Johnson Thomas, MD, AIBx – Série de Entrevistas

Johnson Thomas é um médico com especial interesse em inteligência artificial. Além de praticar medicina, ele também gosta de programar.

Seu projeto de pesquisa recente AIBx usa IA para classificar nódulos tireoidianos. Isso também é uma IA explicável, o que aumenta a confiança do médico nas previsões, a pesquisa foi publicada na revista Thyroid.

Você é um médico que pratica medicina no Mercy Clinic Endocrinology em Springfield, MO, e também é um especialista em aprendizado de máquina. Como você encontrou seu amor por ambos os mundos, o médico e a programação, e como eles se intersectam?

Eu sempre fui fascinado por computadores. Cresci na Índia e tive a sorte de ir a uma escola com computadores. Tínhamos um clube de computadores ativo e eles nos ensinavam GWBasic. Era uma escola residencial e os alunos podiam usar computadores durante o tempo livre, à noite ou durante as pausas para almoço. Então, meu amigo e eu íamos ao laboratório e escrevíamos códigos. Nós criávamos principalmente pequenos jogos de arcade.

Quando eu me formei no 12º ano, foi difícil decidir entre engenharia de computadores e medicina. Meu pai e meu avô eram médicos. Meu pai estava animado com seu trabalho e amava ajudar as pessoas. Ele também estava muito feliz com seu trabalho. Então, finalmente, decidi ir para a faculdade de medicina. Mesmo lá, eu costumava codificar um pouco. Ao longo dos anos, terminei a faculdade de medicina, a residência em medicina interna e, mais tarde, completei minha especialização em endocrinologia. Depois que comecei a trabalhar, tive um pouco mais de tempo para explorar a codificação. Por volta dessa época, a IA e o aprendizado de máquina estavam se tornando mais populares. Então, comecei a fazer cursos online e, em seguida, comecei a fazer pequenos projetos usando conjuntos de dados médicos disponíveis publicamente.

Seu projeto de pesquisa mais recente, AIBx, usa IA para classificar nódulos tireoidianos em positivos ou negativos para câncer. O que o inspirou a trabalhar nesse projeto?

Uma das áreas em que me especializo dentro da endocrinologia é nódulos tireoidianos e câncer de tireoide. Estávamos fazendo centenas de biópsias por ano, mas apenas algumas delas eram câncer. Isso não parecia uma forma eficiente de usar nossos recursos. Isso foi em 2015. Naquela época, eu só podia trabalhar com dados numéricos. Então, coleti recursos de ultrassom de nódulos tireoidianos em uma planilha do Excel e usei para criar um modelo de aprendizado de máquina usando XGboost. Isso foi implantado como um site em www.TUMScore.com.

Apresentamos essa pesquisa no Canadá durante a reunião anual da American Thyroid Association em 2017. Mas isso ainda era muito subjetivo. Assim como a beleza está nos olhos de quem vê, os recursos de ultrassom dependem de quem os lê. Há muitas variações intra e inter-observador. Então, comecei a explorar opções que sejam mais objetivas. Isso me levou à classificação de imagens. Mas o problema com a classificação de imagens é que ela é principalmente inexplicável. Como um médico pode confiar no algoritmo? Então, decidimos emular o processo de pensamento de um médico.

A maioria dos médicos tem uma ideia de como um nódulo tireoidiano cancerígeno deve parecer. Eles mentalmente comparam uma nova imagem de ultrassom com essa imagem mental. Com base nisso, decidimos criar um algoritmo de semelhança de imagens. Então, quando um médico carrega uma imagem no AIBx, ele extrai imagens semelhantes do nosso banco de dados, juntamente com o diagnóstico real desses nódulos. O médico que opera pode olhar essas imagens e aceitar ou rejeitar a saída do AIBx. Esse processo aumenta a confiança do médico no algoritmo.

Qual era o tamanho do conjunto de dados originalmente usado quando você lançou esse projeto?

As imagens de ultrassom da tireoide são em escala de cinza e têm apenas alguns padrões. Como estávamos usando um modelo de semelhança de imagens, não precisávamos de um grande conjunto de dados. Tínhamos 2025 imagens em nosso banco de dados, representando a maioria das variedades comuns de câncer de tireoide. Elas vieram de diferentes máquinas de ultrassom.

Quando se trata de aprendizado profundo, os grandes dados são importantes. Você viu uma melhoria nas taxas de diagnóstico ao longo do tempo à medida que mais imagens de ultrassom da tireoide são inseridas no banco de dados?

Adicionar mais dados e usar diferentes técnicas de pré-processamento para aumentar os dados disponíveis nos ajudou a melhorar nosso algoritmo. Inicialmente, usamos imagens com razão de aspecto quadrada, mas mais tarde adicionamos imagens sem razão de aspecto quadrada e isso melhorou nossos resultados.

As imagens são exclusivamente da sua clínica ou você está tendo outras clínicas fornecendo imagens de ultrassom adicionais?

O modelo atual tem imagens da clínica de endocrinologia Mercy Springfield e do hospital Mercy. Médicos de outros sistemas de saúde e países entraram em contato conosco para realizar um estudo de validação usando seus dados. Estamos muito animados com essa oportunidade.

Quão precisa é a IA em comparação com um MD treinado?

Comparamos os resultados do AIBx com as métricas estabelecidas dos sistemas de classificação atuais. Na prática real, há uma grande variabilidade nos resultados. O valor preditivo positivo (probabilidade de que os sujeitos com um teste positivo realmente tenham a doença) pode ser tão baixo quanto 2% usando os sistemas de classificação atuais. Isso significa que se o sistema prevê que 100 nódulos têm câncer, na realidade, apenas 2 desses 100 nódulos realmente terão câncer. O AIBx tem um valor preditivo positivo de 65,9% e um valor preditivo negativo de 93,2%.

Quantas biópsias desnecessárias poderíamos potencialmente reduzir com esse tipo de IA?

Com base em nossa pesquisa, usando o AIBx, poderíamos ter evitado mais da metade (57,3%) das biópsias. Mas isso precisa ser validado usando imagens de fora de nosso sistema de saúde.

Como os hospitais, os MDs ou outras partes interessadas podem ajudar com esses projetos?

Bem-vindos à colaboração de outros MDs e sistemas de saúde. Eles podem entrar em contato conosco através do nosso site www.ThyroidBx.com ou por e-mail em contact@ThyroidBx.com

Quanto tempo você acredita que levará até que o aprendizado de máquina substitua os MDs no diagnóstico da maioria dos cânceres?

A mídia retrata a IA e os médicos como entidades concorrentes. Ambos têm suas forças e fraquezas. A simbiose entre médicos e IA, aumentando nossas capacidades para servir aos nossos pacientes, é melhor do que o sistema atual. Devido à natureza complementar de seus papéis, não acredito que a IA substituirá os MDs no futuro próximo.

O que o deixa mais animado com a IA quando se trata da saúde?

Espero que a IA liberte os médicos do trabalho de entrada de dados para fazer o que fomos chamados a fazer, ouvir, empatizar e curar quando podemos.

Estamos animados para dar a esse projeto uma exposição adicional. Para qualquer pessoa que deseje aprender mais, por favor, visite Thyroid BX.