Johnson Thomas, MD, AIBx – Interviewreeks

Johnson Thomas is een arts met een speciale interesse in kunstmatige intelligentie. Naast zijn werk als arts, geniet hij ook van programmeren.

Zijn recente onderzoeksproject AIBx gebruikt AI om schildklierknobbels te classificeren. Dit is ook een verklarende AI, die de vertrouwen van artsen in de voorspellingen verhoogt. Het onderzoek werd gepubliceerd in Thyroid journal.

U bent zowel een praktiserend arts bij Mercy Clinic Endocrinology in Springfield, MO, als een specialist in machine learning. Hoe bent u uw liefde voor zowel de medische wereld als programmeren gaan combineren?

Ik was altijd gefascineerd door computers. Toen ik opgroeide in India, had ik het geluk naar een school te gaan met computers. We hadden een actieve computerclub en ze leerden ons GWBasic. Dit was een internaat en studenten konden computers gebruiken tijdens hun vrije tijd ‘s avonds of tijdens de lunchpauze. Dus mijn vriend en ik gingen naar het lab en schreven codes. We maakten voornamelijk kleine arcadegames.

Toen ik mijn 12e klas afrondde, was het moeilijk om te beslissen tussen computerengineering en geneeskunde. Mijn vader en grootvader waren artsen. Mijn vader was enthousiast over zijn werk en hij hield van mensen helpen. Hij was ook erg gelukkig met zijn werk. Dus besloot ik uiteindelijk om naar de medische school te gaan. Zelfs daar programmeerde ik een beetje. In de loop der jaren rondde ik mijn medische opleiding af, voltooide ik mijn specialisatie in interne geneeskunde en later mijn specialisatie in endocrinologie. Nadat ik begon te werken, had ik wat meer tijd om te onderzoeken en te programmeren. Rond die tijd werd AI en machine learning populairder. Dus begon ik online cursussen te volgen en daarna kleine projecten te doen met openbaar beschikbare medische datasets.

Wat was de inspiratie achter uw meest recente onderzoeksproject AIBx, dat AI gebruikt om schildklierknobbels te classificeren als positief of negatief voor kanker?

Een van de gebieden waarin ik me specialiseer binnen de endocrinologie, is schildklierknobbels en schildklierkanker. We deden honderden biopsies per jaar, maar slechts een paar daarvan waren kankergevallen. Dit leek niet efficiënt gebruik van onze middelen. Dit was in 2015. Op dat moment kon ik alleen werken met numerieke gegevens. Dus verzamelde ik echografische kenmerken van schildklierknobbels in een Excel-blad en gebruikte ik die om een machine learning-model te maken met XGboost. Dit werd geïmplementeerd als een website op www.TUMScore.com.

We presenteerden dit onderzoek in Canada tijdens de jaarlijkse Amerikaanse Schildklier Vereniging bijeenkomst in 2017. Maar dit was nog steeds erg subjectief. Net zoals schoonheid in het oog van de toeschouwer ligt, hangen echografische kenmerken af van wie ze leest. Er is veel intra- en interobserver variatie. Dus begon ik opties te onderzoeken die meer objectief zijn. Dit leidde tot beeldclassificatie. Maar het probleem met beeldclassificatie is dat het meestal niet verklaarbaar is. Hoe kan een arts het algoritme vertrouwen? Dus besloten we om een arts zijn denkproces na te bootsen.

De meeste artsen hebben een idee van hoe een kankergevende schildklierknobbel eruit zou moeten zien. Ze vergelijken mentaal een nieuwe echografische afbeelding met dit mentale beeld. Op basis hiervan besloten we om een beeldovereenkomst algoritme te maken. Dus wanneer een arts een afbeelding uploadt naar AIBx, haalt het soortgelijke afbeeldingen op uit onze database, samen met de daadwerkelijke diagnose van die knobbels. De behandelende arts kan naar deze afbeeldingen kijken en de uitvoer van AIBx accepteren of afwijzen. Dit proces verhoogt het vertrouwen van de arts in het algoritme.

Hoe groot was de dataset die oorspronkelijk werd gebruikt toen u dit project lanceerde?

Schildklierechografische afbeeldingen zijn grijswaarden en hebben slechts enkele patronen. Aangezien we een beeldovereenkomst model gebruikten, hadden we geen grote dataset nodig. We hadden 2025 afbeeldingen in onze database, die de meeste voorkomende schildklierkankersoorten vertegenwoordigden. Ze kwamen van verschillende echografische apparaten.

Heeft u een verbetering gezien in de diagnosepercentages in de loop van de tijd, naarmate meer schildklierechografische afbeeldingen in de database werden opgenomen?

Het toevoegen van meer gegevens en het gebruik van verschillende voorverwerkingsmethoden om de beschikbare gegevens te vergroten, heeft ons geholpen om ons algoritme te verbeteren. Aanvankelijk gebruikten we afbeeldingen met een vierkant aspectverhouding, maar later voegden we afbeeldingen toe zonder vierkant aspectverhouding en dat heeft onze resultaten verbeterd.

Zijn de afbeeldingen uitsluitend afkomstig van uw kliniek, of krijgt u ook afbeeldingen van andere klinieken?

Het huidige model bevat afbeeldingen van Mercy Springfield endocrinologie kliniek en Mercy ziekenhuis. Artsen van andere gezondheidszorgsystemen en landen hebben contact met ons opgenomen om een validatieonderzoek uit te voeren met hun gegevens. We zijn erg enthousiast over deze kans.

Hoe nauwkeurig is de AI in vergelijking met een opgeleide MD?

We vergeleken de resultaten van AIBx met gevestigde metrics van huidige classificatiesystemen. In de praktijk is er een grote variatie in resultaten. De positieve voorspellingswaarde (de kans dat onderwerpen met een positieve test daadwerkelijk de ziekte hebben) kan zo laag zijn als 2% met de huidige classificatiesystemen. Wat dit betekent, is dat als het systeem voorspelt dat 100 knobbels kanker hebben, in werkelijkheid slechts 2 van die 100 knobbels daadwerkelijk kanker hebben. AIBx heeft een positieve voorspellingswaarde van 65,9% en een negatieve voorspellingswaarde van 93,2%.

Hoeveel onnodige biopsies kunnen we potentieel vermijden met dit type AI?

Op basis van ons onderzoek, zouden we met AIBx meer dan de helft (57,3%) van de biopsies hebben kunnen vermijden. Maar dit moet worden gevalideerd met afbeeldingen van buiten ons gezondheidszorgsysteem.

Hoe kunnen ziekenhuizen, artsen of andere geïnteresseerde partijen helpen bij deze projecten?

We verwelkomen samenwerking van andere artsen en ziekenhuizen. Ze kunnen contact met ons opnemen via onze website www.ThyroidBx.com of per e-mail via contact@ThyroidBx.com

Hoe lang denkt u dat het zal duren voordat machine learning artsen vervangt voor de diagnose van de meeste kankers?

De media portretteert AI en artsen als concurrerende entiteiten. Beiden hebben hun sterke en zwakke punten. Symbiose van artsen en AI, die onze capaciteiten verhoogt om onze patiënten te helpen, is beter dan het huidige systeem. Vanwege de complementaire aard van hun rollen, denk ik niet dat AI artsen in de nabije toekomst zal vervangen.

Wat heeft u het meest enthousiast over AI als het gaat om de gezondheidszorg?

Ik hoop dat AI artsen zal bevrijden van de taak van gegevensinvoer, zodat ze kunnen doen waarvoor ze zijn opgeroepen: luisteren, empathie hebben en genezen wanneer ze kunnen.

We zijn enthousiast om dit project extra aandacht te geven. Voor iedereen die meer wil leren, bezoek Thyroid BX.