जॉनसन थॉमस, एमडी, एआईबीएक्स – साक्षात्कार श्रृंखला

जॉनसन थॉमस एक चिकित्सक हैं जिनकी विशेष रुचि कृत्रिम बुद्धिमत्ता में है। चिकित्सा के अलावा, उन्हें प्रोग्रामिंग का भी आनंद आता है।

उनकी हालिया शोध परियोजना AIBx कृत्रिम बुद्धिमत्ता का उपयोग करके थायरॉयड नोड्यूल्स को वर्गीकृत करती है। यह एक समझने योग्य कृत्रिम बुद्धिमत्ता भी है, जो चिकित्सकों को भविष्यवाणियों पर विश्वास बढ़ाती है, शोध को थायरॉयड जर्नल में प्रकाशित किया गया था।

आप एक अभ्यास चिकित्सक हैं और एक मशीन लर्निंग विशेषज्ञ भी हैं। आप दोनों क्षेत्रों में अपने प्यार को कैसे पाया?

मैं हमेशा से ही कंप्यूटर में रुचि रखता था। भारत में पढ़ाई के दौरान, मुझे एक स्कूल में कंप्यूटर मिले, जिसमें हमें GWBasic सिखाया गया था। यह एक आवासीय स्कूल था और छात्र अपने खाली समय में या दोपहर के भोजन के दौरान कंप्यूटर का उपयोग कर सकते थे। इसलिए, मैं और मेरा दोस्त लैब में जाकर कोड लिखते थे। हम मुख्य रूप से छोटे आर्केड जैसे गेम बनाते थे।

जब मैं 12वीं कक्षा से स्नातक हुआ, तो यह तय करना मुश्किल था कि कंप्यूटर इंजीनियरिंग या चिकित्सा में जाना है। मेरे पिता और दादा दोनों डॉक्टर थे। मेरे पिता अपने काम से उत्साहित थे और लोगों की मदद करने में आनंद लेते थे। इसलिए, अंत में, मैंने चिकित्सा स्कूल में जाने का फैसला किया। वहां भी, मैं थोड़ा कोडिंग करता था। वर्षों में, मैंने चिकित्सा स्कूल, आंतरिक चिकित्सा निवास और बाद में एंडोक्रिनोलॉजी में विशेषज्ञता पूरी की। जब मैं काम करना शुरू किया, तो मेरे पास कोडिंग का अन्वेषण करने के लिए थोड़ा अधिक समय था। उस समय, कृत्रिम बुद्धिमत्ता और मशीन लर्निंग अधिक लोकप्रिय हो रही थी। इसलिए, मैंने ऑनलाइन पाठ्यक्रम लेने शुरू किए और फिर सार्वजनिक रूप से उपलब्ध चिकित्सा डेटासेट का उपयोग करके छोटी परियोजनाएं शुरू कीं।

आपकी हालिया शोध परियोजना AIBx कृत्रिम बुद्धिमत्ता का उपयोग करके थायरॉयड नोड्यूल्स को वर्गीकृत करती है। आपको इस परियोजना पर काम करने के लिए क्या प्रेरित किया?

एंडोक्रिनोलॉजी के भीतर मेरी विशेषज्ञता के क्षेत्रों में से एक थायरॉयड नोड्यूल्स और थायरॉयड कैंसर है। हम हर साल सैकड़ों बायोप्सी करते थे, लेकिन उनमें से केवल कुछ ही कैंसर थे। यह संसाधनों का एक कुशल उपयोग नहीं लगता था। यह 2015 में था। उस समय, मैं केवल संख्यात्मक डेटा के साथ काम कर सकता था। इसलिए, मैंने थायरॉयड नोड्यूल्स के अल्ट्रासाउंड सुविधाओं को एक एक्सेल शीट में एकत्र किया और XGboost का उपयोग करके एक मशीन लर्निंग मॉडल बनाया। इसे www.TUMScore.com पर एक वेबसाइट के रूप में तैनात किया गया था।

हमने 2017 में कनाडा में अमेरिकन थायरॉयड एसोसिएशन की वार्षिक बैठक में इस शोध को प्रस्तुत किया। लेकिन यह अभी भी बहुत व्यक्तिपरक था। जैसे कि सुंदरता देखने वाले की आंखों में होती है, अल्ट्रासाउंड सुविधाएं इस बात पर निर्भर करती हैं कि कौन पढ़ रहा है। इसमें बहुत अधिक अंतर- और अंतर-पर्यवेक्षक भिन्नता है। इसलिए, मैं अधिक विषयगत विकल्पों की खोज करने लगा। यह छवि वर्गीकरण में ले गया। लेकिन छवि वर्गीकरण की समस्या यह है कि यह ज्यादातर समझने योग्य नहीं है। एक चिकित्सक अल्गोरिदम पर कैसे विश्वास कर सकता है? इसलिए, हमने एक चिकित्सक की सोच प्रक्रिया की नकल करने का फैसला किया।

अधिकांश चिकित्सकों को यह पता होता है कि एक कैंसरयुक्त थायरॉयड नोड्यूल कैसा दिखना चाहिए। वे मानसिक रूप से एक नई अल्ट्रासाउंड छवि की तुलना इस मानसिक छवि से करते हैं। इसके आधार पर, हमने एक छवि समानता अल्गोरिदम बनाने का फैसला किया। इसलिए, जब एक चिकित्सक AIBx पर एक छवि अपलोड करता है, तो यह हमारे डेटाबेस से समान छवियों को निकालता है, साथ ही उन नोड्यूल्स के वास्तविक निदान के साथ। ऑपरेटिंग चिकित्सक इन छवियों को देख सकता है और AIBx से आउटपुट को स्वीकार या अस्वीकार कर सकता है। यह प्रक्रिया अल्गोरिदम पर चिकित्सक के विश्वास को बढ़ाती है।

जब आप इस परियोजना को लॉन्च किया, तो आपने कितना बड़ा डेटासेट उपयोग किया था?

थायरॉयड अल्ट्रासाउंड छवियां ग्रेस्केल होती हैं और उनमें केवल कुछ पैटर्न होते हैं। चूंकि हम एक छवि समानता मॉडल का उपयोग कर रहे थे, इसलिए हमें एक बड़े डेटासेट की आवश्यकता नहीं थी। हमारे डेटाबेस में 2025 छवियां थीं, जो अधिकांश सामान्य थायरॉयड कैंसर किस्मों का प्रतिनिधित्व करती थीं। वे विभिन्न अल्ट्रासाउंड मशीनों से आए थे।

गहरे शिक्षण में बड़ा डेटा महत्वपूर्ण है। क्या आपने डेटाबेस में अधिक थायरॉयड अल्ट्रासाउंड छवियों को जोड़ने के बाद निदान दर में सुधार देखा है?

अधिक डेटा जोड़ने और प्रीप्रोसेसिंग तकनीकों का उपयोग करके उपलब्ध डेटा को बढ़ाने से हमें अपने अल्गोरिदम में सुधार करने में मदद मिली है। शुरू में, हमने वर्गाकार पहलू अनुपात वाली छवियों का उपयोग किया, लेकिन बाद में हमने वर्गाकार पहलू अनुपात वाली छवियों को जोड़कर अपने परिणामों में सुधार किया।

क्या छवियां विशेष रूप से आपके क्लिनिक से हैं, या अन्य क्लिनिक आपको अतिरिक्त अल्ट्रासाउंड छवियां प्रदान कर रहे हैं?

वर्तमान मॉडल में मेर्सी स्प्रिंगफील्ड एंडोक्रिनोलॉजी क्लिनिक और मेर्सी अस्पताल की छवियां हैं। अन्य स्वास्थ्य प्रणालियों और देशों के चिकित्सकों ने हमसे संपर्क किया है ताकि वे अपने डेटा का उपयोग करके एक सत्यापन अध्ययन कर सकें। हम इस अवसर से बहुत उत्साहित हैं।

कृत्रिम बुद्धिमत्ता एक प्रशिक्षित एमडी की तुलना में कितनी सटीक है?

हमने AIBx के परिणामों की तुलना वर्तमान वर्गीकरण प्रणालियों के स्थापित मेट्रिक्स से की। वास्तविक दुनिया के अभ्यास में, परिणामों में व्यापक परिवर्तनशीलता है। सकारात्मक भविष्यवाणी मूल्य (यह संभावना कि परीक्षण के साथ विषय वास्तव में बीमारी से पीड़ित हैं) 2% तक कम हो सकता है। इसका मतलब है कि यदि प्रणाली 100 नोड्यूल्स में कैंसर की भविष्यवाणी करती है, तो वास्तव में केवल 2 नोड्यूल्स में कैंसर होगा। AIBx का सकारात्मक भविष्यवाणी मूल्य 65.9 प्रतिशत और नकारात्मक भविष्यवाणी मूल्य 93.2 प्रतिशत है।

क्या हम इस प्रकार की कृत्रिम बुद्धिमत्ता के साथ अनावश्यक बायोप्सी को कितना कम कर सकते हैं?

हमारे शोध के आधार पर, AIBx का उपयोग करके हम बायोप्सी के अधिक than 57.3 प्रतिशत से बच सकते हैं। लेकिन इसकी पुष्टि करने के लिए हमें अपनी स्वास्थ्य प्रणाली के बाहर की छवियों का उपयोग करने की आवश्यकता है।

हॉस्पिटल, एमडी, या अन्य रुचि रखने वाले पक्ष इस परियोजना में कैसे सहयोग कर सकते हैं?

हम अन्य एमडी और अस्पताल प्रणाली से सहयोग का स्वागत करते हैं। वे हमसे www.ThyroidBx.com पर या contact@ThyroidBx.com पर ईमेल के माध्यम से संपर्क कर सकते हैं।

क्या आप सोचते हैं कि यह कब तक होगा जब मशीन लर्निंग अधिकांश कैंसरों के निदान के लिए एमडी को बदल देगी?

मीडिया कृत्रिम बुद्धिमत्ता और चिकित्सकों को प्रतिस्पर्धी इकाइयों के रूप में चित्रित करता है। दोनों की अपनी ताकत और कमजोरियां हैं। चिकित्सकों और कृत्रिम बुद्धिमत्ता के बीच संबंध बेहतर है, जो हमारी क्षमताओं को बढ़ाता है। उनकी पूरक प्रकृति के कारण, मुझे नहीं लगता कि कृत्रिम बुद्धिमत्ता निकट भविष्य में एमडी को बदल देगी।

स्वास्थ्य सेवा के संबंध में कृत्रिम बुद्धिमत्ता के लिए आपको क्या सबसे ज्यादा उत्साहित करता है?

मुझे उम्मीद है कि कृत्रिम बुद्धिमत्ता चिकित्सकों को डेटा एंट्री के काम से मुक्त कर देगी, ताकि वे हमारे लिए बुलाए गए काम को कर सकें, सुनने, सहानुभूति रखने और जब हम कर सकते हैं तो इलाज करने के लिए।

हम इस परियोजना को अतिरिक्त प्रदर्शन देने के लिए उत्साहित हैं। जो कोई भी अधिक जानना चाहता है, कृपया थायरॉयड बीएक्स पर जाएं।