar LabPON’un, yazılım platformumuza geçiş yaptığını ve dünyanın en büyük insan doku verisi deposuna sahip Joint Pathology Center’in Proscia ile dijitalleşeceğini duyurduk.

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

Yüksek düzeyde, dijital patoloji, mikroskop camlarını bir tarayıcı kullanarak dijitalleştirmeyi ve sonra bunları görüntülemek, yönetmek, paylaşmak ve analiz etmek için yazılım, AI uygulamaları dahil olmak üzere çeşitli araçlar kullanmayı içerir.

Proscia, özellikle yazılım tarafına odaklanıyor. Laboratuvarların rutin patoloji operasyonlarını gerçekleştirmeleri için gerekli tüm kurumsal işlevselliği sunan Concentriq adlı bir çekirdek platform sunuyoruz. Concentriq, aynı zamanda AI uygulamaları için bir lançpad görevi görüyor, bunlara kendi inşa ettiğimiz bir dizi çözüm dahil.

AI destekli dijital patolojinin faydalarını, verimlilik ve üretkenlik kazanımlarını ve yeni içgörüler açığa çıkarma yeteneğini vurguladım. Şimdi, bu faydaların nasıl gerçekleştiğini görmek için bazı özel kullanım örneklerine dalalım. Özellikle şimdi aklımda olan bir örnek, COVID-19 sırasında uzaktan operasyonları mümkün kılmasıdır. Laboratuvarlar, sosyal mesafeyi sağlamak için yeni çalışma yöntemlerine uyum sağlamak zorunda kaldıklarında, dijital patoloji, patologların çalışmaya devam etmelerine ve hastalara hizmet vermelerine olanak tanıdı, çünkü görüntüleri kolayca paylaşabilir ve bir platform gibi Concentriq ile talep üzerine görebilirler. Alternatif, genellikle laboratuvarların fiziksel cam slaytları patologların evlerine teslim etmeleridir. Bu ne kadar zaman alıcı ve pahalı olabileceğini düşünün!

Daha genel olarak, Proscia’nın dijital ve hesaplamalı patoloji çözümlerinin, patologların kalite ve verimliliği nasıl iyileştirebileceğini ve hastaların doğru teşhisi daha hızlı almasına nasıl olanak tanıdığını görmek önemlidir. Bu, erken tedavi genellikle daha iyi sonuçlara yol açtığı için önemlidir.

Makine öğrenimi, günümüzde patolojide nasıl kullanılıyor? Nereye gidiyor?

Bu, büyük bir soru! Makine öğrenimi, patolojinin birçok alanında vaat gösterdi. Makine öğreniminin patolojideki bir ortak kullanım örneği, bir görüntüdeki tümör dokusunun bulunduğu belirli bölgeleri tanımlamak ve bir patoloğun dikkatini oraya çekmektir. Ayrıca, doku örnekleri hakkında nicel içgörüler sunabilir – örneğin, aktif olarak bölünen hücre sayısını (kanserin ortak bir göstergesi) sayabilir. Bazıları, görüntüleri teşhis veya belirli desenlere göre sınıflandırmaya çalışıyor ve diğerleri, makine öğrenimini kullanarak hasta sonuçlarını veya belirli tedavilere yanıtları öngörme konusunda çalışıyor. Bu alanda çok ilginç çalışmalar var!

Aslında, patolojideki çoğu makine öğrenimi kullanım örneği, birkaç temel klinik ve araştırma sorununu çözmeyi hedefliyor. İlk olarak, hacim sorunu var. İncelenmesi gereken vakaların sayısı artıyor ve patolog sayısının azalmasıyla birlikte bu sorun daha da büyüyor. Patolojideki çoğu makine öğrenimi, tanının verimliliğini laboratuvar ve bireysel düzeyde iyileştirmeyi amaçlıyor. İkinci büyük sorun, tanı ve bakım kalitesi – nasıl tanısal doğruluğu iyileştirebiliriz, nasıl prognozu iyileştirebiliriz ve nasıl hasta sonuçlarını iyileştirebiliriz?

Soru’nun ikinci kısmına cevap vermek için, günümüzde araştırma aşamasında olanı ve klinik uygulamada olanı ayırt etmeliyim. Şu anda, alanın çoğunda yapılan çalışma, araştırma aşamasında ve bazı araştırmaların klinik uygulamaya çevrilmesi çok zor olabilir. İşte makine öğreniminin gitmesi gereken yer – laboratuvarlarda ve nihayetinde hastalara faydalar sağlayacak şekilde araştırma bulgularını klinik uygulamaya dönüştürmek için gerekli sistemleri ve kalite seviyesini oluşturmak. Proscia’nın yaklaşımı her zaman “gerçek dünya”da çalışan AI inşa etmek oldu.

Proscia’nın DermAI’si, derin öğrenmeyi kullanarak cilt hastalıklarının hundreds of varyantlarını önceden tanımlayarak ve otomatik olarak sınıflandırmaya olanak tanır. Bu uygulamayı tasarlamak ve geliştirmek için ana consideration’larınız nelerdi?

Öncelikle, sistemin ne yaptığını dikkate almak zorunda olduk. Herhangi bir cilt lezyonunu, sadece belirli bir tür değil, sınıflandırmak istedik. Ve cilt patolojisinde çok fazla varyasyon var, yüzlerce varyant. Bu nedenle, eğitim setimizde bu varyasyonların iyi temsil edildiğinden emin olmak zorunda olduk. Bu aslında oldukça zor olabilir, çünkü bazı lezyon türleri diğerlerinden daha nadirdir ve bu nadir patolojilerin yeterli örneğini içeren bir veri seti oluşturmak ve modelimizin öğrenmesi için yeterli örnekten emin olmak zor olabilir.

İkincisi, gerçekten, sadece tek bir site için veya belirli bir tarayıcı ile taranmış görüntüler için değil, herhangi bir laboratuvarın görüntülerinde, herhangi bir tarayıcıda çalışabilen bir şey inşa ettiğimizi düşünmek zorunda olduk. Siteler ve tarayıcılar arasında görüntü görünümü açısından çok fazla varyasyon olabilir – renkler, parlaklık, artifacts vs. Bu varyasyonları hesaba katacak ve yeni bir site için büyük miktarda veri ile kalibre edilmeye gerek kalmayacak bir sistem geliştirmek zorunda olduk.

DermAI’yi “gerçek dünya”da çalışacak bir AI sistemi olarak inşa ederken, birkaç başka consideration’ı da dikkate almak zorunda olduk. Bir diğeri, “bilinmeyenleri” temsil etmekti. AI sistemlerinin mükemmel olmadığını ve cilt lezyonlarında çok fazla varyasyon olduğunu biliyoruz. DermAI’nin ne bilmediğini bilmesi ve bize bu bilgiyi vermesi gerekiyordu. Bu nedenle, her sınıflandırma için bir güven skorunu atamak için bir yöntem geliştirdik ve bunu, sistem performansıyla ilişkili olacak şekilde tasarladık – güven skoru ne kadar yüksekse, sınıflandırma o kadar doğru olur. Bu, sistem performansını ayarlamamızı sağlar; çok yüksek doğruluk gerektiren bir laboratuvar için, sadece yüksek güven skorlu sınıflandırmaları teslim edebiliriz. Hata toleransı daha yüksek bir kullanım durumu için, daha düşük güven skorlu sınıflandırmaları da dahil edebiliriz.

DermAI, patolojinin en kapsamlı çalışmalarından birinde doğrulandı. Çalışmayı ve ana sonuçlarını özetleyebilir misiniz?

Bu,非常 ambitionlu bir çalışmaydı. Cilt lezyonlarında çok fazla varyasyon olduğunu ve bu varyasyonun patoloji görüntülerine de yansıyacağını söylemiştim. Bir sistem geliştirmek istedik ki, herhangi bir laboratuvardan, herhangi bir tarayıcıdan gelen herhangi bir rutin cilt patoloji slaytını otomatik olarak sınıflandırsın – patologlar, vakaları önceliklendirmek ve doğru patoloğa göndermek için kullanabilsinler. Hiç kimse, birkaç yıl önce başladığımızda, bunu göstermemişti. Sistemimizi, derin öğrenme ve temel bilgisayar görme tekniklerinin bir kombinasyonunu kullanarak, görüntüleri birden fazla aşamaya ayırarak inşa ettik – slayttaki dokuyu tespit etme, görüntüyü sistem için tanıdık bir forma getirme, ilgili bölgeleri tespit etme ve sonunda dokudaki desenlere dayanarak dört farklı kategoriye sınıflandırma. Önemli olan, bunu nasıl test ettiğimizdi. Sistemimizi, tek bir siteden 5.000 görüntüye eğitim verdik, ancak neredeyse üç katı kadar görüntüye, sistemimizin daha önce görmediği üç ayrı kuruluştan, kalibre ettik ve test ettik. Bu, bir AI uygulamasının, minimal kalibrasyonla, birden fazla sitede iyi performans gösterebileceğini gösterdi. Test ettiğimiz veriler, bu sitelerin prospektif iş yükünü taklit ediyordu, bu nedenle burada gösterilen performansı, bir laboratuvara DermAI’yi kurduğumuzda göreceğimiz performansla karşılaştırabilecektik. Güven skorunu ayarlayarak, %98’e varan doğruluğa ulaşabileceğiz.

Çalışmada, derin öğrenme algoritmalarının görüntü artifacts’ine karşı duyarlı olabileceği gözlemledi. Bu durumda, tam olarak nelerdir ve bu sorunu çözme çözümleri nelerdir?

Evet, beberapa çalışmada, patoloji dahil birçok alanda, AI sistemlerinin görüntü artifacts’ine karşı duyarlı olabileceği gösterildi. Bunlar, insan beyninin kolayca göz ardı edebileceği basit şeyler – bir slayt上的 kir, hafif aydınlatma değişiklikleri, bulanık bölgeler, patologların tümör bölgelerini işaretlemek için kullandıkları kalem mürekkebi. Liste uzar gider. AI sistemleri, bu tür sorunlara karşı duyarlı olabilir, eğer onlara karşı uygun şekilde eğitilmezlerse.

Görüntü artifacts’ini AI sistemleri için ele almak için iki yol var. Birincisi, temizleme – eğitim ve test görüntülerinin temizlendiğinden emin olmak, böylece artifacts olmadığından. Bu, bir eğitim veri seti için bazen kolay olabilir, ancak bir AI sistemini birçok siteye kurmaya çalışıyorsanız, bunu tutarlı bir şekilde yapmak çok daha zordur. Bu nedenle, ikinci approach’ı seçtik: Bu tür artifacts’ın iyi temsil edildiğinden emin olmak için veri setimize bunları dahil ettik. Slaytları temizlemedik, bu nedenle veri setimizde, gerçek dünyada karşılaşabileceğimiz bazı garip sorunların temsil edildiğinden emin olduk. Bu, sistemimizin bu artifacts’a maruz kaldığında hazır olmasını sağladı.

AI uygulamaları gibi DermAI, patoloji laboratuvarlarında nasıl uygulanıyor?

Harika bir soru! Farklı laboratuvarlar, farklı yaklaşımlar benimsemekle birlikte, AI benimsemesini gerçekten ölçeklendirme yolunun, AI destekli bir platform kullanmaktan geçtiğine inanıyoruz. Laboratuvarların dijital patoloji operasyonları, görüntüleri görüntülemek, yönetmek ve analiz etmek için kullandıkları bir platform etrafında dönüyor. Proscia’nın platformu Concentriq, tüm bu işlevselliği sunuyor ve aynı zamanda AI uygulamaları için bir lançpad görevi görüyor. Bu yaklaşımın, laboratuvarların AI’ı günlük işlerine kolayca entegre etmelerini ve AI’ın vaat ettiği faydaları gerçekleştirmelerini sağladığına inanıyoruz.

Proscia hakkında paylaşmak istediğiniz başka bir şey var mı?

Ekibimle birlikte yaptığım çalışmadan gerçekten gurur duyuyorum. Maalesef, hepimiz kanserin jemandını etkilediğini biliyoruz ve bu, onlar ve sevdikleri için büyük bir etkiye sahip. Çalışmamız, hasta sonuçlarını iyileştirebilecek ve gerçekten anlamlı bir fark yaratabilecek potansiyele sahip. Bunun bir parçası olmaktan gurur duyuyorum.

Bununla birlikte, birçok önde gelen organizasyonun da yaptığımız işe inandığını görmek harika. Son aylarda, Joint Pathology Center (JPC), dünyanın en büyük insan doku verisi deposuna sahip ve AI geliştirmeyi hızlandırmak isteyen, Proscia’yı bu arşivin dijitalleştirilmesi için seçti. JPC, birkaç nedenden dolayı dijitalleşmek istiyor. Ayrıca, dünyanın ilk %100 dijital patoloji teşhisine ulaşan Laboratuvar LabPON, Proscia’nın platformunu seçti ve AI sistemlerimizin geliştirilmesi ve doğrulanması için bizimle işbirliği yapacak.

Ve nihayet, patolojinin uygulamasını tek başımıza dönüştüremeyeceğimizi ve sürekli olarak ekibimizi büyüttüğümüzü anlıyoruz. Bize katılmakla ilgileniyorsanız, Proscia hakkında daha fazla bilgi edinmenizi ve açık pozisyonlarımızı görüntülemenizi teşvik ediyorum.