约翰逊·托马斯博士，AIBx – 采访系列

约翰逊·托马斯博士是一位对人工智能有着特殊兴趣的医生。除了行医之外，他还喜欢编程。

他最近的研究项目 AIBx 使用人工智能来分类甲状腺结节。这也是一个可解释的人工智能，增加了医生的预测信任度。该研究发表在 甲状腺杂志 上。

您既是斯普林菲尔德默西内分泌科诊所的执业医生，也是机器学习专家。您如何在医疗和编程领域找到共同点?

我一直对计算机很感兴趣。在印度长大时，我很幸运地进入了一所有计算机的学校。我们有一个活跃的计算机俱乐部，他们教我们GWBasic。这是一所寄宿学校，学生可以在晚上或午餐时间使用计算机。所以，我和我的朋友会去实验室写代码。我们主要创建小型街机游戏。

当我毕业于12年级时，很难决定是学习计算机工程还是医学。我的父亲和祖父都是医生。我的父亲对他的工作很热情，并且喜欢帮助人们。他对自己的工作也很满意。所以，最终，我决定去医学院。即使在医学院，我也会偶尔编程。多年后，我完成了医学院、内科住院医师培训，并后来完成了内分泌学的专攻。开始工作后，我有更多时间探索编程。大约在那时，人工智能和机器学习变得更加流行。所以，我开始参加在线课程，并使用公开的医疗数据集进行小型项目。

是什么激发您从事AIBx项目，该项目使用人工智能来分类甲状腺结节，判断其是否为癌症?

我在内分泌学领域专攻的一個領域是甲状腺结节和甲状腺癌。我们每年进行数百次活检，但只有很少一部分是癌症。这似乎不是一种有效利用资源的方式。这是在2015年。那时，我只能处理数值数据。所以，我收集了甲状腺结节的超声特征，并将其放入Excel表格中，使用XGboost创建了一个机器学习模型。该模型部署在 www.TUMScore.com 网站上。

我们在2017年加拿大举行的美国甲状腺协会年会上展示了这项研究。但这仍然很主观。就像美在观者眼中一样，超声特征取决于谁在阅读它。有很多内在和间接变异。所以，我开始探索更客观的选项。这导致了图像分类。但图像分类的问题在于，它通常不可解释。医生如何相信算法？所以，我们决定模仿医生的思维过程。

大多数医生都有一种对癌性甲状腺结节的看法。他们在脑海中将新的超声图像与这种看法进行比较。基于此，我们决定创建一个图像相似性算法。所以，当医生将图像上传到AIBx时，它会从我们的数据库中提取出类似的图像，以及这些结节的实际诊断结果。执业医生可以查看这些图像并接受或拒绝AIBx的输出。这一过程增加了医生对算法的信任度。

最初启动该项目时，使用了多大的数据集?

甲状腺超声图像是灰度图像，只有少数模式。由于我们使用的是图像相似性模型，我们不需要一个大型数据集。我们的数据库中有2025张图像，代表了大多数常见的甲状腺癌类型。这些图像来自不同的超声设备。

在深度学习中，大数据很重要。随着更多甲状腺超声图像被输入到数据库中，您是否看到诊断率随时间的改善?

添加更多数据并使用不同的预处理技术来增加可用数据，帮助我们改进了算法。最初，我们使用了正方形纵横比的图像，但后来我们添加了非正方形纵横比的图像，这改进了我们的结果。

图像是否仅来自您的诊所，还是其他诊所也为您提供了额外的超声图像?

当前模型的图像来自默西斯普林菲尔德内分泌科诊所和默西医院。其他医疗系统和国家的医生也联系我们，希望使用他们的数据进行验证研究。我们对这个机会非常兴奋。

人工智能与受过训练的医生的准确性如何比较?

我们将AIBx的结果与当前分类系统的已建立指标进行了比较。在现实世界的实践中，结果有很大的变异性。阳性预测值（即测试结果为阳性的人中真正患有该疾病的概率）可以低至2%，使用当前的分类系统。这意味着，如果系统预测100个结节中有癌症，实际上只有2个结节真正患有癌症。AIBx的阳性预测值为65.9%，阴性预测值为93.2%。

使用这种人工智能，我们可能会减少多少不必要的活检?

根据我们的研究，使用AIBx，我们本可以避免超过一半（57.3%）的活检。但是，这需要使用我们医疗系统以外的图像来验证。

医院、医生或其他感兴趣的方如何协助这些项目?

我们欢迎其他医生和医疗系统的合作。他们可以通过我们的网站 www.ThyroidBx.com 或电子邮件 [email protected] 联系我们。

您认为机器学习什么时候会取代医生来诊断大多数癌症?

媒体将人工智能和医生描绘成竞争对手。两者都有各自的优势和劣势。人工智能和医生之间的共生关系，将增强我们为患者服务的能力，比当前的系统更好。我不认为人工智能会在近期内取代医生。

您对人工智能在医疗保健方面最感兴趣的是什么?

我希望人工智能能够让医生摆脱数据录入的工作，专注于我们被召唤去做的事情：倾听、同情和治愈患者。

我们很高兴能够为这个项目提供更多的曝光机会。对于任何希望了解更多信息的人，请访问 Thyroid BX。