الرعاية الصحية
جونسون توماس، MD، AIBx – سلسلة المقابلات
جونسون توماس هو طبيب مع اهتمام خاص بالذكاء الاصطناعي. بالإضافة إلى ممارسة الطب، ي喜欢 البرمجة.
مشروعه البحثي الأخير AIBx يستخدم الذكاء الاصطناعي لتصنيف العقد الهرمونية. هذا هو أيضا ذكاء اصطناعي قابل للشرح، مما يزيد من ثقة الأطباء في التنبؤات، تم نشر البحث في مجلة الغدة الدرقية.
أنت طبيب ممارس في عيادة ميرسي للغدة الدرقية في سبرينغفيلد، MO، وأنت خبير في التعلم الآلي. كيف وجدت حبك لكلا العالمين الطبي والبرمجة في النهاية?
كنت دائما مهتما بالكمبيوتر. عندما كنت في الهند، كنت محظوظا لأنني ذهبت إلى مدرسة لديها كمبيوتر. كان لدينا نادي كمبيوتر نشط وعلّمنا GWBasic. كانت هذه مدرسة داخلية ويمكن للطلاب استخدام الكمبيوتر خلال فترات الفراغ في المساء أو خلال الاستراحة. لذا، كنت أنا وصديقي نذهب إلى المختبر ونكتب الشفرة. كنا ننشئ ألعاب صغيرة مثل ألعاب القوس والسهام.
عندما تخرجت من الصف الثاني عشر، كان من الصعب أن أقرر بين هندسة الكمبيوتر والطب. كان والدي وجدي أطباء. كان والدي متحمسا لعمله و喜欢 مساعدة الناس. كان سعيدا جدا بعمله. لذلك، قررت في النهاية أن أذهب إلى مدرسة الطب. حتى هناك، كنت أكتب شفرة برمجة قليلا. على مدار السنوات، انتهيت من مدرسة الطب، وزمالة الطب الباطني، واكتملت تخصصي في الغدة الدرقية. بعد أن بدأت العمل، كان لدي وقت أكثر لاستكشاف البرمجة. في ذلك الوقت، كان الذكاء الاصطناعي والتعلم الآلي يصبحان أكثر شعبية. لذلك، بدأت في أخذ دورات عبر الإنترنت وبدأت في القيام بمشاريع صغيرة باستخدام مجموعات بيانات طبية متاحة للجمهور.
ما هو ما أثار اهتمامك بالعمل على مشروع AIBx؟
أحد المجالات التي أتخصص فيها داخل الغدة الدرقية هو العقد الهرمونية وسرطان الغدة الدرقية. كنا نؤدي مئات من الخزعات كل عام ولكن فقط عدد قليل منهم كانوا سرطانا. هذا لا يبدو وكأنه طريقة فعالة لاستخدام مواردنا. كان هذا في عام 2015. في ذلك الوقت، كنت أستطيع العمل فقط مع البيانات الرقمية. لذلك، جمعت سمات الموجات فوق الصوتية للعقد الهرمونية في جدول إكسل واستخدمته لإنشاء نموذج تعلم آلي باستخدام XGboost. تم نشر هذا على موقع على الإنترنت في www.TUMScore.com.
قمنا بتقديم هذا البحث في كندا خلال اجتماع جمعية الغدة الدرقية الأمريكية السنوي في عام 2017. ولكن هذا كان لا يزال موضعيا. كما أن الجمال يكمن في عين الناظر، فإن سمات الموجات فوق الصوتية تعتمد على من يقرأها. هناك الكثير من التباين داخل المراقبين وخارجهم. لذلك، بدأت في استكشاف خيارات أكثر موضوعية. هذا أدى إلى تصنيف الصور. ولكن المشكلة مع تصنيف الصور هي أنه في الغالب لا يمكن تفسيره. كيف يمكن لأي طبيب أن يثق في الخوارزمية؟ لذلك، قررنا محاكاة عملية تفكير الطبيب.
معظم الأطباء لديهم فكرة عن كيفية ظهور ورم الغدة الدرقية الخبيث. إنهم يقارنون صورة الموجات فوق الصوتية الجديدة بالصورة العقلية. بناءً على ذلك، قررنا إنشاء خوارزمية تشابه الصور. لذلك، عندما يرفع طبيب صورة إلى AIBx، يخرج الصور المماثلة من قاعدة بياناتنا مع التشخيص الفعلي لتلك العقد. يمكن للطبيب الذي يؤدي العملية النظر إلى هذه الصور وقبول أو رفض الإخراج من AIBx. هذا العملية تزيد من ثقة الطبيب في الخوارزمية.
كم كان حجم قاعدة البيانات التي تم استخدامها في البداية عند إطلاق هذا المشروع؟
صور الموجات فوق الصوتية للغدة الدرقية هي صور ثنائية وتمتلك فقط بضع أنماط. منذ أن كنا نستخدم نموذج تشابه الصور، لم نكن بحاجة إلى قاعدة بيانات كبيرة. كنا لدينا 2025 صورة في قاعدة بياناتنا تمثل معظم أنواع سرطان الغدة الدرقية الشائعة. جاءت هذه الصور من آلات موجات فوق صوتية مختلفة.
عندما يتعلق الأمر بالتعلم العميق، فإن البيانات الكبيرة مهمة. هل رأيت تحسنا في معدلات التشخيص مع مرور الوقت مع إدخال المزيد من صور الموجات فوق الصوتية للغدة الدرقية إلى قاعدة البيانات؟
إضافة المزيد من البيانات واستخدام تقنيات المعالجة الأولية المختلفة لزيادة البيانات المتاحة ساعدتنا على تحسين خوارزميتنا. في البداية، استخدمنا صورا ذات نسبة جوانب مربعية، ولكن فيما بعد أضفنا صورا بدون نسبة جوانب مربعية، وأنه ذلك قد حسّن نتائجنا.
هل الصور حصرا من عيادتك، أم أنك تتلقى صورا إضافية من عيادات أخرى؟
النموذج الحالي يحتوي على صور من عيادة ميرسي سبرينغفيلد للغدة الدرقية ومركز ميرسي الطبي. اتصل بنا أطباء من أنظمة صحية أخرى وبلدان أخرى لإجراء دراسة التحقق باستخدام بياناتهم. نحن متحمسون جدا لهذه الفرصة.
كم هو دقيق الذكاء الاصطناعي مقارنة بالطبيب المعتمد؟
قمنا بمقارنة نتائج AIBx بالمعايير المقبولة لنظم التصنيف الحالية. في الممارسة الفعلية، هناك تباين كبير في النتائج. يمكن أن يكون القيمة التنبؤية الإيجابية (احتمال أن يكون الأشخاص الذين لديهم اختبار إيجابي حقا مصابين بالمرض) منخفضا مثل 2٪ باستخدام أنظمة التصنيف الحالية. ما يعني ذلك هو أن إذا تنبأت النظام بأن 100 عقدة مصابة بالسرطان، في الواقع،只有 2 من بين تلك 100 عقدة مصابة بالسرطان. AIBx لديها قيمة تنبؤية إيجابية بنسبة 65.9٪ وقيمة تنبؤية سلبية بنسبة 93.2٪.
كم عدد الخزعات غير الضرورية التي يمكننا تقليلها بشكل محتمل باستخدام هذا النوع من الذكاء الاصطناعي؟
استنادا إلى بحثنا، باستخدام AIBx، يمكننا أن نتجنب أكثر من نصف (57.3٪) من الخزعات. ولكن هذا يحتاج إلى التحقق باستخدام صور من خارج نظامنا الصحي.
كيف يمكن للمستشفيات والأطباء أو الأطراف المهتمة الأخرى المساعدة في هذه المشاريع؟
نرحب بالتعاون من الأطباء الآخرين وأنظمة المستشفيات. يمكنهم الاتصال بنا من خلال موقعنا على الإنترنت www.ThyroidBx.com أو إرسال بريد إلكتروني إلى [email protected]
كم من الوقت تعتقد أنه سيكون حتى يستبدل التعلم الآلي الأطباء في تشخيص معظم أنواع السرطان؟
يعرض الإعلام الذكاء الاصطناعي والأطباء ككيانات منافسة. كلاهما لديهما نقاط قوة وضعف. التآلف بين الأطباء والذكاء الاصطناعي، وتعزيز قدراتنا على خدمة مرضانا، هو أفضل من النظام الحالي. بسبب الطبيعة التكميلية لأدوارهم، لا أعتقد أن الذكاء الاصطناعي سوف يستبدل الأطباء في المستقبل القريب.
ما هو ما يجعلك متحمسا للغاية للذكاء الاصطناعي عندما يتعلق الأمر بالرعاية الصحية؟
آمل أن يحرر الذكاء الاصطناعي الأطباء من وظيفة إدخال البيانات حتى نتمكن من القيام بما دعينا له، وهو الاستماع والتأمل والعلاج عندما نستطيع.
نحن متحمسون لمنح هذا المشروع المزيد من الاهتمام.对于 من يرغب في معرفة المزيد، يرجى زيارة Thyroid BX.
