Johnson Thomas, MD, AIBx – Intervju-serie

Johnson Thomas er en lege med spesielt interesse for kunstig intelligens. I tillegg til å praktisere medisin, liker han også å programmere.

Hans nylige forskningsprosjekt AIBx bruker AI til å klassifisere thyreoideknuter. Dette er også en forklarbar AI, som øker legens tillit til prediksjonene. Forskningen ble publisert i Thyroid-tidsskriftet.

Du er både en praktiserende lege ved Mercy Clinic Endokrinologi i Springfield, MO, og du er en maskinlærings-ekspert. Hvordan fant du din kjærlighet til både den medisinske verden og programmering, og hvordan møttes disse to interessene?

Jeg var alltid fascinert av datamaskiner. Da jeg vokste opp i India, var jeg heldig å gå på en skole med datamaskiner. Vi hadde en aktiv datamaskinklubb, og de lærte oss GWBasic. Dette var en internatskole, og elevene kunne bruke datamaskinene under fritiden om kvelden eller under lunsjpausen. Så jeg og min venn gikk til laboratoriet og skrev kode. Vi lagde hovedsakelig små spill som lignet arcade-spill.

Når jeg gikk ut av 12. klasse, var det vanskelig å velge mellom datateknikk og medisin. Min far og bestefar var leger. Min far var begeistret for sitt arbeid og elsket å hjelpe mennesker. Han var også veldig glad i sitt arbeid. Til slutt bestemte jeg meg for å gå på medisinsk skole. Der fortsatte jeg å kode litt. Over årene fullførte jeg medisinsk skole, internmedisinsk residens og senere fullførte jeg spesialiseringen i endokrinologi. Etter at jeg begynte å arbeide, hadde jeg litt mer tid til å utforske kode. Rundt denne tiden ble AI og maskinlæring mer populært. Så jeg begynte å ta online-kurs og deretter startet jeg små prosjekter med offentlig tilgjengelige medisinske datasett.

Ditt nyeste forskningsprosjekt AIBx bruker AI til å klassifisere thyreoideknuter som enten positive eller negative for kreft. Hva var det som inspirerte deg til å jobbe med dette prosjektet?

En av områdene jeg spesialiserer meg i innen endokrinologi er thyreoideknuter og thyreoidekreft. Vi utførte hundrevis av biopsier hvert år, men bare noen av dem var kreft. Dette ser ikke ut til å være en effektiv måte å bruke våre ressurser på. Dette var tilbake i 2015. På den tiden kunne jeg bare jobbe med numeriske data. Så jeg samlet inn ultralyd-egenskaper til thyreoideknuter i en Excel-ark og brukte det til å lage en maskinlæringsmodell med XGboost. Dette ble deployert som en nettside på www.TUMScore.com.

Vi presenterte denne forskningen i Canada under den årlige American Thyroid Association-møtet i 2017. Men dette var fortsatt veldig subjektivt. Likesom skjønnhet ligger i betrakterens øye, avhenger ultralyd-egenskaper av hvem som leser det. Det er mye intra- og interobserver-variabilitet. Så jeg begynte å utforske alternativer som er mer objektive. Dette ledet til bildeklassifisering. Men problemet med bildeklassifisering er at det ofte ikke er forklarbart. Hvordan kan en lege stole på algoritmen? Så vi bestemte oss for å etterligne en leges tenkeprosess.

De fleste leger har en idé om hvordan en kreftsvulst i thyroidea burde se ut. De sammenligner mentalt et nytt ultralydbilde med denne mentale bildet. Basert på dette bestemte vi oss for å lage en bilde-lignende algoritme. Så når en lege laster opp et bilde til AIBx, trekker det ut lignende bilder fra vår database sammen med den faktiske diagnosen av disse knutene. Den opererende legen kan se på disse bildene og akseptere eller avvise utgangen fra AIBx. Denne prosessen øker legens tillit til algoritmen.

Hvor stort var datasettet som ble brukt da du lanserte dette prosjektet?

Thyroid-ultralydbilder er gråskala og har bare noen få mønster. Ettersom vi brukte en bilde-lignende modell, trengte vi ikke et stort datasett. Vi hadde 2025 bilder i vår database som representerte de fleste vanlige thyreoidekreft-varianter. De kom fra forskjellige ultralydmaskiner.

Når det gjelder dyp læring er store datasett viktige. Har du sett en forbedring i diagnostiseringsratene over tid ettersom flere thyreoide-ultralydbilder blir lastet opp i databasen?

Å legge til mer data og bruke ulike forbehandlings-teknikker for å øke den tilgjengelige datamengden, har hjulpet oss å forbedre vår algoritme. Først brukte vi bilder med kvadratisk aspektforhold, men senere la vi til bilder uten kvadratisk aspektforhold, og det har forbedret våre resultater.

Er bildene eksklusivt fra din klinikk, eller får du også bilder fra andre klinikker?

Den nåværende modellen har bilder fra Mercy Springfield-endokrinologiklinikken og Mercy-sykehuset. Lege fra andre helse-systemer og land har kontaktet oss for å gjennomføre en valideringsstudie med deres data. Vi er veldig begeistret for denne muligheten.

Hvor nøyaktig er AI-en sammenlignet med en trent lege?

Vi sammenlignet resultater fra AIBx med etablerte mål for nåværende klassifiseringssystemer. I virkeligheten er det stor variasjon i resultater. Positiv prediktiv verdi (sannsynligheten for at subjekter med en positiv test faktisk har sykdommen) kan være så lav som 2% med nåværende klassifiseringssystemer. Dette betyr at hvis systemet forutsier at 100 knuter har kreft, vil bare 2 av disse 100 knutene faktisk ha kreft. AIBx har en positiv prediktiv verdi på 65,9 prosent og en negativ prediktiv verdi på 93,2 prosent.

Hvor mange unødvendige biopsier kunne vi potensielt redusere med denne type AI?

Basert på vår forskning, kunne vi ha unngått mer enn halvparten (57,3 prosent) av biopsiene. Men dette må bli validerert ved hjelp av bilder utenfor vårt helse-system.

Hvordan kan sykehus, leger eller andre interesserte parter bidra til disse prosjektene?

Vi ønsker samarbeid fra andre leger og helse-systemer. De kan kontakte oss gjennom vår nettside www.ThyroidBx.com eller e-poste oss på [email protected]

Hvor lenge tror du det vil ta før maskinlæring erstatter leger for diagnostisering av de fleste kreftformer?

Media fremstiller AI og leger som konkurranse-entiteter. Begge har sine styrker og svakheter. Symbiosen mellom leger og AI, som forbedrer våre evner til å tjene våre pasienter, er bedre enn det nåværende systemet. På grunn av den komplementære naturen til deres roller, tror jeg ikke at AI vil erstatte leger i nær fremtid.

Hva er det som gjør deg mest begeistret for AI når det gjelder helse?

Jeg håper at AI vil frigjøre leger fra datainntasting til å gjøre det vi ble kalt til å gjøre, å lytte, sympatisere og kurere når vi kan.

Vi er begeistret for å gi dette prosjektet ytterligere eksponering. For alle som ønsker å lære mer, vennligst besøk Thyroid BX.