Johnson Thomas, MD, AIBx – Loạt bài phỏng vấn

Johnson Thomas là một bác sĩ có mối quan tâm đặc biệt đến trí tuệ nhân tạo. Ngoài việc hành nghề y, anh ấy còn 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 AI có thể giải thích được, làm tăng sự tin tưởng của bác sĩ vào các dự đoán, Nghiên cứu được đăng trên tạp chí tạp chí tuyến giáp.

Bạn vừa là bác sĩ thực hành tại Phòng khám Nội tiết Mercy ở Springfield, MO, vừa là chuyên gia về máy học. Làm thế nào bạn tìm thấy tình yêu của mình dành cho cả thế giới y tế và lập trình lại giao nhau?

Tôi luôn say mê với máy tính. Lớn lên ở Ấn Độ, tôi may mắn được đến trường có máy tính. Chúng tôi có một câu lạc bộ máy tính đang hoạt động và họ đã 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 đến phòng thí nghiệm và viết mã. Chúng tôi chủ yếu tạo ra các trò chơi arcade nhỏ.

Khi tôi tốt nghiệp lớp 12, thật khó để quyết định giữa kỹ thuật máy tính và y học. Cha và ông tôi là bác sĩ. Cha tôi rất hào hứng với công việc của mình và ông thích giúp đỡ mọi người. Anh ấy cũng rất hài lòng với công việc của mình. Vì vậy, cuối cùng, tôi quyết định đến trường y. Ngay cả ở đó, tôi đã từng viết mã một chút. Trong nhiều năm, tôi đã học xong trường y, bác sĩ nội trú và sau đó hoàn thành chuyên ngành nội tiết. Sau khi tôi bắt đầu làm việc, tôi có thêm một chút thời gian để khám phá mã hóa. Vào khoảng thời gian này, AI và máy học đã 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 bằng cách sử dụng các bộ dữ liệu y tế có sẵn 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 trong dự án này?

Một trong những lĩnh vực tôi chuyên về nội tiết học là các nốt tuyến giáp và ung thư tuyến giáp. Chúng tôi đã làm hàng trăm mẫu sinh thiết mỗi năm nhưng chỉ một vài trong số đó là ung thư. Đây dường như không phải là một cách hiệu quả để sử dụng tài nguyên 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 đặc điểm siêu âm của các nốt tuyến giáp vào một bảng excel và sử dụng nó để tạo mô hình học máy bằng XGboost. Điều này đã được triển khai như một trang web tại www.TUMScore.com.

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

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

 

Bộ dữ liệu ban đầu được sử dụng lớn đến mức nào khi bạn khởi chạy dự án này?

Hình ảnh siêu âm tuyến giáp có thang độ xám và chúng chỉ có một vài mẫu. Vì chúng tôi đang sử dụng mô hình tương tự hình ảnh nên chúng tôi không cần bộ dữ liệu lớn. Chúng tôi có 2025 hình ảnh trong cơ sở dữ liệu 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 rất quan trọng. Bạn có thấy tỷ lệ chẩn đoán được cải thiện theo thời gian khi có nhiều hình ảnh siêu âm tuyến giáp được nhập vào cơ sở dữ liệu hơn không?

Việc thêm nhiều dữ liệu hơn 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 của mình. Ban đầu, chúng tôi sử dụng hình ảnh có tỷ lệ khung hình vuông nhưng sau đó chúng tôi đã thêm hình ảnh không có tỷ lệ khung hình vuông và điều đó đã cải thiện kết quả của chúng tôi.

 

Là những hình ảnh độc quyền từ phòng khám của bạn, hay bạn đang nhờ các phòng khám khác cung cấp cho bạn những hình ảnh siêu âm bổ sung?

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 tiến hành nghiên cứu xác nhận bằng cách sử dụng dữ liệu của họ. Chúng tôi rất vui mừng về cơ hội này.

 

AI chính xác như thế nào so với MD được đào tạo?

Chúng tôi đã so sánh kết quả của AIBx với các số liệu đã thiết lập của các hệ thống phân loại hiện tại. Trong thực tế thế giới thực, có sự khác biệt lớn trong kết quả. Giá trị tiên đoán dương tính (xác suất đối tượng có kết quả xét nghiệm dương tính thực sự mắc bệnh) có thể thấp tới 2% khi sử dụng các hệ thống phân loại hiện tại. Điều này có nghĩa là nếu hệ thống dự đoán rằng 100 nốt sần bị ung thư, thì thực tế chỉ có 2 trong số 100 nốt đó thực sự bị ung thư. AIBx có giá trị tiên đoán dương là 65.9% và giá trị tiên đoán âm là 93.2%

 

Chúng ta có thể giảm bao nhiêu sinh thiết không cần thiết với loại AI này?

Dựa trên nghiên cứu của chúng tôi, bằng cách sử dụng AIBx, chúng tôi có thể tránh được hơn một nửa (57.3%) số ca sinh thiết. Nhưng điều này cần được xác thực bằng cách sử dụng hình ảnh bên ngoài hệ thống y tế của chúng tôi.

 

Làm thế nào các bệnh viện, MD hoặc các bên quan tâm khác có thể hỗ trợ các dự án này?

Chúng tôi hoan nghênh sự hợp tác từ các bác sĩ và hệ thống bệnh viện 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 [email được bảo vệ]

 

Bạn tin rằng sẽ mất bao lâu nữa cho đến khi máy học thay thế MD để chẩn đoán hầu hết các bệnh ung thư?

Truyền thông miêu tả AI và các bác sĩ là những thực thể cạnh tranh. Cả hai đều có điểm mạnh và điểm yếu. Sự cộng sinh giữa bác sĩ và AI, nâng cao khả năng phục vụ bệnh nhân của chúng tôi tốt hơn hệ thống hiện tại. Do tính chất bổ sung cho vai trò của chúng, tôi không nghĩ rằng AI sẽ thay thế MD trong tương lai gần.

 

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

Mong rằng AI sẽ giải phóng người thầy thuốc khỏi công việc nhập liệu để làm những gì chúng ta được kêu gọi, lắng nghe thấu cảm và chữa bệnh khi còn có thể.

Chúng tôi rất vui mừng được tiếp xúc thêm với dự án này. Ai muốn tìm hiểu thêm vui lòng truy cập BX tuyến giáp.