Johnson Thomas, MD, AIBx – Röportaj Serisi

Johnson Thomas, yapay zeka alanında özel ilgi duyan bir hekimdir. Tıp uygulamasının yanı sıra programlamayı da sever.

Son araştırma projesi AIBx, tiroid nodüllerini sınıflandırmak için yapay zekayı kullanır. Bu aynı zamanda açıklanabilir bir yapay zekadır ve doktorların tahminlerine olan güveni artırır. Araştırma Thyroid dergisinde yayımlandı.

Hem bir uygulamalı hekim olarak Mercy Clinic Endocrinology’de çalışıyor, hem de bir makine öğrenimi uzmanı olarak görev yapıyorsunuz. Tıp ve programlama worlds arasında nasıl bir ilişki kurmayı başardınız?

Bilgisayarlarla her zaman ilgilenirdim. Hindistan’da büyüdüm ve okulumuzda bilgisayarlar vardı. Bir bilgisayar kulübü vardı ve bize GWBasic öğrettiler. Bu bir yatılı okuldü ve öğrenciler boş zamanlarında veya öğle aralarında bilgisayarları kullanabiliyorduk. Arkadaşım ve ben laboratuara gider ve kodlar yazardık. Çoğunlukla küçük arcade benzeri oyunlar yaratırdık.

12. sınıftan mezun olduğumda, bilgisayar mühendisliği ve tıp arasında karar vermek zordu. Babam ve dedem doktorlardı. Babam işinden heyecan duyuyor ve insanlara yardım etmekten hoşlanıyordu. İşinden memnun görünüyordu. Sonunda tıp okuluna gitmeye karar verdim. Orada da biraz kodlama yapardım. Tıp okulunu bitirdikten, dahiliye uzmanlığını tamamladıktan ve endokrinoloji uzmanlığımı tamamladıktan sonra, biraz daha zamanım oldu ve kodlamayla ilgilenmeye başladım. O zamanlar yapay zeka ve makine öğrenimi daha popüler hale geliyordu. Bu nedenle online kurslar aldım ve sonra kamu tarafından sunulan tıbbi veri setlerini kullanarak küçük projeler yapmaya başladım.

Son araştırma projesi AIBx, tiroid nodüllerini kanser için pozitif veya negatif olarak sınıflandırmak için yapay zekayı kullanıyor. Bu projeye başlamayı ne tetikledi?

Endokrinoloji içinde uzmanlaştığım alanlardan biri tiroid nodülleri ve tiroid kanserleridir. Yılda yüzlerce biyopsi yapıyorduk, ancak sadece birkaç tanesi kanserdi. Bu, kaynaklarımızı verimli kullanma şeklimiz gibi görünmüyordu. Bu, 2015 yılındaydı. O zamanlar sadece sayısal veriyle çalışabiliyordum. Bu nedenle, tiroid nodüllerinin ultrason özelliklerini bir Excel sayfasına topladım ve XGboost kullanarak bir makine öğrenimi modeli oluşturdum. Bu, www.TUMScore.com sitesinde bir web sitesi olarak yayımlandı.

Bu araştırmayı 2017’de Kanada’da düzenlenen Amerikan Tiroid Derneği’nin yıllık toplantısında sunduk. Ancak bu hala çok özneliydi. Güzel bir şey gözlerin bakıcısına göre değişebilir, ultrason özellikleri de okuyan kişiye göre değişebilir. İç ve dış gözlemci varyasyonları vardır. Bu nedenle, daha nesnel seçenekler aramaya başladım. Bu, görüntü sınıflandırmasına götürdü. Ancak görüntü sınıflandırmasının sorunu, genellikle açıklanabilir olmamasıdır. Bir doktor algoritmanın nasıl çalıştığını anlamazsa, nasıl güvenebilir? Bu nedenle, bir doktorun düşünce sürecini taklit etmeye karar verdik.

Çoğu doktor, kanserli bir tiroid nodülünün nasıl görünmesi gerektiği konusunda bir fikre sahiptir. Yeni bir ultrason görüntüsünü bu zihinsel resme göre değerlendirirler. Buna dayanarak, bir görüntü benzerliği algoritması oluşturmaya karar verdik. Bu nedenle, bir doktor AIBx’e bir görüntü yüklediğinde, veritabanımızdan benzer görüntüleri ve bu nodüllerin gerçek tanılarını çeker. Çalışan doktor bu görüntüleri inceleyebilir ve AIBx’in çıktısını kabul edebilir veya reddedebilir. Bu süreç, doktorun algoritmaya olan güvenini artırır.

Projenin başlangıcında kullanılan veri setinin büyüklüğü ne kadardı?

Tiroid ultrason görüntüleri gri tonludur ve sadece birkaç desene sahiptir. Bir görüntü benzerliği modeli kullandığımız için büyük bir veri setine ihtiyacımız yoktu. Veritabanımızda, ortak tiroid kanseri çeşitlerini temsil eden 2025 görüntü vardı. Bunlar farklı ultrason makinelerinden gelmiştir.

Derin öğrenmede büyük veri önemli. Veri setine daha fazla tiroid ultrason görüntüsü eklendikçe, tanı oranlarında bir iyileşme gözlemlediniz mi?

Veri eklemek ve veri setini artırmak için farklı ön işleme teknikleri kullanmak, algoritmamızı iyileştirmemize yardımcı oldu. Başlangıçta sadece kare en boy oranı olan görüntüler kullandık, ancak daha sonra kare en boy oranı olmayan görüntüler ekledik ve bu, sonuçlarımızı iyileştirdi.

Görüntüler yalnızca kliniğinizden mi yoksa diğer kliniklerin de size görüntüler sağladığından mı oluşuyor?

Şu anki model, Mercy Springfield endokrinoloji kliniği ve Mercy hastanesinden görüntüleri içeriyor. Diğer sağlık sistemlerinden ve ülkelerden doktorlar, verilerini kullanarak bir doğrulama çalışması yapmak için bize ulaştılar. Bu fırsattan çok heyecan duyuyoruz.

Yapay zeka, eğitimli bir MD’ye göre ne kadar doğru?

AIBx’in sonuçlarını mevcut sınıflandırma sistemlerinin kabul edilen ölçütlarıyla karşılaştırdık. Gerçek dünyada, sonuçlarda geniş bir varyasyon vardır. Pozitif öngörülü değer (testi pozitif olan konuların gerçekten hastalığa sahip olma olasılığı) mevcut sınıflandırma sistemlerinde %2’ye kadar düşebilir. Bu, sistem 100 nodülün kanser olduğunu öngördüğünde, gerçekte sadece 2 nodülün gerçekten kanser olduğu anlamına gelir. AIBx’in pozitif öngörülü değeri %65,9 ve negatif öngörülü değeri %93,2’dir.

Bu tür bir yapay zeka ile kaç gereksiz biyopsiden kaçınılabileceğini düşünüyorsunuz?

Araştırmamız temelinde, AIBx’i kullanarak biyopsilerin yarısından fazlasını (%57,3) önleyebilirdik. Ancak bu, sağlık sistemimiz dışındaki görüntüler kullanılarak doğrulanmalıdır.

Hastaneler, MD’ler veya diğer ilgili taraflar bu projelere nasıl katkıda bulunabilir?

Diğer MD’ler ve sağlık sistemlerinden işbirliğini memnuniyetle karşılıyoruz. www.ThyroidBx.com web sitemiz veya contact@ThyroidBx.com adresinden bize ulaşabilirler.

Kanserlerin çoğunun teşhisinde makine öğreniminin MD’leri ne zaman yerini alabileceğini düşünüyorsunuz?

Medya, yapay zekayı ve doktorları rekabet halinde gösteren varlıklar olarak sunar. Her ikisinin de güçlü ve zayıf yanları vardır. Doktorlar ve yapay zekanın bir arada çalışması, hastalarımıza hizmetimizi geliştirmek için daha iyidir. Rollerinin tamamlayıcı doğası nedeniyle, yapay zekanın yakın gelecekte MD’leri yerini alacağına inanmıyorum.

Sağlık hizmetlerinde yapay zekadan en çok neye heyecan duyuyorsunuz?

Umarım yapay zeka, doktorları veri girişi işinden kurtararak, dinlemek, empati yapmak ve mümkün olduğunda tedavi etmek için çağrıldıkları şeyleri yapmalarına olanak tanır.

Bu projeye ek exposure sağlamak için heyecan duyuyoruz. Daha fazla bilgi edinmek isteyenler için lütfen Thyroid BX ziyaret edin.