Tekoälyn hyödyntäminen röntgentutkimusten diagnostiikassa

Abstract

Tekoäly on merkittävästi kehittynyt viime aikoina terveydenhuollossa, varsinkin radiologiassa. Tekoälyn merkitys kasvaa lääketieteellisessä kuvantamisessa koko ajan, mikä saattaa muuttaa tulevaisuudessa radiologien työnkuvaa. Tulevaisuudessa tekoäly saattaa antaa diagnooseja lääketieteellisen kuvantamisen tutkimuksista.

Tämän opinnäytetyön tarkoituksena oli opettaa tekoäly tunnistamaa olkavarren röntgenkuvista luunmurtumat luotettavasti mahdollisimman suurella todennäköisyydellä, luokittelemalla röntgenkuvat ”murtunut” tai ”ei murtumaa”. Tarkkuudeksi saatiin 99 %, käyttämällä 2808 murtunut -kuvaa ja 3276 ei-murtumaa -kuvaa. Opinnäytetyö toteutettiin konstruktiivisena tutkimuksena. Aiheesta ei ollut tehty aikaisemmin kovinkaan montaa tutkimusta, varsinkaan näin suurella datamäärällä. Suomessa on tekoälyä tutkittu pääosin vain terveydenhuollossa, ja samankaltaista tutkimusta ei ulkomailtakaan ole löydettävissä kuin muutama. Näin ollen opinnäytetyön tutkimus oli innovatiivinen, konkreettisia tuloksia tuottava. Opinnäytetyöhön haastateltiin radiologeja kysymyslomakkein tiedustellen tekoälyn vaikutusta heidän työhönsä sekä sen mahdollisia haasteita. Haastattelu nosti esiin positiivisen ja odottavan kuvan radiologien ajatuksista tekoälystä.

Opinnäytetyön tuloksista voidaan todeta, että tekoäly kykenee suoriutumaan yksinkertaisista tulkinnoista, hyvinkin luotettavasti. Tekoäly tarjoaa apua päivystysaikana radiologille, tarjoamalla mahdollisuuden keskittyä vaativampiin tutkimuksiin tai tilanteisiin, joissa radiologin palvelua ei ole saatavilla. Myös eläinlääketiede voi hyötyä tutkimuksesta vastaavalla tavalla.

Tutkimus tarjoaa mahdollisuuden jatkokehitykseen tekoälyn käytöstä muissa kehon kohdealueissa sekä murtumien todentamisen lisäksi luokittelemalla murtumatyypit. Myös magneetti- ja tietokonetomografiatutkimuksissa voidaan käyttää tutkimusta hyödyksi. Opinnäytetyö sisältää tutkimuksessa käytetyn koodin.

Artificial intelligence has developed significantly in healthcare in the last decades, especially in radiology. The importance of artificial intelligence in medical imaging is growing, which may change radiologists' job content. In the future, artificial intelligence may diagnose medical images unattended.

This thesis aimed to teach machine learnings system how to identify upper arms' fractures reliable. In addition, this study's researcher aimed at the highest possible probability of radiographs' classification either to be "fractured" or "non-fractured". This study's topic had been relatively scantly studied with a large amount of data. Only a few similar studies can be found abroad. Thus, the research of the thesis was innovative, producing concrete results.

The constructive research approach was employed in this study. This study demonstrates that "fractured" or "non-fractured" can be identified with 99 percent accuracy with a machine learning system constructed by this thesis researcher. Thus, this thesis proposes that artificial intelligence can reliably perform simple interpretations. In this study, it was employed 2808 images for fractures and 3276 images for non-fractures.

Radiologists were interviewed with open-ended questionnaires enquiring about their view on the artificial intelligence's impacts on their work and its possible challenges. The interview highlighted that radiologist have positive expectations on artificial intelligence. For example, artificial intelligence can assist the radiologist during on-call duty, allowing this radiologist to focus on more demanding examinations. Veterinary science can also similarly benefit from this study.

This study indicates opportunities to develop further the use of artificial intelligence in verifying other fracture types. In addition, magnetic and computed tomography imaging may benefit this study on top of the radiology imaging. Finally, the machine learning code is included to help repeat this study's results by the other researchers.