Johnson Thomas, MD, AIBx – Seri Wawancara

Johnson Thomas adalah seorang dokter dengan minat khusus dalam kecerdasan buatan. Selain berpraktik sebagai dokter, ia juga menikmati pemrograman.

Proyek penelitiannya yang baru-baru ini AIBx menggunakan AI untuk mengklasifikasikan nodul tiroid. Ini juga merupakan kecerdasan buatan yang dapat dijelaskan, yang meningkatkan kepercayaan dokter terhadap prediksi, Penelitian ini diterbitkan di Jurnal Tiroid.

Anda adalah seorang dokter yang berpraktik di Mercy Clinic Endocrinology di Springfield, MO, dan Anda juga seorang spesialis pembelajaran mesin. Bagaimana Anda menemukan minat Anda pada kedua dunia medis dan pemrograman?

Saya selalu tertarik dengan komputer. Ketika saya masih kecil di India, saya beruntung dapat bersekolah di sekolah yang memiliki komputer. Kami memiliki klub komputer yang aktif dan mereka mengajarkan kami GWBasic. Ini adalah sekolah berasrama dan siswa dapat menggunakan komputer selama waktu luang di sore hari atau selama istirahat makan siang. Jadi, saya dan teman saya pergi ke laboratorium dan menulis kode. Kami sebagian besar membuat permainan arcade kecil.

Ketika saya lulus dari sekolah menengah, saya sulit memutuskan antara teknik komputer dan kedokteran. Ayah dan kakek saya adalah dokter. Ayah saya sangat antusias dengan pekerjaannya dan dia suka membantu orang lain. Dia juga sangat bahagia dengan pekerjaannya. Jadi, akhirnya saya memutuskan untuk masuk ke sekolah kedokteran. Bahkan di sana, saya masih melakukan sedikit pemrograman. Selama beberapa tahun saya menyelesaikan sekolah kedokteran, residensi kedokteran internal dan kemudian menyelesaikan spesialisasi saya dalam endokrinologi. Setelah saya mulai bekerja, saya memiliki sedikit lebih banyak waktu untuk mengeksplorasi pemrograman. Sekitar waktu itu AI dan pembelajaran mesin menjadi lebih populer. Jadi, saya mulai mengambil kursus online dan kemudian memulai proyek kecil menggunakan dataset medis yang tersedia secara publik.

Proyek penelitian Anda yang paling baru, AIBx, menggunakan AI untuk mengklasifikasikan nodul tiroid menjadi positif atau negatif untuk kanker. Apa yang menginspirasi Anda untuk mengerjakan proyek ini?

Salah satu area yang saya spesialisasikan dalam endokrinologi adalah nodul tiroid dan kanker tiroid. Kami melakukan ratusan biopsi setiap tahun, tetapi hanya beberapa di antaranya yang merupakan kanker. Ini tidak tampak seperti cara yang efisien untuk menggunakan sumber daya kami. Ini adalah tahun 2015. Pada saat itu, saya hanya dapat bekerja dengan data numerik. Jadi, saya mengumpulkan fitur ultrasound dari nodul tiroid ke dalam lembar excel dan menggunakan itu untuk membuat model pembelajaran mesin menggunakan XGboost. Ini diterapkan sebagai situs web di www.TUMScore.com.

Kami mempresentasikan penelitian ini di Kanada selama pertemuan tahunan Asosiasi Tiroid Amerika pada tahun 2017. Tetapi ini masih sangat subjektif. Seperti keindahan terletak pada mata yang melihat, fitur ultrasound tergantung pada siapa yang membacanya. Ada banyak variasi intra dan antar pengamat. Jadi, saya mulai mengeksplorasi opsi yang lebih objektif. Ini mengarah ke klasifikasi gambar. Tetapi masalah dengan klasifikasi gambar adalah bahwa sebagian besar tidak dapat dijelaskan. Bagaimana seorang dokter dapat mempercayai algoritma? Jadi, kami memutuskan untuk meniru proses berpikir dokter.

Sebagian besar dokter memiliki gambaran tentang bagaimana nodul tiroid yang bersifat kanker seharusnya terlihat. Mereka membandingkan gambar ultrasound baru dengan gambar mental ini. Berdasarkan ini, kami memutuskan untuk membuat algoritma kesamaan gambar. Jadi, ketika seorang dokter mengunggah gambar ke AIBx, itu menarik gambar serupa dari database kami bersama dengan diagnosis aktual dari nodul-nodul tersebut. Dokter yang beroperasi dapat melihat gambar-gambar ini dan menerima atau menolak output dari AIBx. Proses ini meningkatkan kepercayaan dokter terhadap algoritma.

Seberapa besar dataset yang digunakan saat Anda meluncurkan proyek ini?

Gambar ultrasound tiroid adalah gambar grayscale dan hanya memiliki beberapa pola. Karena kami menggunakan model kesamaan gambar, kami tidak memerlukan dataset yang besar. Kami memiliki 2025 gambar di database kami yang mewakili sebagian besar varietas kanker tiroid yang umum. Mereka berasal dari mesin ultrasound yang berbeda.

Ketika datang ke pembelajaran mesin, data besar sangat penting. Apakah Anda telah melihat perbaikan dalam tingkat diagnosis seiring waktu karena lebih banyak gambar ultrasound tiroid dimasukkan ke dalam database?

Menambahkan lebih banyak data dan menggunakan teknik pra-pengolahan yang berbeda untuk meningkatkan data yang tersedia telah membantu kami untuk meningkatkan algoritma kami. Awalnya kami menggunakan gambar dengan rasio aspek persegi, tetapi kemudian kami menambahkan gambar tanpa rasio aspek persegi dan itu telah meningkatkan hasil kami.

Apakah gambar-gambar tersebut secara eksklusif dari klinik Anda, atau apakah Anda memiliki klinik lain yang menyediakan gambar ultrasound tambahan?

Model saat ini memiliki gambar dari klinik endokrinologi Mercy Springfield dan rumah sakit Mercy. Dokter dari sistem kesehatan lain dan negara lain telah menghubungi kami untuk melakukan studi validasi menggunakan data mereka. Kami sangat antusias dengan kesempatan ini.

Seberapa akurat AI dibandingkan dengan dokter yang terlatih?

Kami membandingkan hasil AIBx dengan metrik yang sudah ada dari sistem klasifikasi saat ini. Dalam praktik dunia nyata, ada variasi yang luas dalam hasil. Nilai prediktif positif (probabilitas bahwa subjek dengan tes positif benar-benar memiliki penyakit) dapat se rendah 2% menggunakan sistem klasifikasi saat ini. Apa yang ini maksudkan adalah bahwa jika sistem memprediksi bahwa 100 nodul memiliki kanker, dalam kenyataan hanya 2 di antara 100 nodul tersebut yang benar-benar memiliki kanker. AIBx memiliki nilai prediktif positif sebesar 65,9 persen dan nilai prediktif negatif sebesar 93,2%

Seberapa banyak biopsi yang tidak perlu yang dapat kita hindari dengan menggunakan AI seperti ini?

Berdasarkan penelitian kami, menggunakan AIBx kami dapat menghindari lebih dari setengah (57,3%) biopsi. Tetapi ini perlu divalidasi menggunakan gambar dari luar sistem kesehatan kami.

Bagaimana rumah sakit, dokter, atau pihak lain yang tertarik dapat membantu dengan proyek-proyek ini?

Kami menyambut kerja sama dari dokter lain dan sistem kesehatan. Mereka dapat menghubungi kami melalui situs web kami www.ThyroidBx.com atau email kami di contact@ThyroidBx.com

Seberapa lama Anda percaya bahwa pembelajaran mesin akan menggantikan dokter untuk diagnosis sebagian besar kanker?

Media menggambarkan AI dan dokter sebagai entitas yang bersaing. Keduanya memiliki kekuatan dan kelemahan. Simbiosis antara dokter dan AI, yang meningkatkan kemampuan kami untuk melayani pasien, lebih baik daripada sistem saat ini. Karena sifat komplementer dari peran mereka, saya tidak berpikir bahwa AI akan menggantikan dokter dalam waktu dekat.

Apa yang membuat Anda paling bersemangat tentang AI dalam kaitannya dengan kesehatan?

Saya berharap AI akan membebaskan dokter dari pekerjaan entri data sehingga mereka dapat melakukan apa yang mereka panggil untuk, yaitu mendengarkan, memahami, dan menyembuhkan ketika mereka bisa.

Kami sangat senang memberikan proyek ini eksposur tambahan. Untuk siapa saja yang ingin mempelajari lebih lanjut silakan kunjungi Thyroid BX.