2022年3月21日,Fierce网站发表文章,PathAI的首席科学官Mike Montalto与百时美施贵宝(BMS)的转化生物信息学副总裁Joseph Szustakowski讨论了人工智能驱动的数字病理学对药物开发的影响。
MM:Joseph,感谢你今天抽出时间来讨论最近在人工智能驱动的数字病理学方面的创新和方法,特别是结合你在BMS的经验。首先,谈谈你在BMS的角色,你的组织的角色,以及数字病理学如何融入该组织。
JS:我领导着一个叫做转化生物信息学的计算研究组织。我们是一个具有不同计算专长的团队,我们与转化医学组织以及临床开发团队合作,进行探索性的生物标志物分析,以了解疾病、疾病变异性、我们药物的机制等,最终确定哪些病人最有可能从我们组合的药物中获益。
在这个组织中,有专注于特定治疗领域的团队,如实体瘤肿瘤学。我们还建立了具有深厚技术专长的团队,包括数字病理学(digital pathology, DP)等新兴领域。我们的DP团队建立了处理、加工和分析DP图像的基础设施,并推动了基于人工智能的自动图像分析的开发和部署。
MM:你们的团队是在整个开发过程中工作,还是在特定方面工作?
JS:我们是一个集中式组织的一部分,在整个药物开发生命周期内工作。虽然我们的团队主要专注于中后期的转化研究,但我们也利用这些分析产生信号或见解,将这些见解反馈到管线的早期部分。我们把这称为反向转化。
MM:BMS已经明确建立了他们在数字病理学方面的专业知识。让我们退一步讲,你如何描述或定义人工智能驱动的数字病理学?
JS:人工智能在DP中的应用涉及训练计算机和算法,以符合人类病理学家的方式来分析病理切片的扫描。然后,我们可以在人类无法实现的规模上部署这些算法。人工智能计算技术通常比人类病理学家的读数更敏感、更准确、更精确、更一致。
MM:我们经常听到的一个问题是,如果我们使用人类病理学家训练和验证算法,那么基于人工智能的算法如何或为什么会比这些人类表现得更好?
JS:我们与病理学家紧密合作,开发有数百张幻灯片图像和人类注释的数据集。然后我们使用多个病理学家注释的图像,而不是任何一个单独的病理学家的输入,来训练算法。这种方法减轻了病理学家内部的差异性。以这种方式训练的算法往往比单一的阅读者表现得更好,而且由于它们是计算机驱动的,它们是一致的和可重复的。我们也在寻找机会,利用正交信息,如基因组数据和回顾性或前瞻性临床结果数据,对人工智能方法进行背景化和验证。
MM:在病理学中利用人工智能方法,你们实现了什么价值?
JS:一个成功的例子是PD-L1的数字识别。PD-L1是许多适应症的既定生物标志物,用于识别可能对I-O疗法有反应的患者。数字化的PD-L1识别比人工识别有更好的整体性能和一致性。 因此,在任何给定的阈值下(如1%、5%等的阳性率),数字识别往往比人工识别能识别更多的PD-L1阳性患者。现在,真正令人兴奋的是,我们看到通过数字和人工读数识别的PD-L1阳性患者的临床反应率相似。
MM:这真是太棒了,对患者来说是个很好的结果。PD-L1是一个有趣的例子,它改善了人工病理学的性能。在传统病理学之外,DP有哪些新兴的使用案例?
JS:通过人工智能分析玻片图像,我们可以提取比人类病理学家可行的更多特征。我们可以检测、描述和量化肿瘤细胞、正常细胞、这些细胞之间的界限、生物标志物的表达或流行情况等。但是,病理学的独特之处在于我们还拥有空间信息。我们可以审视各种信号及其空间关系,以确定可能与疾病状态或病人反应有关的更复杂的生物模式。
以肿瘤分类为例。我们将"热"肿瘤归类为由许多免疫细胞引起的炎症,将"冷"肿瘤归类为存在极少免疫细胞的肿瘤,还有介于两者之间的版本--其中之一是"排除"状态,即存在免疫细胞但没有侵入肿瘤本身。这是一种通过空间计算分析可以独特识别的模式,与PathAI合作,我们已经建立了自动化和可扩展的方法来描述和量化将肿瘤分类为热、冷或排除的必要特征。
这个例子显示我们量化了两类细胞类型--免疫细胞与肿瘤细胞--之间的空间关系。但通过人工智能方法,我们可以更进一步,同时快速分析多类空间关系。
一个这样的用例研究了受体和配体之间的空间关系。LAG3是一种倾向于在衰竭的T细胞表面表达的蛋白质。它与肿瘤细胞或抗原呈递细胞(APCs)上表达的主要组织相容性复合体(MHC)分子相互作用。因为我们可以从玻片图像中检测和量化如此多的信息,我们可以检测、量化和查询LAG3和MHC表达细胞之间的空间关系,并确定与疾病状态或病人对治疗的反应有关的模式。这种对分子、细胞和空间信息的综合分析使我们能够探索通过其他方式无法获得的生物学脉络。
MM:人工智能和DP在转化领域肯定有机会。你如何将这些见解进一步推向开发过程,最终对病人产生积极影响?
是的,直到最近,我们一直在回顾性和探索性的空间中使用人工智能计算方法。我们认识到有机会将这些部署和影响转移到药物开发周期的上游和下游。这是一个重要的转折点。
下游影响的一个例子是,如果我们能够部署数字PD-L1识别,作为一种补充或辅助诊断,这可能会改变游戏规则,为符合治疗条件的患者提供一致和更好的识别。
MM:对于DP和AI这样的新兴方法,你们如何开发和建立这些能力?
JS:我们用DP方法解决的问题确实很复杂。为了获得成功,我们需要组建一个团队,该团队拥有计算机科学和机器学习、疾病领域、临床开发、甚至监管方面的多样化专业知识。我们需要用互补的外部专业知识来建立这些团队,其形式可以是与专注于技术的公司,如PathAI,或更传统的合同研究组织(CRO)的关系,以部署这些技术。
MM:是的,DP让我想起了早期的下一代测序(NGS),我们需要整个生态系统的合作伙伴,但你仍然需要有足够的内部专业知识来知道你在做什么。
JS:没错,你需要内部的专业知识和知识,以便对战略和外部合作关系做出正确的选择。
NGS和DP之间的另一个相似之处是它们都能产生海量的数据。这使一些方法成为可能。在某些情况下,你会撒下一张大网来筛选和识别以前没有人使用过的新的生物信号。在其他情况下,你要用NGS和DP产生的数据集来测试特定的生物假设。DP社区正在学习如何在这两种方法之间取得平衡,以及何时从一种方法转向另一种方法。如果你正在做筛选工作,你如何识别一个有可能产生广泛影响的热门线索,以及你如何将其过渡到一个更集中、以假设为导向的方法?
MM:对,然后让它在各组群中得到验证和评估。感谢你的精彩讨论,看到数字病理学中的人工智能演变并成为其中的一部分,这令人激动。
参考资料
https://www.fiercebiotech.com/sponsored/unlocking-power-ai-driven-pathology-drug-development-interview-bristol-myers-squibb
--------- End ---------