Johnson Thomas, MD, AIBx – Rozhovorová série

Johnson Thomas je lékař se zvláštním zájmem o umělou inteligenci. Kromě výkonu medicíny se také rád věnuje programování.

Jeho recentní výzkumný projekt AIBx využívá AI k klasifikaci thyroidních uzlin. Jedná se také o explainable AI, který zvyšuje důvěru lékařů v předpovědi, výzkumu publikovaném v Thyroid journal.

Jste jak praktikující lékař v Mercy Clinic Endocrinology ve Springfieldu, MO, tak i specialista na strojové učení. Jak jste objevil svou lásku k medicíně a programování, a jak se tyto dvě oblasti pro vás proťaly?

Vždy jsem byl fascinován počítači. Když jsem vyrůstal v Indii, měl jsem štěstí, že jsem navštěvoval školu s počítači. Měli jsme aktivní počítačový klub a učili nás GWBasic. Byla to internátní škola a studenti mohli používat počítače během volného času večer nebo během oběda. Takže můj kamarád a já jsme chodili do laboratoře a psali kódy. Většinou jsme vytvářeli malé arkádové hry.

Když jsem dokončil 12. ročník, bylo těžké rozhodnout se mezi počítačovým inženýrstvím a medicínou. Můj otec a dědeček byli lékaři. Můj otec byl nadšen svou prací a miloval pomáhat lidem. Byl také velmi spokojený se svou prací. Takže nakonec jsem se rozhodl jít na medicínu. I tam jsem se učil programovat. Během let jsem dokončil medicínu, vnitřní lékařství a později jsem dokončil specializaci v endokrinologii. Počínaje prací, jsem měl více času na prozkoumání programování. V té době se AI a strojové učení stávaly populárnějšími. Takže jsem začal absolvovat online kurzy a poté jsem začal pracovat na malých projektech s veřejně dostupnými medicínskými daty.

Vaše nejnovější výzkumný projekt AIBx využívá AI k klasifikaci thyroidních uzlin, zda jsou pozitivní nebo negativní na rakovinu. Co vás inspirovalo k práci na tomto projektu?

Jedním z oblastí, ve kterých se specializuji v endokrinologii, jsou thyroidní uzliny a thyroidní rakoviny. Prováděli jsme stovky biopsií ročně, ale pouze několik z nich byly rakoviny. To se nezdá být efektivní způsobem, jak využít naše zdroje. To bylo v roce 2015. V té době jsem mohl pracovat pouze s numerickými daty. Takže jsem shromáždil ultrazvukové vlastnosti thyroidních uzlin do tabulky a použil je k vytvoření modelu strojového učení pomocí XGboost. Tento model byl nasazen jako webová stránka na www.TUMScore.com.

Prezentovali jsme tuto práci v Kanadě na výročním setkání Americké thyroidní asociace v roce 2017. Ale tato práce byla stále velmi subjektivní. Stejně jako krása spočívá v oku pozorovatele, ultrazvukové vlastnosti závisí na tom, kdo je čte. Existuje mnoho intra- a inter-observerových variací. Takže jsem začal prozkoumávat možnosti, které jsou více objektivní. To vedlo k klasifikaci obrazů. Ale problém s klasifikací obrazů spočívá v tom, že je většinou neexplainable. Jak může lékař důvěřovat algoritmu? Takže jsme se rozhodli emulovat myšlenkový proces lékaře.

Většina lékařů má představu o tom, jak by měl vypadat rakovinný thyroidní uzel. Mentálně porovnávají nový ultrazvukový obraz se svou mentální představou. Na základě toho jsme se rozhodli vytvořit algoritmus pro podobnost obrazů. Takže když lékař nahrává obraz do AIBx, vybere podobné obrazy z naší databáze spolu s jejich skutečnou diagnózou. Lékař může tyto obrazy prohlédnout a přijmout nebo odmítnout výstup z AIBx. Tento proces zvyšuje důvěru lékaře v algoritmus.

Jak velký dataset byl původně použit, když jste spustil tento projekt?

Thyroidní ultrazvukové obrazy jsou grayscale a mají pouze několik vzorců. Protože jsme používali model podobnosti obrazů, nemuseli jsme mít velký dataset. Měli jsme 2025 obrazů v naší databázi, reprezentujících většinu běžných thyroidních rakovin. Tyto obrazy pocházely z různých ultrazvukových přístrojů.

Co se týče hlubokého učení, velké množství dat je důležité. Zaznamenali jste zlepšení v diagnostických rychlostech s časem, jakmile byly do databáze přidány více thyroidní ultrazvukové obrazy?

Přidání více dat a použití různých technik pro zvýšení dostupných dat nám pomohlo zlepšit náš algoritmus. Původně jsme používali obrazy se čtvercovým poměrem, ale později jsme přidali obrazy bez čtvercového poměru a to zlepšilo naše výsledky.

Jsou obrazy výhradně z vaší kliniky, nebo máte i jiné kliniky, které vám poskytují další ultrazvukové obrazy?

Prezentovaný model má obrazy z Mercy Springfield endokrinologie kliniky a Mercy nemocnice. Lékaři z jiných zdravotnických systémů a zemí se na nás obrátili, aby provedli validační studii pomocí jejich dat. Jsme velmi nadšení z této příležitosti.

Jak přesný je AI ve srovnání s vyškolovaným MD?

Srovnali jsme výsledky AIBx s etablovanými metrikami současných klasifikačních systémů. V reálné praxi existuje široká variabilita výsledků. Pozitivní prediktivní hodnota (pravděpodobnost, že subjekty s pozitivním testem skutečně mají onemocnění) může být tak nízká jako 2% pomocí současných klasifikačních systémů. To znamená, že pokud systém předpovídá, že 100 uzlin má rakovinu, ve skutečnosti pouze 2 z těchto 100 uzlin skutečně mají rakovinu. AIBx má pozitivní prediktivní hodnotu 65,9 % a negativní prediktivní hodnotu 93,2 %.

Kolik zbytečných biopsií bychom mohli potenciálně snížit pomocí tohoto typu AI?

Na základě našeho výzkumu bychom mohli pomocí AIBx vyhnout více než polovině (57,3%) biopsií. Ale to musí být ověřeno pomocí obrazů mimo náš zdravotnický systém.

Jak mohou nemocnice, MD, nebo jiné strany spolupracovat na těchto projektech?

Vítáme spolupráci od ostatních MD a zdravotnických systémů. Mohou nás kontaktovat prostřednictvím naší webové stránky www.ThyroidBx.com nebo e-mailem na contact@ThyroidBx.com

Jak dlouho budete věřit, že strojové učení nahradí MD pro diagnostiku většiny rakovin?

Média vykreslují AI a lékaře jako konkurenční entity. Obě mají své silné a slabé stránky. Symbióza mezi lékaři a AI, která zvyšuje naše schopnosti sloužit pacientům, je lepší než současný systém. Protože obě role mají komplementární povahu, nemyslím si, že AI nahradí MD v blízké budoucnosti.

Co vás nejvíce nadchlo pro AI, pokud jde o zdravotnictví?

Doufám, že AI osvobodí lékaře od práce s daty, aby mohli dělat to, pro co byli povoláni, aby naslouchali, soucítily a léčily, když mohou.

Jsme rádi, že můžeme tento projekt dalšímu zpřístupnit. Pro ty, kteří chtějí se dozvědět více, navštivte Thyroid BX.