Юліанна Янні, віце-президент, досліджень та розробки штучного інтелекту, Proscia – Серія інтерв’ю

Юліанна Янні очолює напрямок досліджень та розробки штучного інтелекту в Proscia для створення високоякісних продуктів комп’ютерної патології. Proscia розширює можливості лабораторій за рахунок платформи цифрової патології Concentriq^® та ряду комп’ютерних застосунків. Ці технології трансформують економіку та практику патології, надаючи змогу сучасної, даних-орієнтованої медицини у боротьбі з раком.

Чи можете ви розповісти про походження Proscia?

Патологія є ядром біомедичних досліджень та діагностики раку; однак, хоч ми бачили, як цифровізація вплинула майже на кожен інший аспект охорони здоров’я, патологія залишилася відносно незмінною впродовж 150-річної історії. Це все ще пов’язано з тим, що патологи визначають закономірності в тканинах під мікроскопом. Ця практика є визначено ручною та суб’єктивною, два виклики, які ще більше ускладнюються через зменшення кількості патологів та зростання кількості випадків раку.

Proscia була заснована для вдосконалення стандартів лікування. Наші засновники визнали можливість взяти участь у боротьбі з раком шляхом просування патології від мікроскопа до зображень. Це дозволяє нам допомогти лабораторіям оптимізувати свої операції, досягти суттєвих покращень у якості та продуктивності, а також відкрити нові знання, які не були доступні людському оку. Ці переваги допомагають дослідникам прискорити відкриття та покращити результати лікування пацієнтів по всьому світу.

Від початку нашої діяльності ми зібрали клієнтів серед провідних лабораторій, систем охорони здоров’я, біотехнологічних компаній та дослідницьких організацій. Серед наших клієнтів – університет Джона Гопкінса, університет Пенсильванії та 10 із 20 найбільших фармацевтичних компаній. Нещодавно ми оголосили, що LabPON, перша лабораторія у світі, яка досягла 100% цифрової патології, перейшла на нашу програмну платформу, а Центр спільної патології, який володіє найбільшим у світі репозиторієм даних про людські тканини, перейшов на цифрову патологію з Proscia.

Proscia – це компанія цифрової та комп’ютерної патології. Чи можете ви пояснити нашим читачам, що це означає?

На високому рівні цифрова патологія – це практика оцифрування скляних мікроскопічних слайдів за допомогою сканера, які потім можна переглядати, керувати, ділитися та аналізувати за допомогою програмного забезпечення, включаючи комп’ютерні застосунки, які використовують штучний інтелект.

Proscia зосереджується на програмній частині. Ми пропонуємо основну платформу під назвою Concentriq, яка забезпечує всі функції, необхідні лабораторіям для виконання патологічних операцій. Concentriq також слугує платформою для запуску застосунків штучного інтелекту, включаючи ряд рішень, які ми будемо розробляти.

Я підкреслив багато переваг штучного інтелекту в цифровій патології, включаючи підвищення ефективності та продуктивності, а також можливість відкрити нові знання. Давайте розглянемо деякі конкретні випадки використання, щоб побачити, як це працює. Одним із таких випадків є можливість віддаленої роботи під час пандемії COVID. Коли лабораторії мали пристосовуватися до нових умов роботи, цифрова патологія дозволила патологам продовжувати роботу та надавати допомогу пацієнтам, оскільки вони могли легко ділитися зображеннями та переглядати їх онлайн за допомогою платформи типу Concentriq.

Більш загально, коли ми розглядаємо, як цифрова та комп’ютерна патологія дозволяють патологам покращити якість та ефективність роботи – наприклад, роблячи легше обмін зображеннями для другого висновку або допомагаючи ліквідувати помилкові ручні завдання в лабораторії – це в кінцевому підсумку дозволяє пацієнтам отримувати правильний діагноз швидше, що важливо, оскільки раннє лікування часто призводить до кращих результатів.

Чи можете ви описати, як машинне навчання використовується в патології сьогодні? Куди це рухається?

Це велике питання! Машинне навчання показало свою перспективність у багатьох галузях патології. Одним із випадків використання машинного навчання в патології є визначення конкретних ділянок на зображенні, де розташована пухлина, щоб привернути увагу патолога. Воно також може бути використано для отримання кількісних даних про зразки тканин – наприклад, підрахунку кількості клітин, які активно ділиться (звичний маркер раку). Деякі також працюють над завданнями класифікації, наприклад, категоризацією зображень за діагнозом або певними закономірностями, які вони представляють, а інші працюють над тим, як використовувати машинне навчання для прогнозування результатів лікування пацієнтів або реакції на певні терапії. Там відбувається багато цікавої роботи!

У кінцевому підсумку в патології більшість випадків використання машинного навчання спрямовані на вирішення кількох клінічних та дослідницьких проблем. Першою є проблема обсягу. Є все більше випадків для розгляду, а кількість патологів, які можуть виконувати ці діагнози, зменшується. Багато машинного навчання в патології спрямовано на підвищення ефективності діагностики на рівні окремих патологів та лабораторій. Друга велика проблема – це якість діагностики та лікування – як покращити точність діагностики, як покращити прогнозування, і як покращити результати лікування пацієнтів у кінцевому підсумку?

Щодо другої частини вашого питання, я повинен відрізнити те, що зараз знаходиться на стадії дослідження, і те, що відбувається в клінічній практиці. Наразі більшість робіт у цій галузі проводиться на стадії дослідження, і дуже складно перекласти деякі з цих відкриттів у клінічну практику. Це саме те, куди, на мою думку, повинно рухатися машинне навчання – будувати системи та рівень якості, необхідні для перекладу деяких фантастичних досліджень у практику, так, щоб вони могли працювати у реальному світі та приносити користь патологічним лабораторіям та їхнім пацієнтам. Будування штучного інтелекту, який працює у “реальному світі”, завжди було підходом Proscia.

Proscia’s DermAI використовує глибоке навчання для попереднього скринінгу та автоматичної класифікації сотень варіантів шкірних захворювань у категорії попередньої діагностики. Які були ваші ключові міркування при розробці цієї програми?

Перш за все, нам потрібно було визначити, для чого ми будували цю систему. Ми хотіли, щоб вона могла класифікувати будь-яку шкірну лезію, а не лише певний тип. І є багато варіацій у шкірній патології, як ви сказали, сотні варіантів. Тому нам потрібно було переконатися, що ми маємо всі ці варіації добре представлені у нашому навчальному наборі. Це може бути досить складно, оскільки деякі типи лезій рідше за інші, і складно побудувати набір даних, який би містив достатньо прикладів деяких з цих рідкісних патологій для навчання та забезпечення того, щоб ми мали достатньо прикладів для нашої моделі, щоб вона могла вивчити.

Друга річ, про яку нам потрібно було подумати, полягає в тому, що ми не будували щось, що мало б працювати лише в одному місці або для зображень, отриманих за допомогою певного типу сканера. Це було про те, щоб побудувати щось, що могло б працювати на зображеннях будь-якої лабораторії, будь-якого сканера. Між сайтами та сканерами може бути багато варіацій щодо вигляду зображення – кольори, яскравість, артефакти тощо. Нам потрібно було розробити систему, яка могла б врахувати всі ці варіації, і не потребувала б величезної кількості даних для калібрування та запуску для нового сайту.

У нас були ще кілька міркувань щодо побудови системи штучного інтелекту, яка могла б працювати у “реальному світі”. Одним із них було представлення “невідомих”. Адже ми знаємо, що системи штучного інтелекту ніколи не є досконалими, і є так багато варіацій у шкірних лезіях. Нам потрібно було, щоб DermAI могла визначити, чого вона не знає, і могла б надати цю інформацію, коли була б надто невпевнена, щоб зробити добру класифікацію. Тому ми ввели метод присвоєння кожній класифікації оцінки впевненості, і ми побудували це так, щоб воно корелювало з продуктивністю системи – чим вища оцінка впевненості, тим більш ймовірно, що класифікація буде правильною. Це означає, що ми можемо налаштувати продуктивність системи; якщо той спосіб, яким я використовую її в моїй лабораторії, вимагає дуже високої точності, я можу налаштувати DermAI на надання лише класифікацій з високою оцінкою впевненості. Якщо мій випадок використання дозволяє певну помилку та я віддаю перевагу більшій кількості класифікованих випадків, то я можу включити класифікації з нижчою оцінкою впевненості.

DermAI була перевірена в одному з найбільш повних досліджень патології на сьогодні. Чи можете ви підсумувати це дослідження та його ключові висновки?

Це було дослідження величезного масштабу. Як я тільки що згадав, є величезна кількість варіацій у шкірних лезіях, що відповідає патологічним зображенням, і ми хотіли розробити систему, яка могла б автоматично класифікувати будь-яку звичайну шкірну патологію – з будь-якої лабораторії та будь-якого сканера. Ідея полягала в тому, що патологи могли б використовувати її для сортування та тріажу випадків перед тим, як вони сядуть для діагностики – пріоритизуючи випадки в порядку, який має сенс, а не в випадковому порядку, в якому вони природно надходять, і забезпечуючи, щоб правильні випадки потрапляли до правильних патологів, а не мали бути відправлені в інше місце пізніше. І ніхто не продемонстрував нічого подібного, коли ми почали розробляти це кілька років тому. Систему, яку ми розробили, можна було розділити на кілька етапів за допомогою поєднання глибокого навчання та базових комп’ютерних технік – виявлення тканини на слайді, адаптація вигляду зображення так, щоб воно було в знайомому просторі для навченої системи, виявлення ділянок інтересу та, нарешті, класифікація у чотири різні категорії на основі закономірностей, присутніх у тканині. Найважливішим було те, як ми її протестували. Хоча ми навчали систему лише на 5 000 зображень з одного сайту, ми калібрували та протестували її на майже в три рази більше зображень з трьох зовсім різних установ, дані яких наша система ніколи не бачила. Роблячи це, ми показали, що можливо побудувати застосунок штучного інтелекту для сортування та тріажу шкірних біопсій, який міг би працювати на кількох сайтах з мінімальною калібруванням. Оскільки дані, які ми протестували, імітували робоче навантаження кожної з цих установ, ми могли бути впевнені, що продуктивність, продемонстрована тут, буде порівнювана з тією, яку ми бачили б, якщо б встановили DermAI в лабораторії. І оскільки система налаштовується шляхом регулювання порогу впевненості, який я згадував раніше, залежно від відсотка класифікованих зображень, ми можемо налаштувати її на точність не менше 98%.

Одним із спостережень у дослідженні було те, як алгоритми глибокого навчання можуть бути чутливими до артефактів зображення. Що саме ці артефакти зображення в цьому випадку та які є рішення цієї проблеми?

Так, кілька досліджень продемонстрували чутливість систем штучного інтелекту до артефактів зображення в патології, як і в будь-якій іншій галузі. Це часто прості речі, які наші людські мізки легко ігнорують – бруд на слайді, незначні зміни освітлення, розмиті ділянки зображення, чорнило, яке патологи часто використовують для позначення ділянок пухлини. Я перелічую кілька прикладів, але їх безліч. Системи штучного інтелекту можуть бути легко обмануті цими проблемами, якщо вони не були належним чином представлені під час навчання.

Є два шляхи для вирішення проблеми артефактів зображення для систем штучного інтелекту. Перший полягає у очищенні – забезпечення того, щоб зображення, які ви використовуєте для навчання та тестування, були дуже чистими, або цифровим, або фізичним чином, так, щоб не було жодних артефактів. Це іноді легко зробити для навчального набору, але набагато складніше зробити це послідовно, якщо ви хочете встановити систему штучного інтелекту на багатьох сайтах. Тому ми обрали другий шлях: забезпечення того, щоб ці види артефактів були добре представлені у наших даних. Ми не мали слайдів, очищених перед тим, як вони були відправлені нам, тому у нас є багато прикладів деяких дивних проблем, які ви можете зустріти у реальному світі, але не бачите у ідеальному навчальному наборі. Таким чином, ми могли забезпечити, щоб наша система була готова, коли вона зустріне ці артефакти на зображеннях, яких вона не бачила раніше.

Як програми штучного інтелекту, такі як DermAI, впроваджуються в патологічні лабораторії?

Це велике питання. Хоча різні лабораторії підходять до цього по-різному, ми вважаємо, що єдиний спосіб, nhờ якого лабораторії зможуть масштабувати свою адоптацію штучного інтелекту, полягає у використанні платформи, що підтримує штучний інтелект. Як я описував вище, операції цифрової патології лабораторій центруються навколо платформи, яку вони використовують для перегляду, керування та аналізу зображень. Платформа Proscia, Concentriq, забезпечує всю цю функціональність і також слугує платформою для запуску застосунків штучного інтелекту. Ми вважаємо, що цей підхід робить легко лабораторіям розгортати штучний інтелект на практиці, безшовно інтегруючи його у їхню щоденну роботу, щоб вони могли масштабно використовувати його та реалізовувати його справжній потенціал.

Чи є ще щось, про що ви хотіли б розповісти про Proscia?

Я дуже радий роботі, яку роблять моя команда та я. Нещаслива реальність полягає в тому, що ми всі знаємо когось, хто був вплинутий раком, і значного впливу, який це має на них та їхніх близьких. Наша робота має потенціал покращити результати лікування пацієнтів та справді зробити суттєву різницю. Це щось, чим я пишаюся бути частиною.

У цьому контексті приємно бачити, що багато провідних організацій також вірять у роботу, яку ми робимо. За останні кілька місяців Центр спільної патології (JPC), який володіє найбільшим у світі репозиторієм даних про людські тканини, вибрав Proscia для оцифрування цього архіву. JPC має кілька причин для переходу на цифрову патологію, включаючи прискорення розвитку штучного інтелекту. LabPON, перша лабораторія у світі, яка досягла 100% цифрової патології, також нещодавно вибрала платформу Proscia для масштабування патологічних операцій та створення основи для впровадження штучного інтелекту. LabPON також буде співпрацювати з нами у розробці та валідації наших систем штучного інтелекту.

І, нарешті, ми розуміємо, що не можемо змінити практику патології самі та постійно розширюємо нашу команду. Якщо ви зацікавлені приєднатися до нас, я закликаю вас дізнатися більше про Proscia та переглянути наші відкриті посади.