Джонсон Томас, доктор медицины, AIBx – Интервью

Джонсон Томас – врач с особым интересом к искусственному интеллекту. Помимо практики медицины, он также любит программирование.

Его недавний исследовательский проект AIBx использует ИИ для классификации узлов щитовидной железы. Это также объяснимый ИИ, который увеличивает доверие врачей к прогнозам, Исследование было опубликовано в журнале Щитовидная железа.

Вы являетесь как практикующим врачом в клинике Мерси Эндокринология в Спрингфилде, штат Миссури, так и специалистом по машинному обучению. Как вы обнаружили свою любовь к медицинскому миру и программированию, и как они пересекаются?

Я всегда был увлечен компьютерами. Вырастая в Индии, я был удачлив, что посещал школу с компьютерами. У нас был активный компьютерный клуб, и они учили нас GWBasic. Это была школа-интернат, и ученики могли использовать компьютеры во время свободного времени вечером или во время обеденных перерывов. Итак, мой друг и я ходили в лабораторию и писали код. Мы в основном создавали небольшие аркадные игры.

Когда я закончил 12-й класс, было трудно решить, что выбрать – компьютерную инженерию или медицину. Мой отец и дед были врачами. Мой отец был увлечен своей работой и любил помогать людям. Он также был очень доволен своей работой. Итак, в конце концов, я решил поступить в медицинский университет. Даже там я иногда программировал. За годы я закончил медицинский университет, интернатуру по внутренним болезням и позже завершил специализацию по эндокринологии. После начала работы у меня было немного больше времени, чтобы изучить программирование. В то время ИИ и машинное обучение становились все более популярными. Итак, я начал проходить онлайн-курсы, а затем начал работать над небольшими проектами, используя общедоступные медицинские наборы данных.

Ваш последний исследовательский проект AIBx использует ИИ для классификации узлов щитовидной железы на положительные или отрицательные для рака. Что вдохновило вас работать над этим проектом?

Одна из областей, в которой я специализируюсь внутри эндокринологии, – это узлы щитовидной железы и рак щитовидной железы. Мы проводили сотни биопсий в год, но только несколько из них были раком. Это не казалось эффективным способом использования наших ресурсов. Это было в 2015 году. В то время я мог работать только с числовыми данными. Итак, я собрал ультразвуковые характеристики узлов щитовидной железы в электронную таблицу и использовал ее для создания модели машинного обучения с помощью XGboost. Это было развернуто как веб-сайт на www.TUMScore.com.

Мы представили это исследование в Канаде во время ежегодного собрания Американской ассоциации щитовидной железы в 2017 году. Но это было все еще очень субъективно. Как и красота лежит в глазах смотрящего, ультразвуковые характеристики зависят от того, кто их интерпретирует. Есть много внутри- и межнаблюдательных вариаций. Итак, я начал изучать более объективные варианты. Это привело к классификации изображений. Но проблема с классификацией изображений заключается в том, что она в основном не объяснима. Как может врач доверять алгоритму? Итак, мы решили имитировать процесс мышления врача.

Большинство врачей имеют представление о том, как должен выглядеть раковый узел щитовидной железы. Они мысленно сравнивают новое ультразвуковое изображение с этим мысленным образом. Основываясь на этом, мы решили создать алгоритм подобия изображений. Итак, когда врач загружает изображение в AIBx, оно извлекает похожие изображения из нашей базы данных вместе с фактическим диагнозом этих узлов. Врач, проводящий операцию, может просмотреть эти изображения и принять или отклонить вывод AIBx. Этот процесс увеличивает доверие врача к алгоритму.

Как большой был исходный набор данных, когда вы запустили этот проект?

Ультразвуковые изображения щитовидной железы – это изображения в оттенках серого и имеют только несколько узоров. Поскольку мы использовали модель подобия изображений, нам не нужно было большое количество данных. У нас было 2025 изображений в нашей базе данных, представляющих большинство распространенных видов рака щитовидной железы. Они были получены с разных ультразвуковых машин.

Когда речь идет о глубоком обучении, большое количество данных важно. Вы видели улучшение показателей диагностики с течением времени, когда в базу данных добавляются все больше ультразвуковых изображений щитовидной железы?

Добавление большего количества данных и использование различных методов предобработки для увеличения количества доступных данных помогли нам улучшить наш алгоритм. Первоначально мы использовали изображения с квадратным соотношением сторон, но позже мы добавили изображения без квадратного соотношения сторон, и это улучшило наши результаты.

Являются ли изображения исключительно из вашей клиники или вы получаете дополнительные ультразвуковые изображения из других клиник?

Текущая модель имеет изображения из клиники Мерси Спрингфилд эндокринологии и больницы Мерси. Врачи из других систем здравоохранения и стран обратились к нам, чтобы провести исследование проверки, используя их данные. Мы очень рады этой возможности.

Насколько точен ИИ по сравнению с обученным врачом?

Мы сравнили результаты AIBx с установленными метриками текущих систем классификации. В реальной практике существует широкая вариативность результатов. Положительная прогностическая ценность (вероятность того, что у субъектов с положительным тестом действительно есть болезнь) может быть такой низкой, как 2%, используя текущие системы классификации. Это означает, что если система прогнозирует, что 100 узлов имеют рак, в реальности только 2 из этих 100 узлов на самом деле будут иметь рак. AIBx имеет положительную прогностическую ценность 65,9% и отрицательную прогностическую ценность 93,2%.

Сколько ненужных биопсий мы потенциально можем сократить с помощью такого ИИ?

На основе нашего исследования, используя AIBx, мы могли бы избежать более половины (57,3%) биопсий. Но это необходимо проверить, используя изображения вне нашей системы здравоохранения.

Как больницы, врачи или другие заинтересованные стороны могут помочь в этих проектах?

Мы приветствуем сотрудничество с другими врачами и системами здравоохранения. Они могут связаться с нами через наш веб-сайт www.ThyroidBx.com или написать нам на contact@ThyroidBx.com

Как долго, по вашему мнению, пройдет времени, прежде чем машинное обучение заменит врачей в диагностике большинства видов рака?

СМИ изображают ИИ и врачей как конкурирующие сущности. Обе имеют свои сильные и слабые стороны. Симбиоз врачей и ИИ, повышающий нашу способность служить пациентам, лучше, чем текущая система. Из-за дополнительной природы их ролей я не думаю, что ИИ заменит врачей в ближайшем будущем.

Что вас больше всего вдохновляет в ИИ, когда речь идет о здравоохранении?

Я надеюсь, что ИИ освободит врачей от работы по вводу данных, чтобы они могли делать то, для чего они были призваны, – слушать, сочувствовать и лечить, когда это возможно.

Мы рады дать этому проекту дополнительную известность. Для всех, кто хочет узнать больше, пожалуйста, посетите Thyroid BX.