ジョンソン・トーマス博士、AIBx – インタビュー・シリーズ

ジョンソン・トーマス博士は、人工知能に特に関心を持つ医師です。医学の実践に加えて、プログラミングも楽しんでいます。

彼の最近の研究プロジェクト AIBx は、人工知能を使用して甲状腺結節を分類します。これは、説明可能な人工知能でもあり、医師の予測に対する信頼を高めます。研究は、Thyroid journal に掲載されています。

あなたは、メルシー・クリニック内分泌学科の医師であり、またマシン・ラーニングの専門家でもあります。医療の世界とプログラミングの世界が交差するようになったのは、どういう経緯でしたか?

私は常にコンピューターに興味を持っていました。インドで育った私は、コンピューターが導入された学校に通っていました。コンピュータークラブでは、GWBasicを教えてくれました。これは寄宿学校で、学生は自由時間や昼休みにコンピューターを使うことができました。私は友達と一緒にラボに行って、コードを書きました。主に小さなアーケードのようなゲームを作っていました。

12歳の時に、コンピューターエンジニアリングと医学のどちらかを選択しなければなりませんでした。私の父と祖父は医者でした。父は仕事を愛しており、人を助けることが喜んでいました。彼は仕事に対して非常に幸せでした。最終的に、私は医学部に行くことを決めました。医学部でも、少しコードを書いていました。医学部を卒業し、内科の研修を終え、後に内分泌学の専門医の資格を取得しました。仕事を始めた後、コーディングを探求する時間が増えました。人工知能とマシン・ラーニングが人気を博し始めたので、オンラインコースを受け、小さなプロジェクトを始めました。

あなたの最新の研究プロジェクト AIBx は、人工知能を使用して甲状腺結節を癌性または非癌性に分類します。どんなことがこのプロジェクトを始めるきっかけとなりましたか?

私は内分泌学の中で、甲状腺結節と甲状腺癌に特に関心を持っています。私たちは年に数百回の生検を行っていましたが、実際に癌である割合は低かったです。これはリソースの使用法としては効率的ではありません。2015年のことです。当時私は数値データしか扱えなかったので、甲状腺結節の超音波特性をエクセルシートに収集し、XGboostを使用してマシン・ラーニング・モデルを作成しました。これは、www.TUMScore.com としてウェブサイトにデプロイされました。

私たちはこの研究を2017年のカナダでのアメリカ甲状腺学会の年次会議で発表しました。しかし、これはまだ主観的なものでした。美は見る人の目にあり、超音波特性は誰が読んでいるかに依存します。医師間や医師内での変動が大きいです。そこで、私はより客観的な方法を探求し始めました。これが画像分類につながりました。しかし、画像分類には説明できないものが多いです。医師はアルゴリズムをどう信頼できるでしょうか。そこで、私たちは医師の思考プロセスを模倣することにしました。

ほとんどの医師は、癌性甲状腺結節がどのように見えるかについてある程度のイメージを持っています。新しい超音波画像をこのイメージと比較します。私たちはこの考えに基づいて、画像類似度アルゴリズムを作成しました。医師がAIBxに画像をアップロードすると、類似の画像をデータベースから抽出し、実際の診断結果とともに提示します。診療医師はこれらの画像を確認し、AIBxの出力を承認または却下できます。このプロセスにより、医師のアルゴリズムに対する信頼が高まります。

当初、このプロジェクトを開始した際に使用したデータセットはどのくらいの規模でしたか?

甲状腺超音波画像はグレースケールで、パターンが限られています。画像類似度モデルを使用していたので、大きなデータセットは必要ありませんでした。私たちのデータベースには、2025枚の画像が含まれており、一般的な甲状腺癌の種類がほとんど網羅されていました。これらはさまざまな超音波機器から来ました。

ディープ・ラーニングでは、大きなデータセットが重要です。データベースに追加の甲状腺超音波画像を入れることで、診断精度の向上を見ているのでしょうか?

データを追加し、前処理技術を使用して利用可能なデータを増やすことで、アルゴリズムの改善に役立ちました。初期の段階では、正方形のアスペクト比を持つ画像のみを使用していましたが、後に正方形でないアスペクト比の画像も追加し、結果の向上に貢献しました。

画像はあなたのクリニックからのものだけですか、他のクリニックからも提供を受けていますか?

現在のモデルには、メルシー・スプリングフィールド内分泌学科とメルシー病院からの画像が含まれています。他のヘルスシステムや国からの医師が、私たちのデータを使用して検証研究を行うことを希望しています。これは私たちにとって非常に興味深い機会です。

AIの精度は、訓練された医師と比較してどうなりますか?

私たちは、AIBxの結果を現在の分類システムの既存のメトリックと比較しました。実際の診療では、結果のばらつきが大きいです。陽性予測値（陽性テスト結果のうち実際に疾患を持っている確率）は、現在の分類システムでは2%まで低下することがあります。つまり、システムが100個の結節が癌であると予測した場合、実際にはその中の2個のみが癌であるということになります。AIBxの陽性予測値は65.9%、陰性予測値は93.2%です。

このようなAIを使用することで、どれくらいの不必要な生検を回避できる可能性がありますか?

私たちの研究によると、AIBxを使用することで、生検の約57.3%を回避できた可能性があります。しかし、これは私たちのヘルスシステム外の画像を使用して検証する必要があります。

病院、医師、その他の関係者は、このプロジェクトを支援するためにどうやって協力できるのでしょうか?

私たちは、他の医師やヘルスシステムからの協力を歓迎しています。彼らは、www.ThyroidBx.com または contact@ThyroidBx.com を通じて私たちに連絡できます。

医師を必要とせずに、ほとんどの癌の診断を行うために、人工知能が医師に取って代わるまでにどれくらいの時間がかかるでしょうか?

メディアは、人工知能と医師を競合関係にあるように描写しています。しかし、両者にはそれぞれの強みと弱みがあります。医師と人工知能の相互作用は、患者さんへのサービスを強化するものであり、現在のシステムよりも優れています。役割の相補性により、私は近い将来に人工知能が医師に取って代わることはないと思います。

あなたにとって、医療における人工知能の最も興奮する点は何ですか?

私は、人工知能が医師をデータ入力の仕事から解放し、患者さんに耳を傾け、共感し、可能な限り治療できるようにすることを願っています。

私たちは、このプロジェクトに追加の露出を与えることを楽しみにしています。詳しく知りたい方は、Thyroid BX を訪れてください。