Johnson Thomas, MD, AIBx – Serie de entrevistas

Johnson Thomas es un médico con especial interés en la inteligencia artificial. Además de ejercer la medicina, también le gusta programar.

Su reciente proyecto de investigación AIBx utiliza IA para clasificar los nódulos tiroideos. Esta es también una IA explicable, que aumenta la confianza del médico en las predicciones. La investigación se publicó en diario de tiroides.

Ambos son médicos en ejercicio en Mercy Clinic Endocrinology en Springfield, MO, y son especialistas en aprendizaje automático. ¿Cómo descubrió que su amor por el mundo médico y la programación finalmente se cruzan?

Siempre me fascinaron las computadoras. Al crecer en la India, tuve la suerte de ir a una escuela con computadoras. Teníamos un club de computación activo y nos enseñaron GWBasic. Esta era una escuela residencial y los estudiantes podían usar las computadoras durante su tiempo libre por la noche o durante la hora del almuerzo. Entonces, mi amigo y yo solíamos ir al laboratorio y escribir códigos. Principalmente estábamos creando pequeños juegos tipo arcade.

Cuando me gradué del grado 12, fue difícil decidir entre ingeniería informática y medicina. Mi padre y mi abuelo eran médicos. Mi padre estaba entusiasmado con su trabajo y le encantaba ayudar a la gente. También estaba muy contento con su trabajo. Así que finalmente, decidí ir a la escuela de medicina. Incluso allí, solía codificar un poco. Con los años terminé la escuela de medicina, la residencia en medicina interna y luego completé mi especialización en endocrinología. Después de que comencé a trabajar, tuve un poco más de tiempo para explorar la codificación. Por esta época, la IA y el aprendizaje automático se estaban volviendo más populares. Entonces, comencé a tomar cursos en línea y luego comencé a hacer pequeños proyectos utilizando conjuntos de datos médicos disponibles públicamente.

Su proyecto de investigación más reciente, AIBx, utiliza IA para clasificar los nódulos tiroideos, ya sea como positivos o negativos para el cáncer. ¿Qué fue lo que te inspiró a trabajar en este proyecto?

Una de las áreas en las que me especializo dentro de la endocrinología son los nódulos tiroideos y los cánceres de tiroides. Hacíamos cientos de biopsias al año, pero solo unas pocas eran cancerosas. Esto no parece una forma eficiente de utilizar nuestros recursos. Esto fue en 2015. En ese momento, solo podía trabajar con datos numéricos. Entonces, recopilé las características de ultrasonido de los nódulos tiroideos en una hoja de Excel y la usé para crear un modelo de aprendizaje automático usando XGboost. Esto se implementó como un sitio web en www.TUMScore.com.

Presentamos esta investigación en Canadá durante la reunión anual de la Asociación Estadounidense de Tiroides en 2017. Pero esto aún era muy subjetivo. Al igual que la belleza reside en el ojo del espectador, las características del ultrasonido dependen de quién lo lea. Hay muchas variaciones intra e interobservador. Entonces, comencé a explorar opciones que son más objetivas. Esto condujo a la clasificación de imágenes. Pero el problema con la clasificación de imágenes es que en su mayoría no es explicable. ¿Cómo puede un médico confiar en el algoritmo? Entonces, decidimos emular el proceso de pensamiento de un médico.

La mayoría de los médicos tienen una idea de cómo debe verse un nódulo tiroideo canceroso. Comparan mentalmente una nueva imagen de ultrasonido con esta imagen mental. En base a esto, decidimos crear un algoritmo de similitud de imagen. Entonces, cuando un médico carga una imagen en AIBx, extrae imágenes similares de nuestra base de datos junto con el diagnóstico real de esos nódulos. El médico operador puede mirar estas imágenes y aceptar o rechazar la salida de AIBx. Este proceso aumenta la confianza del médico en el algoritmo.

¿Qué tamaño de conjunto de datos se usó originalmente cuando lanzó este proyecto?

Las imágenes de ultrasonido de la tiroides son en escala de grises y tienen solo algunos patrones. Como estábamos usando un modelo de similitud de imágenes, no necesitábamos un gran conjunto de datos. Teníamos 2025 imágenes en nuestra base de datos que representaban la mayoría de las variedades comunes de cáncer de tiroides. Procedían de diferentes máquinas de ultrasonido.

Cuando se trata de aprendizaje profundo, los grandes datos son importantes. ¿Ha visto una mejora en las tasas de diagnóstico con el tiempo a medida que se ingresan más imágenes de ultrasonido de tiroides en la base de datos?

Agregar más datos y usar diferentes técnicas de preprocesamiento para aumentar los datos disponibles nos ha ayudado a mejorar nuestro algoritmo. Inicialmente usamos imágenes con relación de aspecto cuadrada, pero luego agregamos imágenes sin relación de aspecto cuadrada y eso ha mejorado nuestros resultados.

¿Son las imágenes exclusivamente de su clínica, o está haciendo que otras clínicas le proporcionen imágenes de ultrasonido adicionales?

El modelo actual tiene imágenes de la clínica de endocrinología Mercy Springfield y del hospital Mercy. Médicos de otros sistemas de salud y países se han puesto en contacto con nosotros para realizar un estudio de validación utilizando sus datos. Estamos muy entusiasmados con esta oportunidad.

¿Qué tan precisa es la IA en comparación con un MD capacitado?

Comparamos los resultados de AIBx con las métricas establecidas de los sistemas de clasificación actuales. En la práctica del mundo real, existe una amplia variabilidad en los resultados. El valor predictivo positivo (probabilidad de que los sujetos con una prueba positiva realmente tengan la enfermedad) puede ser tan bajo como el 2 % utilizando los sistemas de clasificación actuales. Lo que esto significa es que si el sistema predice que 100 nódulos tienen cáncer, en realidad solo 2 de esos 100 nódulos tendrán cáncer. AIBx tiene un valor predictivo positivo del 65.9 % y un valor predictivo negativo del 93.2 %.

¿Cuántas biopsias innecesarias podríamos reducir potencialmente con este tipo de IA?

Según nuestra investigación, con AIBx podríamos haber evitado más de la mitad (57.3 %) de las biopsias. Pero esto necesita ser validado usando imágenes fuera de nuestro sistema de salud.

¿Cómo pueden ayudar los hospitales, los médicos u otras partes interesadas con estos proyectos?

Agradecemos la colaboración de otros médicos y del sistema hospitalario. Pueden contactar con nosotros a través de nuestra web www.ThyroidBx.com  o envíenos un correo electrónico a  [email protected]

¿Cuánto tiempo cree que pasará hasta que el aprendizaje automático reemplace a los médicos para el diagnóstico de la mayoría de los cánceres?

Los medios retratan a la IA y a los médicos como entidades competidoras. Ambos tienen sus fortalezas y debilidades. La simbiosis de los médicos y la IA, mejorar nuestras capacidades para atender a nuestros pacientes es mejor que el sistema actual. Debido a la naturaleza complementaria de sus roles, no creo que la IA reemplace a los MD en un futuro cercano.

¿Qué es lo que más le entusiasma de la IA cuando se trata de atención médica?

Espero que la IA libere a los médicos del trabajo de ingreso de datos para hacer lo que se nos pidió, escuchar, empatizar y curar cuando podamos.

Estamos emocionados de darle a este proyecto una exposición adicional. Para cualquier persona que desee obtener más información, visite Tiroides BX.