Julianna Ianni, Phó Chủ tịch, Nghiên cứu và Phát triển Trí tuệ Nhân tạo, Proscia – Loạt Phỏng vấn

Julianna Ianni dẫn đầu nhóm Nghiên cứu và Phát triển Trí tuệ Nhân tạo của Proscia để phát triển các sản phẩm giải phẫu bệnh học tính toán chất lượng cao. Proscia đang đẩy các phòng thí nghiệm vượt qua giới hạn của các công cụ truyền thống với nền tảng giải phẫu bệnh học số Concentriq^® và đường ống các ứng dụng tính toán. Hoạt động tại trung tâm của phòng thí nghiệm hiện đại, những công nghệ này đang biến đổi nền kinh tế và thực hành của giải phẫu bệnh học, đưa sức mạnh của y học hiện đại, dựa trên dữ liệu, vào cuộc chiến chống lại ung thư.

Bạn có thể chia sẻ câu chuyện về nguồn gốc của Proscia?

Giải phẫu bệnh học nằm ở trung tâm của nghiên cứu sinh học và chẩn đoán ung thư; tuy nhiên, trong khi chúng ta đã thấy sự số hóa tác động đến gần như mọi khía cạnh khác của chăm sóc sức khỏe, giải phẫu bệnh học vẫn còn tương đối không thay đổi trong 150 năm qua. Nó vẫn tập trung vào việc một nhà giải phẫu bệnh học nhận biết các mẫu trong mô dưới kính hiển vi. Thực hành này vốn là thủ công và chủ quan, hai thách thức được khuếch đại bởi sự giảm dân số của các nhà giải phẫu bệnh học và gánh nặng ung thư ngày càng tăng.

Proscia được thành lập để thúc đẩy tiêu chuẩn chăm sóc này. Các nhà sáng lập của chúng tôi đã nhận ra cơ hội để tham gia vào cuộc chiến chống lại ung thư bằng cách thúc đẩy sự chuyển đổi của giải phẫu bệnh học từ kính hiển vi sang hình ảnh. Bằng cách làm như vậy – bằng cách thúc đẩy giải phẫu bệnh học số – chúng tôi đang cho phép các phòng thí nghiệm tối ưu hóa hoạt động, đạt được những cải thiện đáng kể về chất lượng và năng suất, và mở khóa những hiểu biết mới mà mắt người không thể nhìn thấy. Tổng thể, những lợi ích này đang giúp các nhà nghiên cứu đẩy nhanh những đột phá và giúp các nhà giải phẫu bệnh học cải thiện kết quả cho bệnh nhân trên toàn thế giới.

Kể từ những ngày đầu, chúng tôi đã xây dựng một cơ sở khách hàng gồm các phòng thí nghiệm hàng đầu, hệ thống chăm sóc sức khỏe, công ty khoa học đời sống và tổ chức nghiên cứu. Trong số nhiều khách hàng doanh nghiệp của chúng tôi, chúng tôi hợp tác với Đại học Johns Hopkins, Đại học Pennsylvania, và 10 trong số 20 công ty dược phẩm hàng đầu. Chúng tôi cũng vừa thông báo rằng LabPON, phòng thí nghiệm đầu tiên trên thế giới đạt được 100% chẩn đoán giải phẫu bệnh học số, đang chuyển sang nền tảng phần mềm của chúng tôi, và Trung tâm Giải phẫu bệnh học Liên hợp, nơi lưu trữ kho dữ liệu mô người lớn nhất thế giới, đang số hóa với Proscia.

Proscia là một công ty giải phẫu bệnh học số và tính toán. Bạn có thể giải thích cho độc giả của chúng tôi về ý nghĩa của điều này?

Ở mức độ cao, giải phẫu bệnh học số là thực hành số hóa các mẫu kính hiển vi bằng máy quét, sau đó có thể được xem, quản lý, chia sẻ và phân tích bằng phần mềm, bao gồm cả các ứng dụng tính toán tận dụng trí tuệ nhân tạo.

Proscia tập trung cụ thể vào phía phần mềm. Chúng tôi cung cấp một nền tảng cốt lõi, gọi là Concentriq, cung cấp tất cả các chức năng doanh nghiệp mà các phòng thí nghiệm cần để thực hiện các hoạt động giải phẫu bệnh học thường xuyên. Concentriq cũng phục vụ như một bệ phóng cho các ứng dụng trí tuệ nhân tạo, bao gồm cả bộ giải pháp mà chúng tôi đang xây dựng.

Tôi đã nhấn mạnh nhiều lợi ích của giải phẫu bệnh học số được hỗ trợ bởi trí tuệ nhân tạo, bao gồm thúc đẩy hiệu quả và năng suất, cũng như khả năng mở khóa những hiểu biết mới, ở trên, vì vậy hãy cùng khám phá một số trường hợp sử dụng cụ thể để xem cách những lợi ích này được hiện thực hóa. Một trường hợp đang được quan tâm đặc biệt hiện nay là việc cho phép hoạt động từ xa trong thời kỳ COVID. Khi các phòng thí nghiệm phải điều chỉnh để thích nghi với cách làm việc mới nhằm tuân thủ giãn cách xã hội, giải phẫu bệnh học số đã cho phép các nhà giải phẫu bệnh học tiếp tục làm việc và phục vụ bệnh nhân vì nó cho phép họ dễ dàng chia sẻ hình ảnh và xem chúng theo yêu cầu với một nền tảng như Concentriq. Giải pháp thay thế thường là các phòng thí nghiệm phải giao các mẫu kính hiển vi vật lý đến nhà của các nhà giải phẫu bệnh học. Hãy nghĩ về việc này có thể tốn thời gian và tốn kém như thế nào!

Bạn có thể mô tả cách học máy được sử dụng trong giải phẫu bệnh học ngày nay? Và nó sẽ đi đến đâu?

Đó là một câu hỏi lớn! Học máy đã thực sự cho thấy nhiều hứa hẹn trong nhiều lĩnh vực của giải phẫu bệnh học. Một trường hợp sử dụng phổ biến của học máy trong giải phẫu bệnh học là để xác định các vùng cụ thể trong hình ảnh nơi mô ung thư được tìm thấy để thu hút sự chú ý của nhà giải phẫu bệnh học đến đó. Nó cũng có thể được sử dụng để cung cấp thông tin định lượng về mẫu mô – ví dụ, đếm số lượng tế bào đang phân chia tích cực (một dấu hiệu phổ biến của ung thư). Một số người cũng đang làm việc trên các vấn đề phân loại, như có thể phân loại hình ảnh dựa trên chẩn đoán hoặc các mẫu cụ thể mà chúng đại diện, và những người khác đang làm việc trên cách sử dụng học máy để dự đoán kết quả bệnh nhân hoặc phản ứng với các phương pháp điều trị cụ thể. Có rất nhiều công việc thú vị đang được thực hiện trong lĩnh vực này!

Proscia’s DermAI tận dụng học sâu để sàng lọc trước và phân loại tự động hàng trăm biến thể của bệnh da vào các loại trước chẩn đoán. Những yếu tố then chốt nào bạn đã xem xét khi thiết kế và phát triển ứng dụng này?

Trước hết và quan trọng nhất, chúng tôi phải xem xét những gì chúng tôi đang xây dựng hệ thống để thực hiện. Chúng tôi muốn nó có thể phân loại bất kỳ tổn thương da nào, không chỉ một loại cụ thể. Và có rất nhiều sự biến đổi trong bệnh lý da, như bạn đã nói, hàng trăm biến thể. Vì vậy, chúng tôi cần đảm bảo rằng chúng tôi đã đại diện cho tất cả sự biến đổi này trong tập dữ liệu đào tạo của mình. Điều này thực sự có thể rất thách thức, vì một số loại tổn thương hiếm hơn những loại khác, và có thể khó xây dựng một tập dữ liệu có đủ ví dụ về một số bệnh lý hiếm này để đào tạo và đảm bảo rằng chúng tôi có đủ ví dụ cho mô hình của mình để học hỏi.

DermAI đã được xác thực trong một trong những nghiên cứu toàn diện nhất về giải phẫu bệnh học cho đến ngày nay. Bạn có thể tóm tắt nghiên cứu và những kết quả chính của nó?

Đây là một nghiên cứu có phạm vi cực kỳ tham vọng. Như tôi vừa đề cập, có một lượng lớn sự biến đổi trong các tổn thương da, điều này tương đương với hình ảnh bệnh lý tương ứng, và chúng tôi muốn phát triển một hệ thống có thể phân loại tự động bất kỳ mẫu kính hiển vi bệnh lý da nào được chuẩn bị thường xuyên – từ bất kỳ phòng thí nghiệm và bất kỳ máy quét nào. Ý tưởng là các nhà giải phẫu bệnh học có thể sử dụng nó để phân loại và phân loại các trường hợp trước khi họ ngồi xuống để chẩn đoán – ưu tiên các trường hợp theo thứ tự có ý nghĩa thay vì theo thứ tự ngẫu nhiên chúng tự nhiên đến và đảm bảo các trường hợp đúng được gửi đến nhà giải phẫu bệnh học đúng thay vì phải gửi đến nơi khác sau. Và không ai đã chứng minh bất cứ điều gì gần giống như vậy khi chúng tôi bắt đầu phát triển điều này một vài năm trước. Hệ thống chúng tôi đã phát triển đã chia nhỏ nhiệm vụ phân loại hình ảnh thành nhiều giai đoạn sử dụng sự kết hợp của học sâu và các kỹ thuật tầm nhìn máy tính cơ bản – phát hiện mô trên mẫu, điều chỉnh ngoại hình của hình ảnh để nó nằm trong không gian quen thuộc với hệ thống được đào tạo, phát hiện các vùng quan tâm, và cuối cùng là phân loại vào bốn loại khác nhau dựa trên các mẫu hiện diện trong mô. Phần quan trọng though, là cách chúng tôi đã kiểm tra nó. Trong khi chúng tôi chỉ đào tạo hệ thống trên 5.000 hình ảnh từ một trang web duy nhất, chúng tôi đã hiệu chỉnh và kiểm tra nó trên gần ba lần số lượng hình ảnh từ ba tổ chức hoàn toàn riêng biệt mà hệ thống của chúng tôi chưa từng thấy. Bằng cách này, chúng tôi đã chứng minh rằng có thể xây dựng một ứng dụng trí tuệ nhân tạo để phân loại và phân loại các sinh thiết da, có thể hoạt động tốt trên nhiều trang web với hiệu chỉnh tối thiểu. Vì dữ liệu chúng tôi đã kiểm tra mô phỏng khối lượng công việc tương lai của mỗi trang web, chúng tôi có thể tự tin rằng hiệu suất được thể hiện ở đây sẽ tương đương với những gì chúng tôi sẽ thấy nếu chúng tôi cài đặt DermAI trong một phòng thí nghiệm. Và vì hệ thống có thể điều chỉnh bằng cách điều chỉnh ngưỡng tin cậy mà tôi đã đề cập trước đó, tùy thuộc vào tỷ lệ phần trăm hình ảnh chúng tôi phân loại, chúng tôi có thể điều chỉnh nó lên đến ít nhất 98% độ chính xác.

Một trong những quan sát trong nghiên cứu là cách các thuật toán học sâu có thể nhạy cảm với các hiện tượng hình ảnh. Cụ thể, những hiện tượng hình ảnh này là gì trong trường hợp này và một số giải pháp để giải quyết vấn đề này?

Đúng, một số nghiên cứu đã chứng minh sự nhạy cảm của các hệ thống trí tuệ nhân tạo với các hiện tượng hình ảnh trong giải phẫu bệnh học cũng như trong bất kỳ lĩnh vực nào khác. Những thứ này thường là những thứ đơn giản mà não bộ con người dễ dàng bỏ qua – bụi trên mẫu, sự thay đổi nhẹ về ánh sáng, các vùng mờ của hình ảnh, mực từ các nhà giải phẫu bệnh học thường sử dụng để đánh dấu các vùng của khối u. Tôi đang liệt kê một số ví dụ nhưng có vô số những thứ khác. Các hệ thống trí tuệ nhân tạo có thể dễ dàng bị đánh lừa bởi những vấn đề này nếu chúng chưa được tiếp xúc đúng cách với chúng.

Làm thế nào các ứng dụng trí tuệ nhân tạo như DermAI đang được triển khai trong phòng thí nghiệm giải phẫu bệnh học?

Đó là một câu hỏi tuyệt vời. Trong khi các phòng thí nghiệm khác nhau đang áp dụng các phương pháp khác nhau, chúng tôi tin rằng cách duy nhất các phòng thí nghiệm sẽ thực sự mở rộng việc áp dụng trí tuệ nhân tạo của mình là bằng cách tận dụng một nền tảng được hỗ trợ bởi trí tuệ nhân tạo. Như tôi đã mô tả ở trên, các hoạt động giải phẫu bệnh học số của các phòng thí nghiệm tập trung vào một nền tảng mà họ sử dụng để xem, quản lý và phân tích hình ảnh. Nền tảng của Proscia, Concentriq, cung cấp tất cả các chức năng này và cũng phục vụ như một bệ phóng cho các ứng dụng trí tuệ nhân tạo. Chúng tôi tin rằng cách tiếp cận này làm cho các phòng thí nghiệm dễ dàng triển khai trí tuệ nhân tạo trong thực tế, tích hợp nó một cách无缝 vào công việc hàng ngày của họ để họ có thể tận dụng nó với quy mô lớn và thực hiện được lời hứa của nó.

Có điều gì khác mà bạn muốn chia sẻ về Proscia?

Tôi thực sự hào hứng với công việc mà nhóm của tôi và tôi đang thực hiện. Hiện thực đáng buồn ngày nay là chúng ta đều biết ai đó đã bị ảnh hưởng bởi ung thư và tác động đáng kể mà nó có đối với họ và những người thân yêu của họ. Công việc của chúng tôi có tiềm năng cải thiện kết quả bệnh nhân và thực sự tạo ra sự khác biệt có ý nghĩa. Đây là điều mà tôi tự hào là một phần của.

Để đạt được điều đó, thật tuyệt khi thấy nhiều tổ chức hàng đầu cũng tin vào công việc mà chúng tôi đang thực hiện. Trong vài tháng qua, Trung tâm Giải phẫu bệnh học Liên hợp (JPC), nơi lưu trữ kho dữ liệu mô người lớn nhất thế giới, đã chọn Proscia để số hóa kho lưu trữ này. JPC có một số lý do để muốn số hóa, bao gồm cả việc tăng tốc phát triển trí tuệ nhân tạo. LabPON, phòng thí nghiệm đầu tiên trên thế giới đạt được 100% chẩn đoán giải phẫu bệnh học số, cũng vừa chọn nền tảng của Proscia để mở rộng hoạt động giải phẫu bệnh học của mình và đặt nền móng cho việc triển khai trí tuệ nhân tạo. LabPON sẽ cũng hợp tác với chúng tôi trong việc phát triển và xác thực các hệ thống trí tuệ nhân tạo của chúng tôi. Và cuối cùng, chúng tôi nhận ra rằng chúng tôi không thể biến đổi thực hành giải phẫu bệnh học một mình và đang不断 mở rộng đội ngũ của mình. Nếu bạn quan tâm đến việc tham gia chúng tôi, tôi khuyến khích bạn học hỏi thêm về Proscia và xem các vị trí mở của chúng tôi.