Johnson Thomas, MD, AIBx – Intervju-serie

Johnson Thomas är en läkare med ett särskilt intresse för artificiell intelligens. Utöver att utöva medicin, tycker han också om att programmera.

Hans senaste forskningsprojekt AIBx använder AI för att klassificera sköldkörtelknölar. Detta är också en förklarbar AI, som ökar läkarnas förtroende för förutsägelserna. Forskningen publicerades i Thyroid-tidskriften.

Du är både en praktiserande läkare på Mercy Clinic Endokrinologi i Springfield, MO, och en maskinlärningsspecialist. Hur hittade du din kärlek till både den medicinska världen och programmering, och hur möttes de till slut?

Jag var alltid fascinerad av datorer. När jag växte upp i Indien, hade jag turen att gå i en skola med datorer. Vi hade en aktiv datorklubb och de lärde oss GWBasic. Det var en internatskola och eleverna kunde använda datorerna under sin fritid på kvällen eller under lunchpauser. Så min vän och jag gick till labbet och skrev kod. Vi skapade främst små arkadliknande spel.

När jag tog studenten, var det svårt att välja mellan datorteknik och medicin. Min far och farfar var läkare. Min far var entusiastisk över sitt arbete och han älskade att hjälpa människor. Han var också mycket nöjd med sitt arbete. Så till slut bestämde jag mig för att gå på läkarutbildning. Även där, fortsatte jag att programmera lite grann. Under åren avslutade jag läkarutbildningen, internmedicin och senare specialiserade jag mig inom endokrinologi. När jag började arbeta, hade jag lite mer tid att utforska programmering. Vid den tiden började AI och maskinlärning bli mer populärt. Så jag började ta onlinekurser och sedan startade jag små projekt med offentligt tillgängliga medicinska datamängder.

Ditt senaste forskningsprojekt AIBx använder AI för att klassificera sköldkörtelknölar som antingen positiva eller negativa för cancer. Vad var det som inspirerade dig att arbeta med det här projektet?

En av de områden jag specialiserar mig inom inom endokrinologi är sköldkörtelknölar och sköldkörtelcancer. Vi gjorde hundratals biopsier per år, men bara ett fåtal av dem var cancer. Detta verkar inte som en effektiv användning av våra resurser. Detta var 2015. Vid den tiden kunde jag bara arbeta med numeriska data. Så jag samlade in ultraljudsdata för sköldkörtelknölar i ett Excel-ark och använde det för att skapa en maskinlärningsmodell med XGboost. Detta distribuerades som en webbplats på www.TUMScore.com.

Vi presenterade den här forskningen i Kanada under den årliga American Thyroid Association-mötet 2017. Men detta var fortfarande ganska subjektivt. Precis som skönhet ligger i betraktarens öga, beror ultraljudsdata på vem som tolkar det. Det finns mycket variation mellan olika observatörer. Så jag började utforska alternativ som är mer objektiva. Det ledde till bildklassificering. Men problemet med bildklassificering är att den oftast inte är förklarbar. Hur kan en läkare lita på algoritmen? Så vi bestämde oss för att efterlikna en läkares tankeprocess.

De flesta läkare har en uppfattning om hur en cancerös sköldkörtelknuta ska se ut. De jämför mentalt en ny ultraljudsbild med den mentala bilden. Baserat på detta bestämde vi oss för att skapa en bildlikhetsalgoritm. Så när en läkare laddar upp en bild till AIBx, hämtar den liknande bilder från vår databas tillsammans med den faktiska diagnosen för dessa knölar. Den opererande läkaren kan titta på dessa bilder och acceptera eller avvisa utdata från AIBx. Detta förfarande ökar läkarens förtroende för algoritmen.

Hur stor var den ursprungliga datamängden när du lanserade det här projektet?

Sköldkörtelultraljudsbilder är gråskalor och de har bara ett fåtal mönster. Eftersom vi använde en bildlikhetsmodell, behövde vi inte en stor datamängd. Vi hade 2025 bilder i vår databas, som representerade de vanligaste typerna av sköldkörtelcancer. De kom från olika ultraljudsmaskiner.

När det gäller djupinlärning är stora datamängder viktiga. Har du sett en förbättring av diagnostiseringen över tid, allteftersom fler sköldkörtelultraljudsbilder läggs till i databasen?

Att lägga till mer data och använda olika förbearbetningstekniker för att öka den tillgängliga datamängden, har hjälpt oss att förbättra vår algoritm. Initialt använde vi bilder med kvadratisk bildförhållande, men senare lade vi till bilder utan kvadratiskt bildförhållande och det har förbättrat våra resultat.

Är bilderna uteslutande från din klinik, eller får du också in bilder från andra kliniker?

Den nuvarande modellen har bilder från Mercy Springfield-endokrinologikliniken och Mercy-sjukhuset. Läkare från andra hälso- och sjukvårdssystem och länder har kontaktat oss för att genomföra en valideringsstudie med deras data. Vi är mycket entusiastiska över den här möjligheten.

Hur exakt är AI jämfört med en utbildad läkare?

Vi jämförde resultaten från AIBx med etablerade mått för nuvarande klassificeringssystem. I den verkliga världen finns det en stor variation i resultaten. Den positiva prediktiva värdet (sannolikheten att ämnen med ett positivt test verkligen har sjukdomen) kan vara så låg som 2% med nuvarande klassificeringssystem. Det betyder att om systemet förutsäger att 100 knölar har cancer, har i verkligheten bara 2 av dessa 100 knölar faktiskt cancer. AIBx har ett positivt prediktivt värde på 65,9% och ett negativt prediktivt värde på 93,2%.

Hur många onödiga biopsier kunde vi potentiellt minska med den här typen av AI?

Baserat på vår forskning, kunde vi ha undvikit mer än hälften (57,3%) av biopsierna med AIBx. Men detta behöver valideras med bilder utanför vårt hälso- och sjukvårdssystem.

Hur kan sjukhus, läkare eller andra intresserade parter bidra till de här projekten?

Vi välkomnar samarbete från andra läkare och hälso- och sjukvårdssystem. De kan kontakta oss via vår webbplats www.ThyroidBx.com eller via e-post contact@ThyroidBx.com

Hur länge tror du att det kommer att dröja innan maskinlärning ersätter läkare för diagnostisering av de flesta cancerformer?

Media framställer AI och läkare som konkurrerande enheter. Båda har sina styrkor och svagheter. Symbiosen mellan läkare och AI, som förbättrar vår förmåga att tjäna våra patienter, är bättre än det nuvarande systemet. På grund av de kompletterande rollerna, tror jag inte att AI kommer att ersätta läkare inom den närmaste framtiden.

Vad är det som gör dig mest entusiastisk över AI när det gäller hälso- och sjukvård?

Jag hoppas att AI kommer att befria läkarna från datainmatningsarbetet, så att de kan göra det de är utbildade för, att lyssna, förstå och bota när de kan.

Vi är entusiastiska över att ge det här projektet ytterligare uppmärksamhet. För alla som vill lära sig mer, besök Thyroid BX.