Johnson Thomas, MD, AIBx – Interview-Reihe

Johnson Thomas ist ein Arzt mit besonderem Interesse an künstlicher Intelligenz. Neben der Ausübung der Medizin genießt er auch das Programmieren.

Sein aktuelles Forschungsprojekt AIBx verwendet künstliche Intelligenz, um Schilddrüsenknoten zu klassifizieren. Dies ist auch eine erklärbare künstliche Intelligenz, die das Vertrauen der Ärzte in die Vorhersagen erhöht. Die Forschung wurde im Thyroid-Journal veröffentlicht.

Sie sind sowohl ein praktizierender Arzt am Mercy Clinic Endocrinology in Springfield, MO, als auch ein Machine-Learning-Spezialist. Wie haben Sie Ihre Liebe zu beiden, der medizinischen Welt und der Programmierung, gefunden, die sich schließlich überschnitten?

Ich war immer fasziniert von Computern. Als ich in Indien aufwuchs, hatte ich das Glück, eine Schule mit Computern zu besuchen. Wir hatten einen aktiven Computer-Club und sie lehrten uns GWBasic. Dies war eine Internatsschule und die Schüler konnten Computer während ihrer Freizeit am Abend oder während der Mittagspause nutzen. Also gingen mein Freund und ich in das Labor und schrieben Code. Wir erstellten hauptsächlich kleine Arcade-Spiele.

Als ich die 12. Klasse abschloss, war es schwierig, zwischen Computer-Ingenieurwesen und Medizin zu entscheiden. Mein Vater und Großvater waren Ärzte. Mein Vater war begeistert von seiner Arbeit und er liebte es, Menschen zu helfen. Er war auch sehr zufrieden mit seiner Arbeit. Also entschied ich mich schließlich, Medizin zu studieren. Selbst dort programmierte ich ein bisschen. Im Laufe der Jahre absolvierte ich das Medizinstudium, die Innere-Medizin-Residenz und später meine Spezialisierung in Endokrinologie. Nachdem ich zu arbeiten begann, hatte ich ein bisschen mehr Zeit, um das Programmieren zu erkunden. Zu dieser Zeit wurde künstliche Intelligenz und Machine Learning immer beliebter. Also begann ich, Online-Kurse zu besuchen und dann kleine Projekte mit öffentlich verfügbaren medizinischen Datensätzen durchzuführen.

Ihr aktuelles Forschungsprojekt AIBx verwendet künstliche Intelligenz, um Schilddrüsenknoten in positive oder negative für Krebs zu klassifizieren. Was inspirierte Sie, an diesem Projekt zu arbeiten?

Eines der Gebiete, in denen ich mich innerhalb der Endokrinologie spezialisiert habe, sind Schilddrüsenknoten und Schilddrüsenkrebs. Wir führten Hunderte von Biopsien pro Jahr durch, aber nur wenige davon waren Krebs. Dies scheint nicht wie eine effiziente Nutzung unserer Ressourcen. Dies war 2015. Zu dieser Zeit konnte ich nur mit numerischen Daten arbeiten. Also sammelte ich Ultraschallmerkmale von Schilddrüsenknoten in einer Excel-Tabelle und verwendete sie, um ein Machine-Learning-Modell mit XGboost zu erstellen. Dies wurde als Website auf www.TUMScore.com bereitgestellt.

Wir präsentierten diese Forschung in Kanada während der jährlichen American Thyroid Association-Konferenz 2017. Aber dies war immer noch sehr subjektiv. Genauso wie Schönheit in den Augen des Betrachters liegt, hängen Ultraschallmerkmale von dem ab, der sie liest. Es gibt viel intra- und interobserver-Variation. Also begann ich, objektivere Optionen zu erkunden. Dies führte zur Bildklassifizierung. Aber das Problem mit der Bildklassifizierung ist, dass sie meist nicht erklärbar ist. Wie kann ein Arzt dem Algorithmus vertrauen? Also entschieden wir uns, den Denkprozess eines Arztes nachzuahmen.

Die meisten Ärzte haben eine Vorstellung davon, wie ein krebsartiger Schilddrüsenknoten aussehen sollte. Sie vergleichen mental ein neues Ultraschallbild mit diesem mentalen Bild. Basierend darauf entschieden wir uns, einen Bildähnlichkeits-Algorithmus zu erstellen. Wenn also ein Arzt ein Bild auf AIBx hochlädt, ruft es ähnliche Bilder aus unserer Datenbank ab, zusammen mit der tatsächlichen Diagnose dieser Knoten. Der operierende Arzt kann diese Bilder betrachten und die Ausgabe von AIBx akzeptieren oder ablehnen. Dieser Prozess erhöht das Vertrauen des Arztes in den Algorithmus.

Wie groß war die ursprüngliche Datenmenge, als Sie dieses Projekt starteten?

Schilddrüsen-Ultraschallbilder sind Graustufenbilder und haben nur wenige Muster. Da wir ein Bildähnlichkeitsmodell verwendeten, benötigten wir keine große Datenmenge. Wir hatten 2025 Bilder in unserer Datenbank, die die meisten gängigen Schilddrüsenkrebsarten darstellten. Sie kamen von verschiedenen Ultraschallgeräten.

Wenn es um Deep Learning geht, ist Big Data wichtig. Haben Sie eine Verbesserung der Diagnoseraten im Laufe der Zeit gesehen, als mehr Schilddrüsen-Ultraschallbilder in die Datenbank eingefügt wurden?

Das Hinzufügen von mehr Daten und die Verwendung von verschiedenen Vorverarbeitungstechniken, um die verfügbaren Daten zu erhöhen, hat uns geholfen, unseren Algorithmus zu verbessern. Zunächst verwendeten wir Bilder mit quadratischem Seitenverhältnis, aber später fügten wir Bilder ohne quadratisches Seitenverhältnis hinzu, was unsere Ergebnisse verbessert hat.

Sind die Bilder ausschließlich von Ihrer Klinik oder erhalten Sie auch Bilder von anderen Kliniken?

Das aktuelle Modell enthält Bilder von der Mercy Springfield Endokrinologie-Klinik und dem Mercy-Krankenhaus. Ärzte aus anderen Gesundheitssystemen und Ländern haben uns kontaktiert, um eine Validierungsstudie mit ihren Daten durchzuführen. Wir sind sehr auf diese Gelegenheit gespannt.

Wie genau ist die künstliche Intelligenz im Vergleich zu einem ausgebildeten Arzt?

Wir verglichen die Ergebnisse von AIBx mit etablierten Metriken der aktuellen Klassifizierungssysteme. In der realen Praxis gibt es eine weite Variabilität in den Ergebnissen. Der positive prädiktive Wert (Wahrscheinlichkeit, dass Subjekte mit einem positiven Test tatsächlich die Krankheit haben) kann bei den aktuellen Klassifizierungssystemen so niedrig wie 2% sein. Was bedeutet, dass wenn das System vorhersagt, dass 100 Knoten Krebs haben, in Wirklichkeit nur 2 von diesen 100 Knoten tatsächlich Krebs haben. AIBx hat einen positiven prädiktiven Wert von 65,9% und einen negativen prädiktiven Wert von 93,2%.

Wie viele unnötige Biopsien könnten wir möglicherweise mit dieser Art von künstlicher Intelligenz reduzieren?

Basiert auf unserer Forschung, könnten wir mit AIBx mehr als die Hälfte (57,3%) der Biopsien vermeiden. Aber dies muss mit Bildern außerhalb unseres Gesundheitssystems validiert werden.

Wie können Krankenhäuser, Ärzte oder andere Interessenten bei diesen Projekten helfen?

Wir begrüßen die Zusammenarbeit mit anderen Ärzten und Krankenhaus-Systemen. Sie können uns über unsere Website www.ThyroidBx.com oder per E-Mail an contact@ThyroidBx.com kontaktieren.

Wie lange glauben Sie, dass es dauern wird, bis Machine Learning Ärzte bei der Diagnose der meisten Krebsarten ersetzt?

Die Medien stellen künstliche Intelligenz und Ärzte als konkurrierende Entitäten dar. Beide haben ihre Stärken und Schwächen. Die Symbiose von Ärzten und künstlicher Intelligenz, die unsere Fähigkeiten zur Bedienung unserer Patienten verbessert, ist besser als das aktuelle System. Aufgrund der komplementären Natur ihrer Rollen denke ich nicht, dass künstliche Intelligenz Ärzte in naher Zukunft ersetzen wird.

Was begeistert Sie am meisten für künstliche Intelligenz im Gesundheitswesen?

Ich hoffe, dass künstliche Intelligenz die Ärzte von der Daten-Eingabe-Aufgabe befreit, um das zu tun, wofür wir berufen wurden, um zuzuhören, mitzufühlen und zu heilen, wenn wir können.

Wir sind begeistert, diesem Projekt weitere Aufmerksamkeit zu geben. Für alle, die mehr erfahren möchten, besuchen Sie bitte Thyroid BX.