Johnson Thomas, MD, AIBx – Intervieuserie

Johnson Thomas er en læge med en særlig interesse i kunstig intelligens. Ud over at praktisere medicin, nyder han også at programmere.

Hans seneste forskningsprojekt AIBx bruger AI til at klassificere skjoldbrusknuder. Dette er også en forklarbar AI, som øger lægernes tillid til forudsigelserne. Forskningen blev offentliggjort i Thyroid-tidsskriftet.

De er både en praktiserende læge på Mercy Clinic Endocrinology i Springfield, MO, og en maskinlærings-specialist. Hvordan fandt du din kærlighed til både den medicinske verden og programmering, og hvordan mødtes de to?

Jeg var altid fascineret af computere. Da jeg voksede op i Indien, var jeg heldig at gå på en skole med computere. Vi havde en aktiv computerklub, og de lærte os GWBasic. Dette var en kostskole, og eleverne kunne bruge computere under deres fritid om aftenen eller under frokostpauserne. Så min ven og jeg gik til laboratoriet og skrev kode. Vi skabte primært små spil, der mindede om arkadespil.

Da jeg dimitterede fra 12. klasse, var det svært at vælge mellem computer-teknologi og medicin. Min far og bedstefar var læger. Min far var begejstret for sit arbejde og elskede at hjælpe mennesker. Han var også meget tilfreds med sit arbejde. Så til sidst besluttede jeg at gå på medicinstudiet. Selv der var jeg begyndt at kode lidt. Gennem årene afsluttede jeg medicinstudiet, internt medicin og senere specialiserede jeg mig i endokrinologi. Efter jeg startede med at arbejde, havde jeg lidt mere tid til at udforske kodning. Omkring denne tid blev AI og maskinlæring mere populært. Så jeg startede med at tage online-kurser og derefter startede jeg med at lave små projekter med offentligt tilgængelige medicinske datasæt.

Dit seneste forskningsprojekt AIBx bruger AI til at klassificere skjoldbrusknuder som enten positive eller negative for kræft. Hvad var det, der inspirerede dig til at arbejde på dette projekt?

En af de områder, jeg specialiserer mig i inden for endokrinologi, er skjoldbrusknuder og skjoldbruskræft. Vi udførte hundredvis af biopsier om året, men kun få af dem var kræft. Dette ser ikke ud til at være en effektiv måde at bruge vores ressourcer på. Dette var tilbage i 2015. På det tidspunkt kunne jeg kun arbejde med numeriske data. Så jeg samlede ultralyd-egenskaber af skjoldbrusknuder i en excel-ark og brugte det til at skabe en maskinlæringsmodel med XGboost. Dette blev implementeret som en hjemmeside på www.TUMScore.com.

Vi præsenterede denne forskning i Canada under den årlige amerikanske skjoldbrusforeningsmøde i 2017. Men dette var stadig meget subjektivt. Ligesom skønhed ligger i betracterens øje, afhænger ultralyd-egenskaber af, hvem der læser dem. Der er meget intra- og interobserver-variation. Så jeg startede med at udforske muligheder, der er mere objektive. Dette ledte til billedklassificering. Men problemerne med billedklassificering er, at det ofte ikke er forklarligt. Hvordan kan en læge stole på algoritmen? Så vi besluttede at efterligne en læges tankeprocess.

De fleste læger har en idé om, hvordan en kræftig skjoldbrusknude skal se ud. De sammenligner mentalt et nyt ultralydbillede med denne mentale billed. Baseret på dette besluttede vi at skabe en billed-lighedsalgoritme. Så når en læge uploader et billede til AIBx, henter det lignende billeder fra vores database sammen med den faktiske diagnose af disse knuder. Den opererende læge kan se på disse billeder og acceptere eller afvise outputtet fra AIBx. Denne proces øger lægens tillid til algoritmen.

Hvor stort var datasettet, der oprindeligt blev brugt, da du lancerede dette projekt?

Skjoldbrus-ultralydbilleder er gråtone og har kun få mønstre. Da vi brugte en billed-lighedmodel, havde vi ikke brug for et stort dataset. Vi havde 2025 billeder i vores database, der repræsenterede de fleste almindelige skjoldbruskræftvarianter. De kom fra forskellige ultralydmaskiner.

Når det kommer til dyb læring, er store data vigtige. Har du set en forbedring i diagnose-raterne over tid, efterhånden som flere skjoldbrus-ultralydbilleder er blevet tilføjet til databasen?

Tilføjelse af mere data og brug af forskellige forbehandlings-teknikker for at øge den tilgængelige data har hjulpet os med at forbedre vores algoritme. Til at begynde med brugte vi billeder med kvadratisk aspektforhold, men senere tilføjede vi billeder uden kvadratisk aspektforhold, og det har forbedret vores resultater.

Er billederne udelukkende fra din klinik, eller får du billeder fra andre klinikker?

Den nuværende model har billeder fra Mercy Springfield-endokrinologiklinikken og Mercy-hospitalet. Læger fra andre sundhedssystemer og lande har kontaktet os for at gennemføre en valideringsstudie med deres data. Vi er meget begejstret for denne mulighed.

Hvor nøjagtig er AI’en i forhold til en uddannet læge?

Vi sammenlignede resultaterne fra AIBx med etablerede mål for nuværende klassificeringssystemer. I den virkelige verden er der en stor variation i resultaterne. Den positive prædikativ værdi (sand-synligheden for, at subjekter med en positiv test faktisk har sygdommen) kan være så lav som 2% med nuværende klassificeringssystemer. Det betyder, at hvis systemet forudsiger, at 100 knuder har kræft, har kun 2 af disse 100 knuder faktisk kræft. AIBx har en positiv prædikativ værdi på 65,9% og en negativ prædikativ værdi på 93,2%.

Hvor mange unødvendige biopsier kunne vi potentielt reducere med denne type AI?

Baseret på vores forskning kunne vi have undgået mere end halvdelen (57,3%) af biopsierne. Men dette skal være valideret ved hjælp af billeder uden for vores sundhedssystem.

Hvordan kan hospitaler, læger eller andre interesserede parter hjælpe med disse projekter?

Vi velkommer samarbejde fra andre læger og sundhedssystemer. De kan kontakte os gennem vores hjemmeside www.ThyroidBx.com eller sende os en e-mail på contact@ThyroidBx.com

Hvor lang tid tror du, det vil tage, før maskinlæring erstatter læger for diagnosen af de fleste kræftformer?

Medierne fremstiller AI og læger som konkurrerende enheder. Begge har deres styrker og svagheder. Symbiosen mellem læger og AI, der forbedrer vores evne til at tjene vores patienter, er bedre end det nuværende system. Fordi de har komplementære roller, tror jeg ikke, at AI vil erstatte læger i nær fremtid.

Hvad er det, der får dig mest begejstret for AI, når det kommer til sundhedspleje?

Jeg håber, at AI vil frigøre lægerne fra data-indtastningsarbejdet, så de kan gøre det, de blev kaldt til, nemlig at lytte, forstå og helbrede, når de kan.

Vi er begejstret for at give dette projekt yderligere eksponering. For alle, der ønsker at lære mere, besøg venligst Thyroid BX.