Johnson Thomas, MD, AIBx – Serie de entrevistas

Johnson Thomas es un médico con un interés especial en la inteligencia artificial. Además de practicar la medicina, también disfruta programando.

Su proyecto de investigación reciente AIBx utiliza la IA para clasificar nódulos tiroideos. Esta es también una inteligencia artificial explicativa, lo que aumenta la confianza del médico en las predicciones, la investigación se publicó en Thyroid journal.

¿Cómo encontraste tu amor por ambos, el mundo médico y la programación, que eventualmente se cruzaron?

Siempre me fascinaron los ordenadores. Al crecer en la India, tuve la suerte de asistir a una escuela con ordenadores. Teníamos un club de computación activo y nos enseñaron GWBasic. Esta era una escuela de internado y los estudiantes podían usar los ordenadores durante su tiempo libre en la tarde o durante los recesos para almorzar. Así que mi amigo y yo íbamos al laboratorio y escribíamos códigos. Principalmente creamos pequeños juegos como los de arcade.

Cuando me gradué de la escuela secundaria, fue difícil decidir entre ingeniería informática y medicina. Mi padre y mi abuelo eran médicos. Mi padre estaba emocionado con su trabajo y amaba ayudar a la gente. Estaba muy contento con su trabajo. Así que finalmente decidí ir a la escuela de medicina. Incluso allí, solía programar un poco. Con el tiempo terminé la escuela de medicina, la residencia de medicina interna y más tarde completé mi especialización en endocrinología. Después de empezar a trabajar, tuve un poco más de tiempo para explorar la programación. Alrededor de ese tiempo, la IA y el aprendizaje automático estaban volviéndose más populares. Así que comencé a tomar cursos en línea y luego comencé a hacer pequeños proyectos utilizando conjuntos de datos médicos disponibles públicamente.

¿Qué te inspiró a trabajar en este proyecto de investigación AIBx que utiliza la IA para clasificar nódulos tiroideos en positivos o negativos para el cáncer?

Una de las áreas en las que me especializo dentro de la endocrinología es la de los nódulos tiroideos y los cánceres de tiroides. Estábamos realizando cientos de biopsias al año, pero solo unas pocas de ellas eran cáncer. Esto no parece una forma eficiente de utilizar nuestros recursos. Esto fue en 2015. En ese momento, solo podía trabajar con datos numéricos. Así que recopilé las características de los ultrasonidos de los nódulos tiroideos en una hoja de cálculo y las utilicé para crear un modelo de aprendizaje automático utilizando XGboost. Esto se implementó como un sitio web en www.TUMScore.com.

Presentamos esta investigación en Canadá durante la reunión anual de la Asociación Americana de Tiroides en 2017. Pero esto todavía era muy subjetivo. Al igual que la belleza está en el ojo del que la ve, las características de los ultrasonidos dependen de quién las está leyendo. Hay mucha variación intra e interobservador. Así que comencé a explorar opciones que sean más objetivas. Esto me llevó a la clasificación de imágenes. Pero el problema con la clasificación de imágenes es que la mayoría de las veces no es explicativa. ¿Cómo puede un médico confiar en el algoritmo? Así que decidimos emular el proceso de pensamiento de un médico.

La mayoría de los médicos tienen una idea de cómo debería verse un nódulo tiroideo canceroso. Mentalmente comparan una nueva imagen de ultrasonido con esta imagen mental. Con base en esto, decidimos crear un algoritmo de similitud de imágenes. Así que 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 que opera puede ver esas imágenes y aceptar o rechazar la salida de AIBx. Este proceso aumenta la confianza del médico en el algoritmo.

¿Cuán grande era el conjunto de datos originalmente utilizado cuando se lanzó este proyecto?

Las imágenes de ultrasonido de la tiroides son en escala de grises y tienen solo unos pocos patrones. Dado que estábamos utilizando un modelo de similitud de imágenes, no necesitábamos un conjunto de datos grande. Teníamos 2025 imágenes en nuestra base de datos que representaban la mayoría de las variedades comunes de cáncer de tiroides. Provenían de diferentes máquinas de ultrasonido.

En cuanto al aprendizaje profundo, los grandes datos son importantes. ¿Has visto una mejora en las tasas de diagnóstico con el tiempo a medida que se agregan más imágenes de ultrasonido de la tiroides a la base de datos?

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

¿Las imágenes son exclusivamente de tu clínica o están recibiendo imágenes de ultrasonido adicionales de otras clínicas?

El modelo actual tiene imágenes de la clínica de endocrinología de Mercy Springfield y del hospital Mercy. Médicos de otros sistemas de salud y países nos han contactado para realizar un estudio de validación utilizando sus datos. Estamos muy emocionados con esta oportunidad.

¿Cuán 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 real, hay una gran variabilidad en los resultados. El valor predictivo positivo (la 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 realmente tienen cáncer. AIBx tiene un valor predictivo positivo del 65,9 por ciento y un valor predictivo negativo del 93,2 por ciento.

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

Según nuestra investigación, utilizando AIBx podríamos haber evitado más de la mitad (57,3%) de las biopsias. Pero esto necesita ser validado utilizando imágenes fuera de nuestro sistema de salud.

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

Damos la bienvenida a la colaboración de otros MD y sistemas de hospitales. Pueden contactarnos a través de nuestro sitio web www.ThyroidBx.com o enviarnos un correo electrónico a [email protected]

¿Cuánto tiempo crees que tomará hasta que el aprendizaje automático reemplace a los MD para el diagnóstico de la mayoría de los cánceres?

Los medios de comunicación presentan la IA y a los médicos como entidades en competencia. Ambos tienen sus fortalezas y debilidades. La simbiosis de los médicos y la IA, mejorando nuestras capacidades para servir 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 te emociona más sobre la IA cuando se trata de la atención médica?

Espero que la IA libere a los médicos del trabajo de entrada de datos para que podamos hacer lo que fuimos llamados a hacer, escuchar, empatizar y curar cuando podamos.

Estamos emocionados de dar a este proyecto una exposición adicional. Para cualquier persona que desee aprender más, por favor visite Thyroid BX.