Джонсон Томас, MD, AIBx – Інтерв’ю Серія

Джонсон Томас – лікар з особливим інтересом до штучного інтелекту. Окрім практики медицини, він також захоплюється програмуванням.

Його останній дослідницький проект AIBx використовує штучний інтелект для класифікації щитоподібних вузлів. Це також пояснюваний штучний інтелект, який підвищує довіру лікарів до передбачень, дослідження були опубліковані в журналі Щитоподібної залози.

Ви лікар у клініці Мерсі в Спрінгфілді, штат Міссурі, і спеціаліст з машинного навчання. Як ви знайшли свою любов до медицини та програмування, і як вони перетинаються?

Я завжди був зацікавлений у комп’ютерах. Виростаючи в Індії, я мав можливість відвідувати школу з комп’ютерами. У нас був активний комп’ютерний клуб, і вони викладали нам GWBasic. Це була школа-інтернат, і студенти могли використовувати комп’ютери під час вільного часу ввечері або під час обіду. Тому мій друг і я ходили в лабораторію і писали код. Ми створювали в основному маленькі ігри, подібні до аркад.

Коли я закінчив 12-й клас, було важко вирішити між інженерією комп’ютерів і медициною. Мій батько і дідусь були лікарями. Мій батько був надзвичайно задоволений своєю роботою і любив допомагати людям. Він також був дуже щасливим у своїй роботі. Тому в кінцевому підсумку я вирішив вступити до медичної школи. Навіть там я продовжував програмувати трохи. За роки я закінчив медичну школу, інтернатуру з внутрішньої медицини та пізніше закінчив спеціалізацію з ендокринології. Після того, як я почав працювати, у мене з’явився трохи більше часу, щоб дослідити програмування. Близько того часу штучний інтелект і машинне навчання стали більш популярними. Тому я почав проходити онлайн-курси, а потім почав працювати над малими проектами, використовуючи публічні медичні набори даних.

Ваш останній дослідницький проект AIBx використовує штучний інтелект для класифікації щитоподібних вузлів на позитивні та негативні щодо раку. Що спонукало вас працювати над цим проектом?

Одна з областей, у якій я спеціалізуюсь в ендокринології, – це щитоподібні вузли та рак щитоподібної залози. Ми робили сотні біопсій на рік, але тільки кілька з них були раком. Це не здається ефективним способом використання наших ресурсів. Це було в 2015 році. На той час я міг працювати тільки з числовими даними. Тому я зібрав ультразвукові ознаки щитоподібних вузлів у таблицю Excel і використав її для створення моделі машинного навчання за допомогою XGboost. Це було розгорнуто як веб-сайт на www.TUMScore.com.

Ми представили це дослідження в Канаді під час щорічної зустрічі Американської асоціації щитоподібної залози в 2017 році. Але це все ще було досить суб’єктивним. Як і краса лежить у оці очей спостерігача, ультразвукові ознаки залежать від того, хто їх читає. Є багато внутрішніх і міжобсерверних варіацій. Тому я почав досліджувати варіанти, які є більш об’єктивними. Це привело до класифікації зображень. Але проблема з класифікацією зображень полягає в тому, що вона здебільшого не пояснювана. Як лікар може довіряти алгоритму? Тому ми вирішили імітувати процес думання лікаря.

Більшість лікарів мають уявлення про те, як повинен виглядати раковий щитоподібний вузол. Вони ментально порівнюють нове ультразвукове зображення з цим ментальним зображенням. На основі цього ми вирішили створити алгоритм подібності зображень. Тому, коли лікар завантажує зображення в AIBx, воно витягує подібні зображення з нашої бази даних разом з фактичним діагнозом цих вузлів. Лікар, який працює з AIBx, може подивитися на ці зображення і прийняти або відхилити висновок AIBx. Цей процес підвищує довіру лікаря до алгоритму.

Який розмір набору даних був спочатку використаний, коли ви запустили цей проект?

Ультразвукові зображення щитоподібної залози – це зображення у сірому масштабі, і вони мають лише кілька патернів. Оскільки ми використовували модель подібності зображень, нам не потрібно було великий набір даних. У нас було 2025 зображень у нашій базі даних, які представляють більшість поширених різновидів раку щитоподібної залози. Вони походили з різних ультразвукових апаратів.

Коли мова йде про глибоке навчання, великий набір даних важливий. Ви бачили покращення діагностичних показників з часом, оскільки все більше ультразвукових зображень щитоподібної залози вводиться в базу даних?

Додавання更多 даних і використання різних методів попередньої обробки для збільшення кількості доступних даних допомогло нам покращити наш алгоритм. Спочатку ми використовували зображення з квадратним співвідношенням сторін, але пізніше ми додали зображення без квадратного співвідношення сторін, і це покращило наші результати.

Чи виключно зображення з вашої клініки, чи ви отримуєте додаткові ультразвукові зображення з інших клінік?

Поточна модель має зображення з клініки ендокринології Мерсі в Спрінгфілді та лікарні Мерсі. Лікарі з інших систем охорони здоров’я та країн звернулися до нас, щоб провести валідацию нашого дослідження, використовуючи їхні дані. Ми дуже раді цій можливості.

Якою є точність штучного інтелекту порівняно з підготовленим лікарем?

Ми порівняли результати AIBx з встановленими метриками поточних систем класифікації. У реальній практиці існує велика варіативність результатів. Позитивна прогностична вартість (ймовірність того, що особи з позитивним тестом дійсно мають захворювання) може бути так низькою, як 2%, при використанні поточних систем класифікації. Це означає, що якщо система передбачає, що 100 вузлів мають рак, насправді тільки 2 з цих 100 вузлів дійсно мають рак. AIBx має позитивну прогностичну вартість 65,9% і негативну прогностичну вартість 93,2%.

Скільки непотрібних біопсій ми потенційно можемо зменшити за допомогою такого штучного інтелекту?

На основі нашого дослідження, використовуючи AIBx, ми могли б уникнути більш ніж половини (57,3%) біопсій. Але це потрібно валідувати, використовуючи зображення поза нашою системою охорони здоров’я.

Як лікарні, лікарі чи інші зацікавлені особи можуть допомогти в цих проектах?

Ми вітаємо співробітництво з іншими лікарями та системами охорони здоров’я. Вони можуть зв’язатися з нами через наш веб-сайт www.ThyroidBx.com або надіслати нам електронний лист на contact@ThyroidBx.com

Як довго, на вашу думку, буде тривати до того, як машинне навчання замінить лікарів у діагностиці більшості видів раку?

ЗМІ зображують штучний інтелект і лікарів як конкуруючі сутності. Обидва мають свої сильні та слабкі сторони. Симбіоз лікарів і штучного інтелекту, який підвищує нашу здатність служити пацієнтам, є кращим, ніж поточна система. Через комплементарний характер їх ролей я не думаю, що штучний інтелект замінить лікарів у найближчому майбутньому.

Що вас найбільш надихає щодо штучного інтелекту в сфері охорони здоров’я?

Я сподіваюся, що штучний інтелект звільнить лікарів від роботи з введенням даних, щоб вони могли займатися тим, для чого були покликані, – слухати, співчувати та лікувати, коли це можливо.

Ми раді надати цьому проекту додаткову увагу. Для тих, хто бажає дізнатися більше, просимо відвідати Thyroid BX.