Julianna Ianni dirige la I+D de IA de Proscia para desarrollar productos de patología computacional de alta calidad. Proscia está empujando a los laboratorios más allá de los límites de las herramientas tradicionales con su plataforma de patología digital Concentriq® y su cartera de aplicaciones computacionales. Operando en el centro del laboratorio digital moderno, estas tecnologías están transformando la economía y la práctica de la patología, poniendo el poder de la medicina moderna y centrada en datos para trabajar en la lucha contra el cáncer.
¿Podrías compartir la historia de la génesis detrás de Proscia?
La patología se encuentra en el centro de la investigación biomédica y el diagnóstico del cáncer; sin embargo, aunque todos hemos visto el impacto de la digitalización en casi todos los demás aspectos de la atención médica, la patología se ha mantenido prácticamente sin cambios durante sus 150 años de historia. Todavía se centra en un patólogo que reconoce patrones en el tejido bajo el microscopio. Esta práctica es inherentemente manual y subjetiva, dos desafíos que se ven agravados por una población de patólogos cada vez más reducida y una carga de cáncer en aumento.
Proscia se fundó para promover este estándar de atención. Nuestros fundadores reconocieron la oportunidad de asumir la lucha contra el cáncer impulsando el cambio de la patología del microscopio a las imágenes. Al hacerlo, al impulsar la patología digital, estamos permitiendo que los laboratorios agilicen las operaciones, logren mejoras significativas en la calidad y la productividad, y descubran nuevos conocimientos que el ojo humano no ve. En conjunto, estos beneficios ayudan a los investigadores a acelerar los avances y a los patólogos a mejorar los resultados para los pacientes de todo el mundo.
Desde nuestros primeros días, hemos acumulado una base de clientes de laboratorios líderes, sistemas de salud, empresas de ciencias de la vida y organizaciones de investigación. Entre nuestros muchos clientes empresariales, trabajamos con la Universidad Johns Hopkins, la Universidad de Pensilvania y 10 de las 20 principales compañías farmacéuticas. También anunciamos recientemente que LabPON, el primer laboratorio en el mundo en alcanzar un diagnóstico de patología 100 % digital, está haciendo la transición a nuestra plataforma de software, y el Centro de Patología Conjunta, que alberga el repositorio de datos de tejido humano más grande del mundo, se está volviendo digital con Proscia. .
Proscia es una empresa de patología digital y computacional. ¿Puede explicar a nuestros lectores lo que esto significa?
En un nivel alto, la patología digital es la práctica de digitalizar portaobjetos de microscopio de vidrio con un escáner, que luego se pueden ver, administrar, compartir y analizar con software, incluidas aplicaciones computacionales que aprovechan la IA.
Proscia se enfoca específicamente en el lado del software. Ofrecemos una plataforma central, llamada Concentriq, que brinda toda la funcionalidad empresarial que los laboratorios necesitan para llevar a cabo sus operaciones de patología de rutina. Concentriq también sirve como plataforma de lanzamiento para aplicaciones de IA, incluido un conjunto de soluciones que estamos construyendo.
Destaqué muchos de los beneficios de la patología digital habilitada para IA, incluida la eficiencia de conducción y las ganancias de productividad y la capacidad de desbloquear nuevos conocimientos, así que profundicemos en algunos de los casos de uso específicos para ver cómo se desarrollan. Uno que es especialmente importante en este momento es habilitar operaciones remotas durante COVID. Dado que los laboratorios han tenido que adaptarse a nuevas formas de trabajo para acomodar el distanciamiento social, la patología digital ha permitido a los patólogos continuar trabajando y atender a los pacientes, ya que les permite compartir imágenes fácilmente y verlas bajo demanda con una plataforma como Concentriq. La alternativa a menudo es que los laboratorios envíen portaobjetos de vidrio físicos a los hogares de los patólogos. ¡Piense en lo lento y costoso que podría ser esto!
De manera más general, cuando observamos cómo las soluciones de patología digital y computacional como las que ofrece Proscia permiten a los patólogos mejorar la calidad y la eficiencia, ya sea facilitando el intercambio de imágenes para una segunda opinión o ayudando a eliminar las tareas manuales propensas a errores en el laboratorio: en última instancia, hace posible que los pacientes reciban el diagnóstico correcto más rápido, y esto es importante si consideramos que el tratamiento temprano a menudo conduce a mejores resultados.
¿Puede describir cómo se utiliza el aprendizaje automático en patología hoy en día? ¿Adónde va?
¡Esa es una gran pregunta! El aprendizaje automático realmente se ha mostrado prometedor en varias áreas de la patología. Un caso de uso común para el aprendizaje automático en patología es identificar regiones específicas en una imagen donde se encuentra el tejido tumoral para llamar la atención de un patólogo allí. También se puede usar para brindar información cuantitativa sobre muestras de tejido, por ejemplo, contar la cantidad de células que se dividen activamente (un marcador común de cáncer). Algunos también están trabajando en problemas de clasificación, como poder categorizar imágenes según el diagnóstico o los patrones particulares que representan, y otros están trabajando en formas de usar el aprendizaje automático para predecir los resultados de los pacientes o las respuestas a terapias específicas. ¡Hay mucho trabajo interesante en el espacio!
En última instancia, en patología, la mayoría de estos casos de uso de aprendizaje automático tienen como objetivo resolver algunos problemas clínicos y de investigación generales. El primero es el problema de volumen que mencioné anteriormente. Hay un número cada vez mayor de casos para revisar, y existe este problema agravante de un número decreciente de patólogos disponibles para realizar el diagnóstico de estos casos. Gran parte del aprendizaje automático en patología tiene como objetivo mejorar la eficiencia del diagnóstico a nivel individual y de laboratorio. El segundo importante es la calidad del diagnóstico y la atención: ¿cómo podemos mejorar la precisión del diagnóstico, cómo podemos mejorar el pronóstico y cómo podemos mejorar los resultados de los pacientes al final del día?
Para responder a la segunda parte de su pregunta, debo distinguir entre lo que está en etapa de investigación hoy y lo que realmente está sucediendo en la práctica clínica. En este momento, la mayor parte del trabajo en el campo ha sido investigación y puede ser extremadamente difícil traducir algunos de los hallazgos a la práctica clínica. Ahí es donde creo que va y debe ir el aprendizaje automático: construir los sistemas y el nivel de calidad necesarios para poner en práctica algunas de las fantásticas investigaciones que se están realizando, de una manera que se mantenga a la altura de todos los sorprendentes hallazgos que hemos hecho. ver en el entorno de investigación y brindar estos beneficios a los laboratorios de patología y, en última instancia, a sus pacientes. Construir IA que funcione en el “mundo real” es y siempre ha sido el enfoque de Proscia.
DermAI de Proscia aprovecha el aprendizaje profundo para preseleccionar y clasificar automáticamente cientos de variantes de enfermedades de la piel en categorías de prediagnóstico. ¿Cuáles fueron sus consideraciones clave al diseñar y desarrollar esta aplicación?
En primer lugar, teníamos que considerar para qué estábamos construyendo el sistema. Queríamos que pudiera clasificar cualquier lesión cutánea, no solo un tipo específico. Y hay bastante variabilidad en la patología de la piel, como dijiste, cientos de variantes. Por lo tanto, necesitábamos asegurarnos de tener toda esa variación bien representada en nuestro conjunto de entrenamiento. En realidad, esto puede ser bastante desafiante, ya que algunos tipos de lesiones son más raros que otros, y puede ser difícil construir un conjunto de datos que tenga suficientes ejemplos de algunas de estas patologías más raras para entrenar y garantizar que tengamos suficientes ejemplos para nuestro modelo. aprende de.
En segundo lugar, realmente teníamos que pensar en el hecho de que no estábamos simplemente construyendo algo que necesitaba funcionar en un solo sitio, o para imágenes escaneadas con un tipo particular de escáner. Realmente se trataba de construir algo que pudiera funcionar en las imágenes de cualquier laboratorio, en cualquier escáner. Puede haber mucha variación entre los sitios y los escáneres en términos de la apariencia de la imagen: colores, luminosidad, artefactos, etc. Tuvimos que desarrollar un sistema que pudiera dar cuenta de todas estas variaciones y no requerir una gran cantidad de datos para calibrar y hacer que funcione para un nuevo sitio.
Teníamos que tener en cuenta varias otras consideraciones en términos de construir un sistema de IA que pudiera operar en el “mundo real”. Uno más, que fue especialmente importante para nosotros, representaba las “incógnitas”. Después de todo, sabemos que los sistemas de IA nunca son perfectos y que hay mucha variabilidad en las lesiones de la piel. Necesitábamos DermAI para saber lo que no sabía y poder entregar esa información cuando era demasiado incierto para hacer una buena clasificación. Es por eso que construimos en el sistema un método para asignar a cada clasificación un puntaje de confianza, y nos encargamos de diseñarlo de tal manera que se correlacionara con el desempeño del sistema: cuanto mayor sea el puntaje de confianza, más probable es que la clasificación sea correcta. ser correcto. Esto significa que básicamente podemos ajustar el rendimiento del sistema; Si la forma en que estoy usando esto en mi laboratorio requiere una precisión extremadamente alta, puedo configurar DermAI para que brinde solo clasificaciones de alta confianza. Si mi caso de uso es un poco más tolerante al error y prefiero tener más casos clasificados, también puedo incluir clasificaciones de menor confianza.
DermAI fue validado en uno de los estudios de patología más completos hasta la fecha. ¿Puede resumir el estudio y sus conclusiones clave?
Este fue un estudio de alcance extremadamente ambicioso. Como acabo de mencionar, existe una gran variabilidad en las lesiones de la piel, lo que se traduce en sus correspondientes imágenes de patología, y queríamos desarrollar un sistema que pudiera clasificar automáticamente cualquier portaobjetos de patología de la piel preparado de forma rutinaria, de cualquier laboratorio y cualquier escáner. La idea era que los patólogos pudieran usarlo para clasificar y clasificar los casos antes de sentarse a hacer un diagnóstico, priorizando los casos en un orden que tenga sentido en lugar del orden aleatorio en el que naturalmente vienen y asegurándose de que los casos correctos vayan a la derecha. patólogo en lugar de tener que ser enviado a otro lugar más tarde. Y nadie había demostrado nada parecido cuando comenzamos a desarrollar esto hace unos años. El sistema que desarrollamos dividió la tarea de clasificar imágenes en múltiples etapas utilizando una combinación de aprendizaje profundo y técnicas básicas de visión por computadora: detectando el tejido en el portaobjetos, adaptando la apariencia de la imagen para que esté en un espacio familiar para el sistema entrenado, detectando las regiones relevantes de interés, y finalmente haciendo una clasificación en cuatro categorías diferentes basadas en los patrones presentes en el tejido. Sin embargo, la parte importante fue cómo lo probamos. Si bien solo entrenamos el sistema en 5000 imágenes de un solo sitio, lo calibramos y probamos en casi tres veces más imágenes de tres instituciones completamente separadas cuyos datos nuestro sistema nunca había visto. Al hacer esto, demostramos que era posible crear una aplicación de IA para clasificar y clasificar biopsias de piel, que podría funcionar bien en múltiples sitios con una calibración mínima. Dado que los datos que probamos imitaron la carga de trabajo prospectiva de cada uno de estos sitios, podemos estar seguros de que el rendimiento demostrado aquí sería comparable a lo que veríamos si tuviéramos que instalar DermAI en un laboratorio. Y debido a que el sistema se puede ajustar ajustando el umbral de confianza que mencioné antes, según el porcentaje de imágenes que clasifiquemos, podemos ajustarlo hasta al menos un 98 % de precisión.
Una de las observaciones del estudio fue cómo los algoritmos de aprendizaje profundo pueden ser sensibles a los artefactos de imagen. ¿Cuáles son precisamente estos artefactos de imagen en este caso y cuáles son algunas soluciones para resolver este problema?
Sí, algunos estudios han demostrado la sensibilidad de los sistemas de IA a los artefactos de imágenes en patología como en cualquier otro campo. A menudo, estas son cosas simples que nuestro cerebro humano pasa por alto con facilidad: suciedad en un portaobjetos, ligeros cambios en la iluminación, regiones borrosas de una imagen, tinta de bolígrafo que los patólogos suelen usar para marcar regiones del tumor. Estoy enumerando algunos ejemplos, pero hay muchos otros. Los sistemas de IA pueden ser fácilmente engañados por este tipo de problemas si no han sido expuestos adecuadamente a ellos.
En realidad, hay dos rutas para manejar artefactos de imagen para sistemas de IA. La primera es mediante la limpieza, asegurándose de que las imágenes que está entrenando y probando se hayan limpiado meticulosamente, ya sea digital o físicamente, para que no haya ningún artefacto presente. A veces, esto es fácil de hacer para un conjunto de datos de entrenamiento, pero mucho más difícil de hacer de manera consistente si está buscando instalar un sistema de IA en muchos sitios. Entonces, tomamos el segundo enfoque: asegurarnos de que este tipo de artefactos estuvieran bien representados en nuestros datos. No limpiamos las diapositivas antes de que nos las enviaran, por lo que tenemos una gran cantidad de representaciones de algunos de los problemas extraños que quizás no vea en un conjunto de entrenamiento prístino, pero que seguramente encontrará en el mundo real. De esta manera, podríamos asegurarnos de que nuestro sistema estuviera listo cuando se expuso a estos artefactos en imágenes en las que no se entrenó.
¿Cómo se están implementando aplicaciones de IA como DermAI en el laboratorio de patología?
Esa es una gran pregunta. Si bien los diferentes laboratorios están adoptando diferentes enfoques, creemos que la única forma en que los laboratorios escalarán realmente su adopción de IA es aprovechando una plataforma habilitada para IA. Como describí anteriormente, las operaciones de patología digital de los laboratorios se centran en una plataforma que utilizan para ver, administrar y analizar imágenes. La plataforma de Proscia, Concentriq, proporciona toda esta funcionalidad y también sirve como plataforma de lanzamiento para aplicaciones de IA. Creemos que este enfoque facilita que los laboratorios implementen IA en la práctica, integrándola sin problemas en su trabajo diario para que puedan aprovecharla a escala y cumplir su verdadera promesa.
¿Hay algo más que le gustaría compartir sobre Proscia?
Estoy muy entusiasmado con el trabajo que mi equipo y yo estamos haciendo. La desafortunada realidad actual es que todos conocemos a alguien que se ha visto afectado por el cáncer y el impacto significativo que tiene sobre ellos y sus seres queridos. Nuestro trabajo tiene el potencial de mejorar los resultados de los pacientes y realmente hacer una diferencia significativa. Esto es algo de lo que estoy orgulloso de ser parte.
Con ese fin, es genial ver que tantas organizaciones líderes también creen en el trabajo que estamos haciendo. Solo en los últimos meses, el Centro de Patología Conjunta (JPC), que alberga el repositorio de datos de tejidos humanos más grande del mundo, seleccionó a Proscia para digitalizar este archivo. JPC tiene varias razones para querer volverse digital, incluida la aceleración del desarrollo de la IA. LabPON, el primer laboratorio del mundo en alcanzar un diagnóstico de patología 100 % digital, también seleccionó recientemente la plataforma de Proscia para escalar sus operaciones de patología y sentar las bases para implementar IA. LabPON también colaborará con nosotros en el desarrollo y validación de nuestros sistemas de IA.
Y finalmente, reconocemos que no podemos transformar la práctica de la patología solos y nuestro equipo está en constante crecimiento. Si estás interesado en unirte a nosotros, te animo a que Más información sobre Proscia y ver nuestros puestos abiertos.