Johnson Thomas, MD, AIBx – Intervista alla serie

Johnson Thomas è un medico con un interesse speciale per l’intelligenza artificiale. Oltre a esercitare la medicina, gli piace anche programmare.

Il suo recente progetto di ricerca AIBx utilizza l’IA per classificare i noduli tiroidei. Questo è anche un’intelligenza artificiale spiegabile, che aumenta la fiducia del medico nelle previsioni, la ricerca è stata pubblicata sulla rivista Thyroid.

Sei sia un medico che pratica alla Mercy Clinic Endocrinology di Springfield, MO, sia un specialista di apprendimento automatico. Come hai scoperto la tua passione per entrambi i mondi, quello medico e quello della programmazione, e come sono arrivati a intersecarsi?

Ero sempre affascinato dai computer. Crescendo in India, ho avuto la fortuna di frequentare una scuola con computer. Avevamo un club di computer attivo e ci hanno insegnato GWBasic. Questa era una scuola residenziale e gli studenti potevano utilizzare i computer durante il tempo libero serale o durante le pause pranzo. Quindi, io e il mio amico andavamo in laboratorio e scrivevamo codici. Stavamo principalmente creando piccoli giochi simili a quelli delle arcade.

Quando ho finito la scuola superiore, è stato difficile decidere tra ingegneria informatica e medicina. Mio padre e mio nonno erano medici. Mio padre era entusiasta del suo lavoro e amava aiutare le persone. Era anche molto felice del suo lavoro. Quindi, alla fine, ho deciso di andare alla scuola di medicina. Anche lì, ho continuato a programmare un po’. Negli anni, ho finito la scuola di medicina, la residenza in medicina interna e poi ho completato la mia specializzazione in endocrinologia. Dopo aver iniziato a lavorare, ho avuto un po’ più di tempo per esplorare la programmazione. Intorno a quel periodo, l’IA e l’apprendimento automatico stavano diventando più popolari. Quindi, ho iniziato a frequentare corsi online e poi ho iniziato a fare piccoli progetti utilizzando set di dati medici pubblici.

Il tuo progetto di ricerca più recente AIBx utilizza l’IA per classificare i noduli tiroidei in positivi o negativi per il cancro. Cosa ti ha ispirato a lavorare su questo progetto?

Una delle aree in cui mi specializzo all’interno dell’endocrinologia è quella dei noduli tiroidei e dei tumori tiroidei. Stavamo eseguendo centinaia di biopsie all’anno, ma solo poche di esse erano cancro. Ciò non sembrava un modo efficiente per utilizzare le nostre risorse. Questo era nel 2015. A quel tempo, potevo lavorare solo con dati numerici. Quindi, ho raccolto le caratteristiche ecografiche dei noduli tiroidei in un foglio di calcolo e le ho utilizzate per creare un modello di apprendimento automatico utilizzando XGboost. Questo è stato distribuito come un sito web su www.TUMScore.com.

Abbiamo presentato questa ricerca in Canada durante l’incontro annuale dell’American Thyroid Association nel 2017. Ma questo era ancora molto soggettivo. Come la bellezza sta nell’occhio di chi guarda, le caratteristiche ecografiche dipendono da chi le legge. Ci sono molte variazioni intra e inter-osservatore. Quindi, ho iniziato a esplorare opzioni più oggettive. Ciò ha portato alla classificazione delle immagini. Ma il problema della classificazione delle immagini è che è principalmente non spiegabile. Come può un medico fidarsi dell’algoritmo? Quindi, abbiamo deciso di emulare il processo di pensiero di un medico.

La maggior parte dei medici ha un’idea di come dovrebbe apparire un nodulo tiroideo canceroso. Mentalmente confrontano una nuova immagine ecografica con questa immagine mentale. Sulla base di ciò, abbiamo deciso di creare un algoritmo di similarità di immagini. Quindi, quando un medico carica un’immagine su AIBx, questo estrae immagini simili dal nostro database insieme alla diagnosi effettiva di quei noduli. Il medico operatore può guardare queste immagini e accettare o rifiutare l’output di AIBx. Ciò aumenta la fiducia del medico nell’algoritmo.

Quanto grande era il set di dati originariamente utilizzato quando hai lanciato questo progetto?

Le immagini ecografiche della tiroide sono in scala di grigi e hanno solo pochi pattern. Poiché stavamo utilizzando un modello di similarità di immagini, non avevamo bisogno di un set di dati grande. Avevamo 2025 immagini nel nostro database, che rappresentavano la maggior parte delle varietà comuni di cancro tiroideo. Provenivano da diverse macchine ecografiche.

Quando si tratta di apprendimento profondo, i grandi dati sono importanti. Hai visto un miglioramento nei tassi di diagnosi nel tempo man mano che vengono aggiunte più immagini ecografiche della tiroide al database?

Aggiungere più dati e utilizzare diverse tecniche di pre-elaborazione per aumentare i dati disponibili ci ha aiutato a migliorare il nostro algoritmo. Inizialmente, abbiamo utilizzato immagini con un rapporto di aspetto quadrato, ma in seguito abbiamo aggiunto immagini senza rapporto di aspetto quadrato e ciò ha migliorato i nostri risultati.

Le immagini sono esclusivamente della tua clinica o stai ricevendo immagini ecografiche aggiuntive da altre cliniche?

Il modello attuale ha immagini dalla clinica di endocrinologia Mercy Springfield e dall’ospedale Mercy. I medici di altri sistemi sanitari e paesi ci hanno contattato per condurre uno studio di convalida utilizzando i loro dati. Siamo molto entusiasti di questa opportunità.

Quanto è accurato l’IA rispetto a un medico formato?

Abbiamo confrontato i risultati di AIBx con metriche stabilite di sistemi di classificazione attuali. Nella pratica reale, c’è una grande variabilità nei risultati. Il valore predittivo positivo (probabilità che i soggetti con un test positivo abbiano effettivamente la malattia) può essere basso come il 2% utilizzando i sistemi di classificazione attuali. Ciò significa che se il sistema prevede che 100 noduli abbiano il cancro, in realtà solo 2 di quei 100 noduli avranno effettivamente il cancro. AIBx ha un valore predittivo positivo del 65,9% e un valore predittivo negativo del 93,2%.

Quante biopsie non necessarie potremmo potenzialmente ridurre con questo tipo di IA?

Basandoci sulla nostra ricerca, utilizzando AIBx, avremmo potuto evitare più della metà (57,3%) delle biopsie. Ma ciò deve essere validato utilizzando immagini al di fuori del nostro sistema sanitario.

Come possono le cliniche, i medici o altre parti interessate assistere con questi progetti?

Accogliamo con favore la collaborazione con altri medici e sistemi sanitari. Possono contattarci attraverso il nostro sito web www.ThyroidBx.com o inviarci un’e-mail all’indirizzo contact@ThyroidBx.com

Quanto tempo pensi che passerà prima che l’apprendimento automatico sostituisca i medici nella diagnosi della maggior parte dei cancri?

I media rappresentano l’IA e i medici come entità in competizione. Entrambi hanno punti di forza e di debolezza. La simbiosi tra medici e IA, che aumenta le nostre capacità di servire i nostri pazienti, è meglio del sistema attuale. A causa della natura complementare dei loro ruoli, non credo che l’IA sostituirà i medici nel prossimo futuro.

Cosa ti entusiasma di più per l’IA quando si tratta di assistenza sanitaria?

Spero che l’IA possa liberare i medici dal lavoro di inserimento dei dati per fare ciò per cui siamo stati chiamati, ascoltare, empatizzare e curare quando possiamo.

Siamo entusiasti di dare a questo progetto un’ulteriore visibilità. Per chiunque desideri saperne di più, visita Thyroid BX.