Johnson Thomas, MD, AIBx – intervjuusari

Johnson Thomas on arst, kes on erilise huviga tehisintellekti vastu. Lisaks meditsiiniga tegelemisele naudib ta ka programmeerimist.

Tema hiljutine uurimisprojekt AIBx kasutab kilpnäärme sõlmede klassifitseerimiseks tehisintellekti. See on ka seletatav tehisintellekt, mis suurendab arstide usaldust ennustuste vastu, avaldati uuringus Kilpnäärme päevik.

Olete mõlemad praktiseerivad arst Mercy Clinic Endokrinoloogias Springfieldis, MO, ja olete masinõppe spetsialist. Kuidas leidsite, et teie armastus meditsiinimaailma ja programmeerimise vastu lõpuks ristusid?

Arvutid on mind alati paelunud. Indias üles kasvades oli mul õnn minna arvutitega kooli. Meil oli aktiivne arvutiklubi ja nad õpetasid meile GWBasicut. See oli elamukool ja õpilased said arvutit kasutada õhtusel vabal ajal või lõunapausidel. Niisiis, mina ja mu sõber käisime laboris ja kirjutasime koode. Põhiliselt lõime väikeseid arkaadmänge.

Kui ma 12. klassi lõpetasin, oli arvutitehnika ja meditsiini vahel raske otsustada. Minu isa ja vanaisa olid arstid. Mu isa oli oma tööst põnevil ja talle meeldis inimesi aidata. Ta jäi ka oma tööga väga rahule. Lõpuks otsustasin minna meditsiinikooli. Isegi seal kodeerisin natuke. Aastate jooksul lõpetasin meditsiinikooli, sisehaiguste residentuuri ja hiljem endokrinoloogia eriala. Pärast tööle asumist oli mul veidi rohkem aega kodeerimisega tutvumiseks. Umbes sel ajal muutusid AI ja masinõpe populaarsemaks. Niisiis, hakkasin osalema veebikursustel ja seejärel tegema väikeseid projekte, kasutades avalikult kättesaadavaid meditsiinilisi andmekogumeid.

 

Teie viimane uurimisprojekt AIBx kasutab tehisintellekti kilpnäärme sõlmede klassifitseerimiseks vähi suhtes positiivseteks või negatiivseteks. Mis inspireeris teid selle projekti kallal töötama?

Üks valdkondi, millele ma endokrinoloogias spetsialiseerin, on kilpnäärme sõlmed ja kilpnäärmevähid. Tegime aastas sadu biopsiaid, kuid ainult mõned neist olid vähkkasvajad. See ei tundu olevat tõhus viis meie ressursside kasutamiseks. See oli 2015. aastal. Sel ajal sain töötada ainult arvandmetega. Niisiis kogusin kilpnäärme sõlmede ultrahelifunktsioonid Exceli lehele ja kasutasin seda XGboosti abil masinõppemudeli loomiseks. See võeti kasutusele veebisaidina aadressil www.TUMScore.com.

Esitlesime seda uuringut Kanadas 2017. aasta Ameerika kilpnäärme assotsiatsiooni iga-aastasel koosolekul. See oli siiski väga subjektiivne. Nii nagu ilu peitub vaataja silmades, sõltuvad ultraheli omadused sellest, kes seda loeb. Vaatlejasiseseid ja vaatlejatevahelisi variatsioone on palju. Niisiis hakkasin uurima objektiivsemaid võimalusi. See viis piltide klassifitseerimiseni. Kuid piltide klassifitseerimise probleem on see, et see pole enamasti seletatav. Kuidas saab arst algoritmi usaldada? Niisiis otsustasime jäljendada arsti mõtteprotsessi.

Enamikul arstidel on idee, kuidas vähkkasvaja kilpnäärme sõlm peaks välja nägema. Nad võrdlevad vaimselt uut ultrahelipilti selle vaimse pildiga. Selle põhjal otsustasime luua kujutise sarnasuse algoritmi. Seega, kui arst laadib pildi AIBx-i üles, tõmbab ta meie andmebaasist välja sarnased pildid koos nende sõlmede tegeliku diagnoosiga. Operatsiooniarst saab neid pilte vaadata ja AIBx-i väljundi vastu võtta või tagasi lükata. See protsess suurendab arsti usaldust algoritmi vastu.

 

Kui suurt andmestikku selle projekti käivitamisel algselt kasutati?

Kilpnäärme ultrahelipildid on halltoonid ja neil on vaid mõned mustrid. Kuna kasutasime pildi sarnasuse mudelit, ei vajanud me suurt andmestikku. Meie andmebaasis oli 2025 pilti, mis esindavad enamikku tavalistest kilpnäärmevähi sortidest. Need tulid erinevatest ultrahelimasinatest.

 

Sügava õppimise puhul on suured andmed olulised. Kas olete näinud diagnoosimise määra paranemist aja jooksul, kuna andmebaasi sisestatakse rohkem kilpnäärme ultrahelipilte?

Andmete lisamine ja erinevate eeltöötlustehnikate kasutamine olemasolevate andmete suurendamiseks on aidanud meil oma algoritmi täiustada. Algselt kasutasime ruudukujulise kuvasuhtega pilte, kuid hiljem lisasime ilma ruudu kuvasuhteta pilte ja see on parandanud meie tulemusi.

 

Kas pildid on ainult teie kliinikust või on teil mõni teine ​​​​kliinikus, mis pakuvad teile täiendavaid ultrahelipilte?

Käesoleval mudelil on pildid Mercy Springfieldi endokrinoloogiakliinikust ja Mercy haiglast. Teiste tervishoiusüsteemide ja riikide arstid on meiega ühendust võtnud, et nende andmeid kasutades valideerimisuuring läbi viia. Oleme selle võimaluse üle väga põnevil.

 

Kui täpne on AI võrreldes koolitatud MD-ga?

Võrdlesime AIBx tulemusi praeguste klassifikatsioonisüsteemide väljakujunenud mõõdikutega. Reaalses praktikas on tulemused suured. Positiivne ennustusväärtus (tõenäosus, et positiivse testiga katsealustel on tõesti haigus) võib praeguste klassifikatsioonisüsteemide abil olla kuni 2%. See tähendab, et kui süsteem ennustab, et 100 sõlmel on vähk, siis tegelikult ainult kahel neist 2 sõlmest on tegelikult vähk. AIBx-i positiivne ennustusväärtus on 100% ja negatiivne ennustusväärtus 65.9%

 

Kui palju tarbetuid biopsiaid saaksime seda tüüpi tehisintellektiga potentsiaalselt vähendada?

Meie uuringute põhjal oleksime AIBx-i kasutades võinud vältida enam kui pooled (57.3%) biopsiatest. Kuid seda tuleb kinnitada meie tervisesüsteemi väliste piltide abil.

 

Kuidas saavad haiglad, arstid või muud huvitatud isikud nende projektide puhul abistada?

Tervitame koostööd teiste arstide ja haiglasüsteemiga. Nad saavad meiega ühendust võtta meie veebisaidi kaudu www.ThyroidBx.com või kirjuta meile [meiliga kaitstud]

 

Kui kaua teie arvates läheb aega, kuni masinõpe asendab enamiku vähivormide diagnoosimisel MD-d?

Meedia kujutab tehisintellekti ja arste konkureerivate üksustena. Mõlemal on oma tugevad ja nõrgad küljed. Arstide ja tehisintellekti sümbioos, mis suurendab meie suutlikkust oma patsiente teenindada, on parem kui praegune süsteem. Nende rollide täiendavuse tõttu ei usu ma, et tehisintellekt lähitulevikus asendab MD-sid.

 

Mis on teile tervishoiu valdkonnas tehisintellektist kõige rohkem põnevil?

Loodan, et tehisintellekt vabastab arstid andmesisestustööst, et teha seda, milleks meid kutsuti, kuulata kaasaelamist ja võimaluse korral ravida.

Meil on hea meel pakkuda sellele projektile täiendavat teavet. Kõigile, kes soovivad rohkem teada saada, külastage Kilpnäärme BX.