Johnson Thomas, MD, AIBx – Loạt Phỏng Vấn

Johnson Thomas là một bác sĩ có chuyên môn về trí tuệ nhân tạo. Ngoài việc hành nghề y, ông cũng thích lập trình.

Dự án nghiên cứu gần đây của ông AIBx sử dụng AI để phân loại các nốt tuyến giáp. Đây cũng là một loại trí tuệ nhân tạo có thể giải thích, giúp tăng cường sự tin tưởng của bác sĩ vào các dự đoán, nghiên cứu được công bố trên tạp chí tuyến giáp.

Bạn là một bác sĩ đang hành nghề tại Phòng khám Nội tiết Mercy ở Springfield, MO, và bạn cũng là một chuyên gia học máy. Làm thế nào bạn lại yêu thích cả thế giới y học và lập trình, và chúng lại giao nhau như thế nào?

Tôi luôn bị thu hút bởi máy tính. Khi còn nhỏ ở Ấn Độ, tôi may mắn được học ở một trường có máy tính. Chúng tôi có một câu lạc bộ máy tính hoạt động và họ dạy chúng tôi GWBasic. Đây là một trường nội trú và học sinh có thể sử dụng máy tính trong thời gian rảnh rỗi vào buổi tối hoặc trong giờ nghỉ trưa. Vì vậy, tôi và bạn tôi thường đi đến phòng thí nghiệm và viết mã. Chúng tôi chủ yếu tạo ra các trò chơi arcade nhỏ.

Khi tôi tốt nghiệp lớp 12, tôi phải khó khăn để quyết định giữa kỹ thuật máy tính và y học. Cha và ông nội của tôi đều là bác sĩ. Cha tôi rất hào hứng với công việc của mình và ông ấy yêu thích giúp đỡ mọi người. Ông ấy cũng rất hài lòng với công việc của mình. Vì vậy, cuối cùng, tôi quyết định đi học y. Ngay cả khi đó, tôi vẫn code một chút. Trong những năm sau, tôi hoàn thành trường y, nội trú nội khoa và sau đó hoàn thành chuyên ngành nội tiết. Sau khi tôi bắt đầu làm việc, tôi có nhiều thời gian hơn để khám phá mã hóa. Vào thời điểm đó, AI và học máy đang trở nên phổ biến hơn. Vì vậy, tôi bắt đầu tham gia các khóa học trực tuyến và sau đó bắt đầu thực hiện các dự án nhỏ sử dụng các tập dữ liệu y tế công khai.

Dự án nghiên cứu gần đây nhất của bạn AIBx sử dụng AI để phân loại các nốt tuyến giáp thành dương tính hoặc âm tính với ung thư. Điều gì đã truyền cảm hứng cho bạn để làm việc trên dự án này?

Một trong những lĩnh vực tôi chuyên sâu trong nội tiết là các nốt tuyến giáp và ung thư tuyến giáp. Chúng tôi đã thực hiện hàng trăm sinh thiết mỗi năm, nhưng chỉ có một vài trường hợp là ung thư. Điều này không có vẻ như là một cách sử dụng hiệu quả nguồn lực của chúng tôi. Điều này đã xảy ra vào năm 2015. Vào thời điểm đó, tôi chỉ có thể làm việc với dữ liệu số. Vì vậy, tôi đã thu thập các tính năng siêu âm của các nốt tuyến giáp vào một bảng tính và sử dụng nó để tạo ra một mô hình học máy sử dụng XGboost. Điều này đã được triển khai như một trang web tại www.TUMScore.com.

Chúng tôi đã trình bày nghiên cứu này tại Canada trong cuộc họp hàng năm của Hiệp hội Tuyến giáp Mỹ vào năm 2017. Nhưng điều này vẫn còn rất chủ quan. Giống như vẻ đẹp nằm trong mắt của người quan sát, các tính năng siêu âm phụ thuộc vào người đọc. Có rất nhiều biến thể trong và giữa các quan sát. Vì vậy, tôi bắt đầu khám phá các tùy chọn khách quan hơn. Điều này dẫn đến việc phân loại hình ảnh. Nhưng vấn đề với phân loại hình ảnh là nó thường không thể giải thích. Làm thế nào một bác sĩ có thể tin tưởng vào thuật toán? Vì vậy, chúng tôi quyết định bắt chước quá trình suy nghĩ của bác sĩ.

Hầu hết các bác sĩ có một ý tưởng về cách một nốt tuyến giáp ung thư nên trông như thế nào. Họ so sánh hình ảnh siêu âm mới với hình ảnh đó trong tâm trí. Dựa trên điều này, chúng tôi quyết định tạo ra một thuật toán tương tự về hình ảnh. Vì vậy, khi một bác sĩ tải lên một hình ảnh vào AIBx, nó sẽ tìm ra các hình ảnh tương tự từ cơ sở dữ liệu của chúng tôi cùng với chẩn đoán thực tế của các nốt đó. Bác sĩ có thể xem các hình ảnh này và chấp nhận hoặc từ chối đầu ra từ AIBx. Quá trình này tăng cường sự tin tưởng của bác sĩ vào thuật toán.

Đầu tiên, bạn đã sử dụng một tập dữ liệu lớn như thế nào khi bạn ra mắt dự án này?

Hình ảnh siêu âm tuyến giáp là hình ảnh grayscale và chúng chỉ có một vài mẫu. Vì chúng tôi đang sử dụng mô hình tương tự về hình ảnh, chúng tôi không cần một tập dữ liệu lớn. Chúng tôi đã có 2025 hình ảnh trong cơ sở dữ liệu của mình, đại diện cho hầu hết các loại ung thư tuyến giáp phổ biến. Chúng đến từ các máy siêu âm khác nhau.

Khi nói đến học sâu, dữ liệu lớn là quan trọng. Bạn đã thấy sự cải thiện trong tỷ lệ chẩn đoán theo thời gian khi thêm nhiều hình ảnh siêu âm tuyến giáp vào cơ sở dữ liệu?

Thêm dữ liệu và sử dụng các kỹ thuật tiền xử lý khác nhau để tăng dữ liệu có sẵn đã giúp chúng tôi cải thiện thuật toán. Ban đầu, chúng tôi sử dụng hình ảnh với tỷ lệ khung hình vuông, nhưng sau đó chúng tôi thêm hình ảnh không có tỷ lệ khung hình vuông và điều đó đã cải thiện kết quả của chúng tôi.

Các hình ảnh có độc quyền từ phòng khám của bạn, hay bạn đang nhận được hình ảnh từ các phòng khám khác?

Mô hình hiện tại có hình ảnh từ phòng khám Nội tiết Mercy Springfield và Bệnh viện Mercy. Các bác sĩ từ các hệ thống y tế và quốc gia khác đã liên hệ với chúng tôi để thực hiện một nghiên cứu xác nhận sử dụng dữ liệu của họ. Chúng tôi rất hào hứng với cơ hội này.

Thuật toán AI chính xác như thế nào so với một bác sĩ được đào tạo?

Chúng tôi đã so sánh kết quả của AIBx với các chỉ số phân loại hiện tại. Trong thực tế, có sự biến thể rộng rãi trong kết quả. Giá trị dự đoán dương (xác suất rằng các đối tượng có kết quả kiểm tra dương tính thực sự có bệnh) có thể thấp như 2% khi sử dụng các hệ thống phân loại hiện tại. Điều này có nghĩa là nếu hệ thống dự đoán rằng 100 nốt có ung thư, thì thực tế chỉ có 2 trong số 100 nốt đó thực sự có ung thư. AIBx có giá trị dự đoán dương là 65,9% và giá trị dự đoán âm là 93,2%.

Bao nhiêu sinh thiết không cần thiết có thể được giảm thiểu với loại AI này?

Dựa trên nghiên cứu của chúng tôi, sử dụng AIBx, chúng tôi có thể đã tránh được hơn một nửa (57,3%) số sinh thiết. Nhưng điều này cần được xác nhận bằng cách sử dụng hình ảnh từ bên ngoài hệ thống y tế của chúng tôi.

Các bệnh viện, bác sĩ hoặc các bên quan tâm khác có thể hỗ trợ các dự án này như thế nào?

Chúng tôi chào đón sự hợp tác từ các bác sĩ và hệ thống y tế khác. Họ có thể liên hệ với chúng tôi thông qua trang web của chúng tôi www.ThyroidBx.com hoặc gửi email cho chúng tôi tại contact@ThyroidBx.com

Bạn tin rằng sẽ mất bao lâu để học máy thay thế bác sĩ trong việc chẩn đoán hầu hết các loại ung thư?

Phương tiện truyền thông mô tả AI và bác sĩ như là các thực thể cạnh tranh. Cả hai đều có điểm mạnh và điểm yếu. Sự kết hợp giữa bác sĩ và AI, tăng cường khả năng của chúng tôi để phục vụ bệnh nhân, là tốt hơn so với hệ thống hiện tại. Vì sự kết hợp này, tôi không nghĩ rằng AI sẽ thay thế bác sĩ trong tương lai gần.

Điều gì khiến bạn hào hứng nhất về AI khi nói đến chăm sóc sức khỏe?

Tôi hy vọng rằng AI sẽ giải phóng bác sĩ khỏi công việc nhập dữ liệu để làm những gì chúng tôi được gọi để làm, đó là lắng nghe, đồng cảm và chữa bệnh khi có thể.

Chúng tôi rất hào hứng khi đưa dự án này đến với mọi người. Đối với những người muốn tìm hiểu thêm, vui lòng truy cập Thyroid BX.