Johnson Thomas, MD, AIBx – Seria de interviuri

Johnson Thomas este un medic cu un interes special în inteligența artificială. Pe lângă practicarea medicinei, el se bucură și de programare.

Proiectul său recent de cercetare AIBx utilizează inteligența artificială pentru a clasifica nodulii tiroidieni. Acesta este, de asemenea, un sistem de inteligență artificială explicabilă, care crește încrederea medicilor în predicțiile sale. Cercetarea a fost publicată în Jurnalul de tiroidă.

Sunteți atât un medic practician la Clinica de Endocrinologie Mercy din Springfield, MO, cât și un specialist în învățare automată. Cum ați descoperit dragostea pentru ambele lumi, cea medicală și cea a programării, și cum au ajuns să se întâlnească?

Am fost întotdeauna fascinat de calculatoare. Crescând în India, am avut norocul să merg la o școală cu calculatoare. Aveam un club de calculatoare activ și ne-au învățat GWBasic. Acesta era un liceu internat și elevii puteau folosi calculatoarele în timpul liber, seara sau în timpul pauzelor de prânz. Așadar, eu și prietenul meu mergeam la laborator și scriam cod. Ne-am creat în principal jocuri mici, de tip arcade.

Când am absolvit clasa a 12-a, a fost greu să aleg între inginerie computerizată și medicină. Tatăl și bunicul meu erau medici. Tatăl meu era entuziasmat de munca sa și îi plăcea să ajute oamenii. Era, de asemenea, foarte fericit cu munca sa. Așadar, în final, am decis să merg la facultatea de medicină. Chiar și acolo, am continuat să codific un pic. De-a lungul anilor, am terminat facultatea de medicină, rezidențiatul în medicină internă și, mai târziu, am finalizat specializarea în endocrinologie. După ce am început să lucrez, am avut ceva mai mult timp să explorez programarea. În acea perioadă, inteligența artificială și învățarea automată deveneau tot mai populare. Așadar, am început să iau cursuri online și apoi am început să fac proiecte mici, utilizând seturi de date medicale disponibile public.

Proiectul dvs. recent de cercetare, AIBx, utilizează inteligența artificială pentru a clasifica nodulii tiroidieni ca fiind pozitivi sau negativi pentru cancer. Ce v-a inspirat să lucrați la acest proiect?

Una dintre domeniile în care mă specializez în endocrinologie este reprezentată de nodulii tiroidieni și cancerele tiroidiene. Am efectuat sute de biopsii pe an, dar doar câteva dintre ele erau cancere. Acest lucru nu pare a fi o modalitate eficientă de utilizare a resurselor noastre. Acesta era situația în 2015. La acea vreme, puteam lucra doar cu date numerice. Așadar, am colectat caracteristici ale nodulilor tiroidieni din ultrasunete într-o foaie de calcul și am utilizat-o pentru a crea un model de învățare automată, utilizând XGboost. Acesta a fost implementat sub forma unui site web la www.TUMScore.com.

Am prezentat această cercetare în Canada, în cadrul întâlnirii anuale a Asociației Americane de Tiroidă din 2017. Dar acesta era încă un sistem subiectiv. La fel cum frumusețea se află în ochii privitorului, caracteristicile ultrasunetelor depind de cel care le citește. Există o variație semnificativă între observatori. Așadar, am început să explorez opțiuni mai obiective. Acest lucru m-a condus spre clasificarea imaginilor. Dar problema clasificării imaginilor este că, de obicei, nu este explicabilă. Cum poate un medic să aibă încredere în algoritmul utilizat? Așadar, am decis să emulăm procesul de gândire al unui medic.

Majoritatea medicilor au o idee despre cum ar trebui să arate un nodul tiroidian canceros. Ei compară mental o imagine nouă de ultrasunet cu imaginea mentală pe care o au. Pe baza acestui fapt, am decis să creăm un algoritm de similaritate a imaginilor. Așadar, atunci când un medic încarcă o imagine în AIBx, acesta extrage imagini similare din baza noastră de date, împreună cu diagnosticul real al acestor noduli. Medicul care efectuează operația poate examina aceste imagini și accepta sau respinge ieșirea din AIBx. Acest proces crește încrederea medicului în algoritmul utilizat.

Cât de mare a fost setul de date utilizat inițial atunci când ați lansat acest proiect?

Imaginile ultrasunetelor tiroidiene sunt în tonuri de gri și au doar câteva tipare. Deoarece am utilizat un model de similaritate a imaginilor, nu am avut nevoie de un set de date foarte mare. Am avut 2025 de imagini în baza noastră de date, reprezentând majoritatea tipurilor comune de cancer tiroidian. Acestea proveneau de la diferite mașini de ultrasunete.

Când vine vorba de învățarea automată, datele masive sunt importante. Ați observat o îmbunătățire a ratelor de diagnostic pe măsură ce au fost adăugate mai multe imagini ultrasunetelor tiroidiene în baza de date?

Adăugarea de date suplimentare și utilizarea de tehnici de preprocesare pentru a crește datele disponibile ne-a ajutat să îmbunătățim algoritmul nostru. Inițial, am utilizat imagini cu raport de aspect pătratic, dar ulterior am adăugat imagini fără raport de aspect pătratic, ceea ce a îmbunătățit rezultatele noastre.

Imaginile sunt exclusiv de la clinica dvs. sau aveți și alte clinici care vă furnizează imagini ultrasunetelor suplimentare?

Modelul actual conține imagini de la clinica de endocrinologie Mercy Springfield și de la spitalul Mercy. Medici de la alte sisteme de sănătate și țări ne-au contactat pentru a efectua un studiu de validare utilizând datele lor. Suntem foarte entuziasmați de această oportunitate.

Cât de precisă este inteligența artificială în comparație cu un medic calificat?

Am comparat rezultatele AIBx cu metrici stabilite ale sistemelor actuale de clasificare. În practica reală, există o variație largă a rezultatelor. Valoarea predictivă pozitivă (probabilitatea ca subiecții cu un test pozitiv să aibă, în realitate, boala) poate fi atât de mică ca 2% utilizând sistemele actuale de clasificare. Ce înseamnă acest lucru este că, dacă sistemul prezice că 100 de noduli au cancer, în realitate, doar 2 dintre aceste 100 de noduli vor avea, de fapt, cancer. AIBx are o valoare predictivă pozitivă de 65,9 procente și o valoare predictivă negativă de 93,2 procente.

Câte biopsii inutile am putea reduce, în mod potențial, cu acest tip de inteligență artificială?

Pe baza cercetării noastre, utilizând AIBx, am putea evita mai mult de jumătate (57,3 procente) din biopsii. Dar acest lucru trebuie validat utilizând imagini din afara sistemului nostru de sănătate.

Cum pot spitalele, medicii sau alte părți interesate să ajute la aceste proiecte?

Bineveniți colaborarea de la alți medici și sisteme de sănătate. Ei pot să ne contacteze prin site-ul nostru www.ThyroidBx.com sau să ne trimită un e-mail la contact@ThyroidBx.com

Cât timp credeți că va dura până când învățarea automată va înlocui medicii pentru diagnosticarea majorității cancerelor?

Mass-media prezintă inteligența artificială și medicii ca entități care se concurează. Ambele au puncte tari și slabe. Simbioza dintre medici și inteligența artificială, care îmbunătățește capacitățile noastre de a servi pacienții noștri, este mai bună decât sistemul actual. Din cauza naturii lor complementare, nu cred că inteligența artificială va înlocui medicii în viitorul apropiat.

Ce vă entuziasmează cel mai mult în ceea ce privește inteligența artificială în domeniul sănătății?

Sper că inteligența artificială va elibera medicii de sarcina de a introduce date, astfel încât să poată face ceea ce au fost chemați să facă: să asculte, să empatizeze și să vindece atunci când pot.

Suntem entuziasmați să oferim acestui proiect o expunere suplimentară. Pentru oricine dorește să afle mai multe, vă rugăm să vizitați Thyroid BX.