Johnson Thomas, MD, AIBx – Haastattelusarja

Johnson Thomas on lääkäri, jolla on erityinen kiinnostus kohtaan tekoäly. Hän harjoittaa lääketiedettä ja ohjelmointia.

Hänen viimeisin tutkimushankkeensa AIBx käyttää tekoälyä kilpirauhasen solmukkeiden luokitteluun. Tämä on myös selitettävissä oleva tekoäly, joka lisää lääkärin luottamusta ennusteisiin. Tutkimus julkaistiin Thyroid -lehdessä.

Olet sekä harjoittava lääkäri Mercy Clinic Endokrinologian osastolla Springfieldissä, MO, että koneoppimisen asiantuntija. Kuinka löysit rakkauden molempia maailmoja kohtaan ja kuinka ne lopulta kohtasivat?

Olin aina kiinnostunut tietokoneista. Intiassa kasvaessani menin kouluun, jossa oli tietokoneita. Meillä oli aktiivinen tietokonekerho, jossa opetettiin GWBasicia. Tämä oli sisäoppilaitos, ja oppilaat pystyivät käyttämään tietokoneita vapaa-ajallaan iltaisin tai lounasaikana. Niinpä minä ja ystäväni menimme laboratorioon ja kirjoitimme koodia. Pääasiassa luomme pieniä arcade-tyylisiä pelejä.

Kun valmistuin 12. luokalta, oli vaikea päättää, valitsenkö tietokoneen insinööritieteiden vai lääketieteen. Isäni ja isoisäni olivat lääkäreitä. Isäni oli innoissaan työstään ja hän rakasti auttaa ihmisiä. Hän oli myös erittäin tyytyväinen työhönsä. Niinpä lopulta päädyin lääketieteelliseen kouluun. Sielläkin kirjoitin koodia jonkin verran. Vuosien varrella suoritin lääketieteen, sisätautien residenssin ja myöhemmin erikoistuin endokrinologiaan. Kun aloin työskennellä, minulla oli enemmän aikaa koodata. Tuolloin tekoäly ja koneoppiminen olivat yhä suositumpia. Niinpä aloin ottaa verkkokursseja ja tehdä pieniä projekteja julkisesti saatavilla olevilla lääketieteellisillä tietokannoilla.

Mikä innoitti sinua työskentelemään AIBx-projektissa, joka käyttää tekoälyä kilpirauhasen solmukkeiden luokitteluun syöpäksi?

Yksi alue, jossa olen erikoistunut endokrinologian sisällä, on kilpirauhasen solmukkeet ja kilpirauhasen syövät. Teimme satoja biopsioita vuodessa, mutta vain muutamasta niistä oli syöpää. Tämä ei vaikuta tehokkaalta resurssein käyttämiseltä. Tämä oli vuonna 2015. Tuolloin pystyin työskentelemään vain numeeristen tietojen kanssa. Niinpä keräsin kilpirauhasen solmukkeiden ultraääniominaisuuksia Excel-taulukkoon ja käytin niitä luomaan koneoppimismallin XGboostilla. Tämä otettiin käyttöön verkkosivustolla www.TUMScore.com.

Esittelimme tämän tutkimuksen Kanadassa American Thyroid Associationin vuosikokouksessa 2017. Mutta tämä oli edelleen hyvin subjektiivista. Kauneus on katsojan silmässä, ultraääniominaisuudet riippuvat siitä, kuka niitä tulkkaa. On paljon intra- ja interobserver-muutoksia. Niinpä aloin etsimään objektiivisempia vaihtoehtoja. Tämä johti kuva-analyysiin. Mutta ongelmana kuvan analyysissä on, että se on usein selitettävissä. Kuinka lääkäri voi luottaa algoritmiin? Niinpä päädyimme jäljittelemään lääkärin ajatteluprosessia.

Useimmat lääkärit ovat ajatelleet, miltä syöpäinen kilpirauhasen solmuke pitäisi näyttää. He vertaavat uutta ultraäänikuvaa mieleensä tallentamaan kuvaan. Tämän perusteella päädyimme luomaan kuvan samankaltaisuus-algoritmin. Niinpä kun lääkäri lataa kuvan AIBx:ään, se etsii samankaltaisia kuvia tietokannastamme yhdessä näiden solmukkeiden todellisen diagnoosin kanssa. Toimiva lääkäri voi tarkastella näitä kuvia ja hyväksyä tai hylätä AIBx:n tuloksen. Tämä prosessi lisää lääkärin luottamusta algoritmiin.

Kuinka suuri aineisto oli alun perin käytössä, kun käynnistit tämän projektin?

Kilpirauhasen ultraäänikuvat ovat harmaasävyisiä, ja niissä on vain muutamia kuvioita. Koska käytimme kuvan samankaltaisuusmallia, emme tarvinneet suurta aineistoa. Meillä oli 2025 kuvaa tietokannassamme, jotka edustivat useimpia yleisiä kilpirauhasen syöpätyyppejä. Ne olivat peräisin eri ultraäänilaitteista.

Onko syväoppimisessa suuri aineisto tärkeää. Oletko nähnyt parantumista diagnoosin tuloksissa ajan myötä, kun enemmän kilpirauhasen ultraäänikuvia on lisätty tietokantaan?

Lisäämällä enemmän dataa ja käyttämällä eri esikäsittelytekniikoita datan lisäämiseksi on auttanut meitä parantamaan algoritmiamme. Aluksi käytimme kuvia, joilla oli neliön muotoinen kuvasuhde, mutta myöhemmin lisäsimme kuvia, joilla ei ollut neliön muotoinen kuvasuhde, ja se on parantanut tuloksiamme.

Ovatko kuvat yksinomaan teidän klinikan tuottamia, vai ovatko muut klinikat antaneet teille lisää ultraäänikuvia?

Nykyinen malli sisältää kuvia Mercy Springfieldin endokrinologian klinikalta ja Mercy-sairaalasta. Lääkärit muista terveydenhuoltojärjestelmistä ja maista ovat ottaneet meihin yhteyttä suorittaakseen validointitutkimuksen heidän aineistollaan. Olemme erittäin innostuneita tästä mahdollisuudesta.

Kuinka tarkka on tekoäly verrattuna koulutettuun lääkäriin?

Vertasimme AIBx:n tuloksia vallitseviin luokitteluksiin. Todellisessa käytännössä on laaja vaihtelu tuloksissa. Positiivisen ennusteen arvo (todennäköisyys, että positiivisen testin saaneet henkilöt todella sairastavat tautiin) voi olla jopa 2 % nykyisillä luokitteluilla. Tämä tarkoittaa, että jos järjestelmä ennustaa, että 100 solmuketta on syöpää, todellisuudessa vain 2 niistä 100 solmukkeesta on todella syöpää. AIBx:llä on positiivisen ennusteen arvo 65,9 % ja negatiivisen ennusteen arvo 93,2 %.

Kuinka monta tarpeetonta biopsiaa voimme potentiaalisesti vähentää tämänkaltaisella tekoälyllä?

Tutkimuksemme perusteella voimme olleet välttäneet yli puolet (57,3 %) biopsioista AIBx:n avulla. Mutta tämä vaatii vahvistamista käyttämällä kuvia ulkopuolisista terveydenhuoltojärjestelmistä.

Miten sairaalat, lääkärit tai muut kiinnostuneet osapuolet voivat auttaa näissä projekteissa?

Me otamme vastaan yhteistyön muiden lääkärien ja terveydenhuoltojärjestelmien kanssa. He voivat ottaa meihin yhteyttä verkkosivustollamme www.ThyroidBx.com tai lähettää sähköpostia osoitteeseen contact@ThyroidBx.com

Kuinka kauan uskot, että kestää, ennen kuin koneoppiminen korvaa lääkärit useimpien syöpien diagnosoinnissa?

Media esittää tekoälyn ja lääkärit kilpailevina entiteetteinä. Molemmilla on vahvuudet ja heikkoudet. Lääkärien ja tekoälyn symbioosi, joka parantaa kykyämme palvella potilaitamme, on parempi kuin nykyinen järjestelmä. Koska heidän roolinsa on toissijainen, en usko, että tekoäly korvaa lääkärit lähitulevaisuudessa.

Mikä innoittaa sinua eniten tekoälystä terveydenhuollon kannalta?

Toivon, että tekoäly vapauttaa lääkärit datan syöttötehtävistä, jotta he voivat tehdä sitä, mihin heidät on kutsuttu, kuunnella, ymmärtää ja parantaa, kun he voivat.

Olemme innoissamme antamaan tämän projektin lisää näkyvyyttä. Kaikille, jotka haluavat oppia lisää, suosittelemme vierailemaan Thyroid BX -sivustolla.