Johnson Thomas, MD, AIBx – Série d’entretiens

Johnson Thomas est un médecin avec un intérêt spécial pour l’intelligence artificielle. En plus de pratiquer la médecine, il aime également la programmation.

Son projet de recherche récent AIBx utilise l’IA pour classer les nodules thyroïdiens. Il s’agit également d’une intelligence artificielle explicative, ce qui augmente la confiance des médecins dans les prédictions. La recherche a été publiée dans le journal Thyroid.

Vous êtes à la fois un médecin praticien au Mercy Clinic Endocrinology à Springfield, MO, et un spécialiste du machine learning. Comment avez-vous découvert votre amour pour les deux mondes, médical et de la programmation, qui finissent par se croiser ?

J’ai toujours été fasciné par les ordinateurs. Ayant grandi en Inde, j’ai eu la chance d’aller dans une école avec des ordinateurs. Nous avions un club d’informatique actif et ils nous ont enseigné le GWBasic. C’était une école internat et les élèves pouvaient utiliser les ordinateurs pendant leur temps libre le soir ou pendant les pauses déjeuner. Alors, mon ami et moi allions au labo et écrivions des codes. Nous créions principalement de petits jeux similaires aux jeux d’arcade.

Quand j’ai obtenu mon diplôme de 12e année, il m’a été difficile de choisir entre l’ingénierie informatique et la médecine. Mon père et mon grand-père étaient médecins. Mon père était enthousiaste à l’idée de son travail et il aimait aider les gens. Il était également très heureux de son travail. Finalement, j’ai décidé d’aller à la faculté de médecine. Même là-bas, j’ai continué à coder un peu. Au fil des ans, j’ai terminé la faculté de médecine, la résidence en médecine interne et plus tard, j’ai terminé ma spécialisation en endocrinologie. Après avoir commencé à travailler, j’ai eu un peu plus de temps pour explorer la programmation. À cette époque, l’IA et le machine learning devenaient plus populaires. Alors, j’ai commencé à suivre des cours en ligne et j’ai ensuite commencé à réaliser de petits projets en utilisant des ensembles de données médicales publiques.

Votre projet de recherche le plus récent, AIBx, utilise l’IA pour classer les nodules thyroïdiens en nodules cancéreux ou non cancéreux. Qu’est-ce qui vous a inspiré pour travailler sur ce projet ?

L’un des domaines dans lesquels je me spécialise en endocrinologie est les nodules thyroïdiens et les cancers thyroïdiens. Nous réalisions des centaines de biopsies par an, mais seulement quelques-unes d’entre elles étaient des cancers. Cela ne semblait pas être une utilisation efficace de nos ressources. C’était en 2015. À cette époque, je ne pouvais travailler qu’avec des données numériques. Alors, j’ai collecté les caractéristiques échographiques des nodules thyroïdiens dans une feuille de calcul et j’ai utilisé cela pour créer un modèle de machine learning en utilisant XGboost. Celui-ci a été déployé sous forme de site Web à www.TUMScore.com.

Nous avons présenté cette recherche au Canada lors de la réunion annuelle de l’American Thyroid Association en 2017. Mais cela était encore très subjectif. Tout comme la beauté est dans l’œil de celui qui regarde, les caractéristiques échographiques dépendent de qui les interprète. Il y a beaucoup de variations intra et inter-observateurs. Alors, j’ai commencé à explorer des options plus objectives. Cela m’a conduit à la classification d’images. Mais le problème avec la classification d’images est qu’elle est souvent inexplicable. Comment un médecin peut-il faire confiance à l’algorithme ? Alors, nous avons décidé d’imiter le processus de pensée d’un médecin.

La plupart des médecins ont une idée de la façon dont un nodule thyroïdien cancéreux devrait apparaître. Ils comparent mentalement une nouvelle image échographique à cette image mentale. Sur la base de cela, nous avons décidé de créer un algorithme de similarité d’images. Alors, lorsque un médecin télécharge une image sur AIBx, il extrait des images similaires de notre base de données, ainsi que le diagnostic réel de ces nodules. Le médecin traitant peut regarder ces images et accepter ou rejeter la sortie d’AIBx. Ce processus augmente la confiance du médecin dans l’algorithme.

Quelle était la taille du jeu de données utilisé à l’origine lorsque vous avez lancé ce projet ?

Les images échographiques thyroïdiennes sont en nuances de gris et elles n’ont que quelques motifs. Puisque nous utilisions un modèle de similarité d’images, nous n’avions pas besoin d’un grand ensemble de données. Nous avions 2025 images dans notre base de données, représentant la plupart des variétés de cancer thyroïdien courantes. Elles provenaient de différents appareils échographiques.

En ce qui concerne l’apprentissage profond, les grandes données sont importantes. Avez-vous constaté une amélioration des taux de diagnostic au fil du temps à mesure que davantage d’images échographiques thyroïdiennes sont entrées dans la base de données ?

L’ajout de plus de données et l’utilisation de différentes techniques de prétraitement pour augmenter les données disponibles nous ont aidés à améliorer notre algorithme. Initialement, nous utilisions des images avec un rapport d’aspect carré, mais plus tard, nous avons ajouté des images sans rapport d’aspect carré et cela a amélioré nos résultats.

Les images proviennent-elles exclusivement de votre clinique ou d’autres cliniques vous fournissent-elles également des images échographiques supplémentaires ?

Le modèle actuel contient des images de la clinique d’endocrinologie Mercy Springfield et de l’hôpital Mercy. Des médecins d’autres systèmes de santé et de pays nous ont contactés pour réaliser une étude de validation en utilisant leurs données. Nous sommes très enthousiastes à l’idée de cette opportunité.

Quelle est la précision de l’IA par rapport à un MD formé ?

Nous avons comparé les résultats d’AIBx aux métriques établies des systèmes de classification actuels. Dans la pratique réelle, il existe une grande variabilité dans les résultats. La valeur prédictive positive (probabilité que les sujets avec un test positif aient réellement la maladie) peut être aussi basse que 2 % en utilisant les systèmes de classification actuels. Cela signifie que si le système prédit que 100 nodules ont un cancer, en réalité, seuls 2 de ces 100 nodules auront réellement un cancer. AIBx a une valeur prédictive positive de 65,9 % et une valeur prédictive négative de 93,2 %.

Combien de biopsies inutiles pourrions-nous potentiellement réduire avec ce type d’IA ?

Sur la base de notre recherche, en utilisant AIBx, nous aurions pu éviter plus de la moitié (57,3 %) des biopsies. Mais cela doit être validé en utilisant des images en dehors de notre système de santé.

Comment les hôpitaux, les MD, ou d’autres parties intéressées peuvent-elles aider à ces projets ?

Nous accueillons favorablement la collaboration avec d’autres MD et systèmes de santé. Ils peuvent nous contacter via notre site Web www.ThyroidBx.com ou par courrier électronique à contact@ThyroidBx.com

Combien de temps pensez-vous qu’il faudra avant que le machine learning remplace les MD pour le diagnostic de la plupart des cancers ?

Les médias présentent l’IA et les médecins comme des entités concurrentes. Les deux ont leurs forces et leurs faiblesses. La symbiose entre les médecins et l’IA, qui améliore nos capacités à servir nos patients, est meilleure que le système actuel. En raison de la nature complémentaire de leurs rôles, je ne pense pas que l’IA remplacera les MD dans un avenir proche.

Qu’est-ce qui vous excite le plus pour l’IA en ce qui concerne la santé ?

J’espère que l’IA libérera les médecins de la tâche de saisie de données pour qu’ils puissent faire ce pour quoi ils ont été appelés, à savoir écouter, sympathiser et guérir lorsqu’ils le peuvent.

Nous sommes enthousiastes à l’idée de donner à ce projet une exposition supplémentaire. Pour tous ceux qui souhaitent en savoir plus, veuillez visiter Thyroid BX.