존슨 토마스, MD, AIBx – 인터뷰 시리즈

존슨 토마스는 인공 지능에 특별한 관심을 가진 의사입니다. 의학을 실천하는 것 외에도 프로그래밍을 즐깁니다.

최근 연구 프로젝트 AIBx는 갑상선 결절을 분류하기 위해 AI를 사용합니다. 이것은 또한 설명 가능한 AI로, 의사의 예측에 대한 신뢰를 높입니다. 연구는 Thyroid 저널에 발표되었습니다.

당신은 메르시 클리닉 내분비학에서 의사로 일하면서도 기계 학습 전문가입니다. 의학 세계와 프로그래밍 세계가 어떻게 만나는지 알려주세요.

저는 항상 컴퓨터에 관심이 많았습니다. 인도에서 학교에 다닐 때, 컴퓨터 클럽이 있었고 GWBasic을 가르쳐주었습니다. 저와 친구는 랩에서 코드를 작성했습니다. 주로 작은 아케이드 게임을 만들었습니다.

12학년을 졸업했을 때, 컴퓨터 공학과 의학 사이에서 선택해야 했습니다. 아버지와 할아버지는 의사였습니다. 아버지가 일에 흥미를 느끼고 사람들을 도와주기를 좋아했습니다. 그래서 결국 의학을 선택했습니다. 의학을 공부하는 동안에도 코드를 조금씩 작성했습니다. 의학을 마치고 내과 레지던シー와 내분비학을 전공했습니다. 일하기 시작한 후에는 더 많은 시간을 코딩에 할애할 수 있었습니다. 그때 AI와 기계 학습이 더 인기 있게 되었습니다. 그래서 온라인 강의를 듣고 공개된 의학 데이터 세트를 사용하여 작은 프로젝트를 시작했습니다.

AIBx 프로젝트는 갑상선 결절을 양성 또는 음성으로 분류합니다. 이 프로젝트를 시작한 계기는 무엇인가요?

내분비학에서 전문 분야 중 하나는 갑상선 결절과 갑상선 암입니다. 우리는 매년 수백 건의 생검을 진행했지만 실제 암은 몇 개뿐이었습니다. 이것은 자원을 효율적으로 사용하는 방법처럼 보이지 않습니다. 2015년에 숫자 데이터만 작업할 수 있었습니다. 그래서 엑셀 시트에 갑상선 결절의 초음파 특징을 수집하고 XGboost를 사용하여 기계 학습 모델을 만들었습니다. 이것은 www.TUMScore.com에 배포되었습니다.

우리는 2017년 캐나다에서 열린 미국 갑상선 협회 연례 회의에서 이 연구를 발표했습니다. 그러나 이것은 여전히 주관적이었습니다. 미의 기준은 주관적입니다. 초음파 특징은誰が 읽는지에 따라 다르기 때문입니다. 내부 및 외부 관찰자 변동이 많습니다. 그래서 더 객관적인 방법을 찾기 시작했습니다. 이것은 이미지 분류로 이어졌습니다. 그러나 이미지 분류의 문제는 대부분 설명할 수 없습니다. 의사가 알고리즘을 신뢰할 수 있을까요? 그래서 우리는 의사의 생각 과정을 모방하기로 결정했습니다.

대부분의 의사들은 암성 갑상선 결절이 어떻게 보일지에 대한 아이디어를 가지고 있습니다. 새로운 초음파 이미지를 정신적인 이미지와 비교합니다. 이를 기반으로 이미지 유사성 알고리즘을 만들었습니다. 그래서 의사가 AIBx에 이미지를 업로드하면 데이터베이스에서 유사한 이미지를 가져옵니다. 실제 진단과 함께입니다. 운영하는 의사는 이 이미지를 보고 AIBx의 출력을 수락하거나 거부할 수 있습니다. 이 과정은 알고리즘에 대한 의사의 신뢰를 높입니다.

이 프로젝트를 시작할 때 사용한 데이터셋은 얼마나 큰가요?

갑상선 초음파 이미지는 그레이스케일이고 패턴이 적습니다. 이미지 유사성 모델을 사용했기 때문에大量의 데이터가 필요하지 않았습니다. 데이터베이스에는 2025개의 이미지가 있었고, 대부분의 일반적인 갑상선 암을 대표했습니다. 다른 초음파 기계에서 가져온 이미지입니다.

깊은 학습에서는大量의 데이터가 중요합니다. 데이터베이스에 더 많은 갑상선 초음파 이미지를 추가함으로써 진단 정확도가 시간이 지남에 따라 개선되는 것을 보셨나요?

더 많은 데이터를 추가하고 데이터를 증가시키기 위한 전처리 기술을 사용함으로써 알고리즘을 개선할 수 있었습니다. 처음에는 정방형 비율의 이미지만 사용했지만, 이후 비정방형 비율의 이미지도 추가하여 결과를 개선할 수 있었습니다.

이미지는 독점적으로 귀하의 클리닉에서만 제공되는 것이 아니군요. 다른 클리닉에서도 추가적인 초음파 이미지를 제공하고 있나요?

현재 모델에는 메르시 스프링필드 내분비학 클리닉과 메르시 병원의 이미지가 있습니다. 다른 의료 시스템과 국가의 의사들이 우리에게 연락하여 그들의 데이터를 사용하여 검증 연구를 진행하려고 합니다. 우리는 이 기회에 매우 흥奮합니다.

AI의 정확도는 훈련된 의사와 비교하여 어떻게 되나요?

우리는 AIBx의 결과를 현재 분류 시스템의 기준과 비교했습니다. 실제 임상에서는 결과가 매우 다양합니다. 양성 예측 값(양성 테스트 결과가 실제로 암인 확률)은 현재 분류 시스템에서 2%까지 낮을 수 있습니다. 이것은 시스템이 100개의 결절 중 2개만 실제 암이라는 것을 의미합니다. AIBx는 65.9%의 양성 예측 값과 93.2%의 음성 예측 값을 가지고 있습니다.

이런 유형의 AI를 사용하면 불필요한 생검을 얼마나 줄일 수 있을까요?

우리의 연구에 따르면, AIBx를 사용하면 생검의 57.3%를 피할 수 있었습니다. 그러나 이것은 우리 의료 시스템 외부의 이미지로 검증되어야 합니다.

병원, 의사, 또는 다른 관심 있는 당사자는 이 프로젝트에 어떻게 참여할 수 있나요?

우리는 다른 의사와 의료 시스템의 협력을 환영합니다. 그들은 www.thyroidbx.com을 통해 우리에게 연락하거나 contact@ThyroidBx.com으로 이메일을 보낼 수 있습니다.

기계 학습이 암의 대부분을 진단하는 데 의사를 대체할 때까지 얼마나 걸릴까요?

미디어는 AI와 의사를 경쟁하는 실체로 묘사합니다. 그러나 둘 다 강점과 약점이 있습니다. 의사와 AI의 공생은 현재 시스템보다 더 나은 것입니다. 그들의 역할은 보완적이기 때문에, AI가 가까운 미래에 의사를 대체할 것이라고 생각하지 않습니다.

의료 분야에서 AI에 대해 가장 흥奮하는 것은 무엇인가요?

저는 의사들이 데이터 입력 작업에서 해방되어 사람들이 듣고, 공감하고, 할 수 있는 경우 치료하는 일을 할 수 있기를 바랍니다.

우리는 이 프로젝트에 추가적인 노출을 제공하기 위해 흥奮합니다. 자세한 정보를 원하는 사람들은 Thyroid BX를 방문하세요.