จอห์นสัน ทอมัส, MD, AIBx – ซีรีส์สัมภาษณ์

จอห์นสัน ทอมัส เป็นแพทย์ที่มีความสนใจพิเศษในด้านปัญญาประดิษฐ์ นอกจากการปฏิบัติงานแพทย์แล้ว เขายังชอบการเขียนโปรแกรมด้วย

โครงการวิจัยล่าสุดของเขา AIBx ใช้ AI เพื่อจำแนกน็อดในต่อมไทรอยด์ นี่เป็น AI ที่สามารถอธิบายได้ ซึ่งเพิ่มความเชื่อมั่นของแพทย์ในผลการทำนายของ AI การวิจัยนี้ได้รับการตีพิมพ์ใน วารสารไทรอยด์

คุณเป็นทั้งแพทย์ที่ Mercy Clinic Endocrinology ใน Springfield, MO และเป็นผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่อง คุณพบว่าตัวเองมีความสนใจทั้งสองด้านนี้ได้อย่างไร?

ฉันสนใจคอมพิวเตอร์ตั้งแต่เด็ก เมื่อฉันเติบโตในอินเดีย ฉันไปโรงเรียนที่มีคอมพิวเตอร์ และเรียน GWBasic ในคลับคอมพิวเตอร์ นักเรียนสามารถใช้คอมพิวเตอร์ได้ในช่วงเวลาว่างหรือช่วงพักเที่ยง ฉันและเพื่อนของฉันเขียนโค้ดและสร้างเกมอาร์เคดเล็กๆ

เมื่อฉันจบมัธยม ฉันต้องตัดสินใจระหว่างวิศวกรรมคอมพิวเตอร์และการแพทย์ พ่อและปู่ของฉันเป็นแพทย์ พ่อของฉันรักการทำงานและช่วยคนอื่น เขามีความสุขกับการทำงานของเขา ดังนั้นฉันจึงตัดสินใจเข้าเรียนแพทย์ ในช่วงนั้นฉันยังเขียนโค้ดเล็กๆ น้อยๆ เมื่อฉันจบการเรียนแพทย์ การฝึกงานแพทย์ภายใน และการเชี่ยวชาญด้าน内分泌วิทยา ฉันมีเวลามากขึ้นในการสำรวจการเขียนโค้ด เมื่อ AI และการเรียนรู้ของเครื่องเริ่มเป็นที่นิยม ฉันเริ่มเรียนออนไลน์และทำโครงการเล็กๆ โดยใช้ข้อมูลทางการแพทย์ที่มีอยู่

โครงการวิจัยล่าสุดของคุณ AIBx ใช้ AI เพื่อจำแนกน็อดในต่อมไทรอยด์เป็นมะเร็งหรือไม่ มีอะไรที่ทำให้คุณสนใจโครงการนี้?

หนึ่งในพื้นที่ที่ฉันเชี่ยวชาญคือการวินิจฉัยน็อดในต่อมไทรอยด์และมะเร็งต่อมไทรอยด์ เราทำการเจาะชิ้นเนื้อหลายร้อยครั้งต่อปี แต่มีเพียงไม่กี่ครั้งที่เป็นมะเร็ง ซึ่งไม่ดูเหมือนจะเป็นวิธีการใช้ทรัพยากรที่มีประสิทธิภาพ ในปี 2015 ฉันสามารถทำงานกับข้อมูลตัวเลขได้ ฉันรวบรวมคุณสมบัติของน็อดในต่อมไทรอยด์จากอัลตราซาวนด์เข้าไปในแผ่นงาน Excel และใช้สร้างแบบจำลองการเรียนรู้ของเครื่องโดยใช้ XGboost แบบจำลองนี้ถูกติดตั้งเป็นเว็บไซต์ที่ www.TUMScore.com

เรานำเสนอการวิจัยนี้ในแคนาดาในการประชุมประจำปีของ American Thyroid Association ในปี 2017 แต่นี่ยังคงเป็นเรื่องที่มีการตีความสูง เช่นเดียวกับความงามที่อยู่ในสายตาของผู้สังเกตุ คุณสมบัติของอัลตราซาวนด์ขึ้นอยู่กับผู้ที่อ่านมัน มีการเปลี่ยนแปลงระหว่างและภายในผู้สังเกตุอย่างมาก ดังนั้นฉันจึงเริ่มสำรวจตัวเลือกที่เป็นกลางมากขึ้น ซึ่งนำไปสู่การจำแนกภาพ แต่ปัญหาของการจำแนกภาพคือมันไม่สามารถอธิบายได้โดยทั่วไป แพทย์จะเชื่อใจในอัลกอริทึมได้อย่างไร? ดังนั้นเราจึงตัดสินใจเลียนแบบกระบวนการคิดของแพทย์

แพทย์ส่วนใหญ่มีแนวคิดว่าน็อดมะเร็งต่อมไทรอยด์ควรจะมีลักษณะอย่างไร พวกเขาทำการเปรียบเทียบภาพอัลตราซาวนด์ใหม่ๆ กับภาพในใจของพวกเขา ตามหลักการนี้ เราตัดสินใจสร้างอัลกอริทึมความคล้ายคลึงกันของภาพ เมื่อแพทย์อัปโหลดภาพไปยัง AIBx มันจะดึงภาพที่คล้ายกันออกมาจากฐานข้อมูลพร้อมกับผลวินิจฉัยที่แท้จริงของน็อดเหล่านั้น แพทย์ที่ปฏิบัติงานสามารถดูภาพเหล่านี้และยอมรับหรือปฏิเสธผลลัพธ์จาก AIBx กระบวนการนี้เพิ่มความเชื่อมั่นของแพทย์ในอัลกอริทึม

เมื่อคุณเริ่มโครงการนี้ คุณใช้ฐานข้อมูลขนาดเท่าใด?

ภาพอัลตราซาวนด์ต่อมไทรอยด์เป็นภาพสีเทาและมีรูปแบบไม่มากนัก เนื่องจากเราใช้แบบจำลองความคล้ายคลึงกันของภาพ เราจึงไม่ต้องการฐานข้อมูลขนาดใหญ่ เรามีภาพ 2025 ภาพในฐานข้อมูล ซึ่งแสดงถึงมะเร็งต่อมไทรอยด์ที่พบบ่อยที่สุด ภาพเหล่านี้มาจากเครื่องอัลตราซาวนด์ต่างๆ

เมื่อพูดถึงการเรียนรู้ลึก ข้อมูลขนาดใหญ่คือสิ่งสำคัญ คุณเห็นการปรับปรุงอัตราการวินิจฉัยเมื่อมีภาพอัลตราซาวนด์ต่อมไทรอยด์มากขึ้นในฐานข้อมูลหรือไม่?

การเพิ่มข้อมูลและใช้เทคนิคการประมวลผลล่วงหน้าเพื่อเพิ่มข้อมูลที่มีอยู่ได้ช่วยให้เราปรับปรุงอัลกอริทึมของเรา ในตอนแรกเราใช้ภาพที่มีอัตราส่วนด้านเป็นสี่เหลี่ยมจัตุรัส แต่หลังจากนั้นเราเพิ่มภาพที่ไม่มีอัตราส่วนด้านเป็นสี่เหลี่ยมจัตุรัส และสิ่งนี้ได้ปรับปรุงผลลัพธ์ของเรา

ภาพเหล่านี้มาจากคลินิกของคุณหรือคุณได้รับจากคลินิกอื่นๆ?

แบบจำลองปัจจุบันมีภาพจาก Mercy Springfield Endocrinology Clinic และ Mercy Hospital แพทย์จากระบบสุขภาพอื่นๆ และประเทศอื่นๆ ได้ติดต่อเราเพื่อทำการศึกษาการยืนยันโดยใช้ข้อมูลของพวกเขา เรารู้สึกตื่นเต้นกับโอกาสนี้

AI มีความแม่นยำเทียบกับแพทย์ที่ฝึกมาอย่างไร?

เราทำการเปรียบเทียบผลลัพธ์ของ AIBx กับมาตรฐานการจำแนกปัจจุบัน ในการปฏิบัติงานจริง มีการเปลี่ยนแปลงอย่างกว้างขวางในผลลัพธ์ ค่าพยากรณ์เชิงบวก (ความน่าจะเป็นที่วัตถุจะแท้จริงมีโรคเมื่อผลการทดสอบเป็นบวก) อาจต่ำถึง 2% โดยใช้ระบบการจำแนกปัจจุบัน สิ่งนี้หมายความว่าถ้าระบบคาดการณ์ว่ามีน็อด 100 น็อดที่มีมะเร็ง จริงๆ แล้วจะมีเพียง 2 ใน 100 น็อดที่มีมะเร็ง AIBx มีค่าพยากรณ์เชิงบวก 65.9% และค่าพยากรณ์เชิงลบ 93.2%

เราสามารถลดการเจาะชิ้นเนื้อที่ไม่จำเป็นได้เท่าใดโดยใช้ AI ประเภทนี้?

ตามการวิจัยของเรา โดยใช้ AIBx เราอาจหลีกเลี่ยงการเจาะชิ้นเนื้อมากกว่าครึ่งหนึ่ง (57.3%) แต่นี่ต้องได้รับการยืนยันโดยใช้ภาพจากนอกระบบสุขภาพของเรา

โรงพยาบาล แพทย์ หรือผู้สนใจอื่นๆ สามารถช่วยเหลือโครงการเหล่านี้ได้อย่างไร?

เรายินดีต้อนรับการร่วมมือจากแพทย์และระบบสุขภาพอื่นๆ พวกเขาสามารถติดต่อเราผ่านเว็บไซต์ของเรา www.ThyroidBx.com หรืออีเมลเรา tại contact@ThyroidBx.com

คุณคิดว่าจะใช้เวลานานเท่าใดจนกว่าการเรียนรู้ของเครื่องจะแทนที่แพทย์ในการวินิจฉัยมะเร็งส่วนใหญ่?

สื่อแสดงให้เห็นว่า AI และแพทย์เป็นคู่แข่งกัน ทั้งสองมีข้อดีและข้อเสีย การทำงานร่วมกันระหว่างแพทย์และ AI เพื่อเพิ่มความสามารถในการรักษาผู้ป่วยของเรานั้นดีกว่าระบบปัจจุบัน เนื่องจากธรรมชาติที่เสริมกันของบทบาททั้งสอง ฉันไม่คิดว่า AI จะแทนที่แพทย์ในอนาคตอันใกล้นี้

คุณตื่นเต้นกับ AI ในด้านสุขภาพมากที่สุดคืออะไร?

ฉันหวังว่า AI จะช่วยให้แพทย์สามารถหลีกเลี่ยงงานการเขียนข้อมูลและสามารถฟัง ผู้ป่วย และรักษาเมื่อสามารถทำได้

เราตื่นเต้นที่จะให้โครงการนี้ได้รับการเผยแพร่เพิ่มเติม สำหรับผู้ที่ต้องการเรียนรู้เพิ่มเติมกรุณาเยี่ยมชม Thyroid BX.