Johnson Thomas, MD, AIBx – Seria wywiadów

Johnson Thomas jest lekarzem ze specjalnym zainteresowaniem w dziedzinie sztucznej inteligencji. Oprócz praktyki medycznej, lubi także programować.

Jego ostatni projekt badawczy AIBx wykorzystuje AI do klasyfikacji guzków tarczycy. Jest to również wyjaśnialna sztuczna inteligencja, co zwiększa zaufanie lekarzy do przewidywań, Badania zostały opublikowane w czasopiśmie Thyroid.

Jesteś zarówno praktykującym lekarzem w Mercy Clinic Endocrinology w Springfield, MO, jak i specjalistą od uczenia maszynowego. Jak odkryłeś swoją miłość do świata medycyny i programowania, które ostatecznie się zbiegły?

Zawsze fascynowały mnie komputery. Dorastając w Indiach, miałem szczęście uczęszczać do szkoły z komputerami. Mieliśmy aktywny klub komputerowy i uczyli nas GWBasic. Była to szkoła z internatem i uczniowie mogli korzystać z komputerów podczas wolnego czasu wieczorem lub podczas przerw obiadowych. Tak więc, ja i mój przyjaciel szliśmy do laboratorium i pisaliśmy kod. Głównie tworzyliśmy małe gry arcade.

Kiedy ukończyłem 12. klasę, było trudno zdecydować się między inżynierią komputerową a medycyną. Mój ojciec i dziadek byli lekarzami. Mój ojciec był podekscytowany swoją pracą i kochał pomagać ludziom. Był także bardzo zadowolony ze swojej pracy. Więc ostatecznie zdecydowałem się na studia medyczne. Nawet tam programowałem trochę. Przez lata ukończyłem studia medyczne, rezydenturę w chorobach wewnętrznych i później ukończyłem specjalizację w endokrynologii. Po rozpoczęciu pracy miałem trochę więcej czasu, aby zbadać programowanie. Wokół tego czasu AI i uczenie maszynowe stawały się coraz bardziej popularne. Więc zacząłem brać kursy online i potem zacząłem robić małe projekty przy użyciu publicznie dostępnych zestawów danych medycznych.

Twój najnowszy projekt badawczy AIBx wykorzystuje AI do klasyfikacji guzków tarczycy na pozytywne lub negatywne dla raka. Co zainspirowało cię do pracy nad tym projektem?

Jednym z obszarów, w których się specjalizuję w endokrynologii, są guzki tarczycy i raki tarczycy. Wykonujemy setki biopsji rocznie, ale tylko kilka z nich to raki. Nie wydaje się to wydajnym sposobem wykorzystania naszych zasobów. Było to w 2015 roku. W tym czasie mógłem pracować tylko z danymi numerycznymi. Więc zebrałem cechy ultrasonograficzne guzków tarczycy do arkusza kalkulacyjnego i wykorzystałem je do stworzenia modelu uczenia maszynowego przy użyciu XGboost. Został on wdrożony jako strona internetowa na www.TUMScore.com.

Przedstawiliśmy tę pracę badawczą w Kanadzie podczas corocznego spotkania Amerykańskiego Towarzystwa Tarczycowego w 2017 roku. Ale to było nadal bardzo subiektywne. Jak piękno leży w oku patrzącego, cechy ultrasonograficzne zależą od tego, kto je czyta. Jest wiele wewnątrz- i międzyobserwacyjnych wariacji. Więc zacząłem badać opcje, które są bardziej obiektywne. To doprowadziło do klasyfikacji obrazu. Ale problemem z klasyfikacją obrazu jest to, że jest ona głównie niewyjaśnialna. Jak lekarz może zaufać algorytmowi? Więc postanowiliśmy naśladować proces myślowy lekarza.

Większość lekarzy ma pojęcie o tym, jak powinien wyglądać rakowy guzek tarczycy. Mentalnie porównują nowy obraz ultrasonograficzny z tym mentalnym obrazem. Na podstawie tego postanowiliśmy stworzyć algorytm podobieństwa obrazu. Więc, gdy lekarz przesyła obraz do AIBx, wyodrębnia podobne obrazy z naszej bazy danych wraz z rzeczywistą diagnozą tych guzków. Lekarz wykonujący zabieg może obejrzeć te obrazy i zaakceptować lub odrzucić wynik z AIBx. Ten proces zwiększa zaufanie lekarza do algorytmu.

Jak duży zbiór danych został pierwotnie wykorzystany, gdy uruchomiono ten projekt?

Obrazy ultrasonograficzne tarczycy są w odcieniach szarości i mają tylko kilka wzorów. Ponieważ wykorzystaliśmy model podobieństwa obrazu, nie potrzebowaliśmy dużego zbioru danych. Mieliśmy 2025 obrazów w naszej bazie danych, reprezentujących większość powszechnych odmian raka tarczycy. Pochodziły one z różnych maszyn ultrasonograficznych.

Czy widziałeś poprawę w szybkości diagnozowania wraz z czasem, gdy więcej obrazów ultrasonograficznych tarczycy jest wprowadzanych do bazy danych?

Dodanie więcej danych i użycie różnych technik przetwarzania, aby zwiększyć dostępne dane, pomogło nam poprawić nasz algorytm. Początkowo używaliśmy obrazów z kwadratowym współczynnikiem proporcji, ale później dodaliśmy obrazy bez kwadratowego współczynnika proporcji, co poprawiło nasze wyniki.

Czy obrazy pochodzą wyłącznie z Twojej kliniki, czy inne kliniki również dostarczają Ci dodatkowe obrazy ultrasonograficzne?

Obecny model zawiera obrazy z Mercy Springfield endokrynologii i Mercy szpitala. Lekarze z innych systemów zdrowia i krajów skontaktowali się z nami, aby przeprowadzić badanie walidacyjne przy użyciu ich danych. Jesteśmy bardzo podekscytowani tą możliwością.

Jak dokładny jest AI w porównaniu z wykwalifikowanym lekarzem?

Porównaliśmy wyniki AIBx z ustalonymi miernikami obecnych systemów klasyfikacji. W praktyce rzeczywistej istnieje szeroka zmienność wyników. Wartość predykcyjna pozytywna (prawdopodobieństwo, że osoby z pozytywnym wynikiem testu rzeczywiście mają chorobę) może być tak niska jak 2% przy użyciu obecnych systemów klasyfikacji. Oznacza to, że jeśli system przewiduje, że 100 guzków ma raka, w rzeczywistości tylko 2 z tych 100 guzków będą miały raka. AIBx ma wartość predykcyjną pozytywną 65,9% i wartość predykcyjną negatywną 93,2%.

Ile niepotrzebnych biopsji można potencjalnie zmniejszyć za pomocą tego rodzaju AI?

Na podstawie naszych badań, przy użyciu AIBx, moglibyśmy uniknąć ponad połowy (57,3%) biopsji. Ale to musi zostać zweryfikowane przy użyciu obrazów spoza naszego systemu zdrowia.

Jak szpitale, lekarze lub inne zainteresowane strony mogą pomóc w tych projektach?

Witamy współpracę z innymi lekarzami i systemami zdrowia. Mogą skontaktować się z nami przez naszą stronę internetową www.ThyroidBx.com lub wysłać nam e-mail na adres contact@ThyroidBx.com

Jak długo uważasz, że upłynie, zanim uczenie maszynowe zastąpi lekarzy w diagnozowaniu większości nowotworów?

Media przedstawiają AI i lekarzy jako rywalizujące ze sobą podmioty. Obie mają swoje zalety i wady. Symbioza lekarzy i AI, zwiększająca nasze możliwości służenia pacjentom, jest lepsza niż obecny system. Ze względu na uzupełniającą naturę ich ról, nie myślę, że AI zastąpi lekarzy w najbliższej przyszłości.

Co cieszy Cię najbardziej z AI w odniesieniu do opieki zdrowotnej?

Mam nadzieję, że AI uwolni lekarzy od pracy z danymi, aby mogli robić to, do czego zostali powołani, aby słuchać, współczuć i leczyć, gdy tylko mogą.

Jesteśmy podekscytowani, aby dać temu projektowi dodatkową ekspozycję. Dla wszystkich, którzy chcą dowiedzieć się więcej, proszę odwiedzić Thyroid BX.