Tekoälyn hyödyntäminen lääketieteellisessä kuvantamisessa

Abstract

Tulevaisuuden terveydenhuolto kohtaa merkittäviä haasteita väestön ikääntyessä ja ammattilaisten resurssien ollessa rajalliset. Palveluiden saatavuuden ja tehokkuuden varmistamiseksi diagnosoinnin tueksi tarvitaan tehokkaita ja automatisoituja työkaluja. Kuvantaminen on diagnosoinnin kulmakivi. Lääketieteellisen kuvantamisen yksi lupaavimmista kehityskohteista on tekoäly, jonka hyödyntäminen on alati kasvava tutkimuskohde – erityisesti syväoppimismenetelmien osalta.

Tämän työn tavoitteena oli selvittää, millaisia tekoälyyn sisältyviä syväoppimisen menetelmiä lääketieteellisessä kuvantamisessa voidaan hyödyntää, sekä millaisia algoritmeja käytetään. Lisäksi työssä tarkastellaan syväoppimismenetelmien haasteita eri näkökulmista. Lähteinä käytetään pääasiassa viimeisen kymmenen vuoden aikana julkaistuja systemaattisia kirjallisuuskatsauksia.

Opinnäytetyön teoriaosuudessa perehdytään tekoälyn eri osa-alueisiin, kuten koneoppimiseen ja syväoppimiseen, sekä näihin liittyviin algoritmeihin. Lisäksi tarkastellaan lääketieteellisen kuva-analyysin eri vaiheita, joissa tekoälymenetelmiä voidaan hyödyntää. Empiirisessä osiossa tutkitaan kuva-analyysin osa-alueita, joilla syväoppimista on jo hyödynnetty, sekä selvitetään, millaisia etuja sen avulla on saavutettu. Etujen ohella tarkastellaan myös tekoälyn keskeisiä haasteita, jotka liittyvät muun muassa mallien selitettävyyteen ja opettamiseen.

Pohdinnassa todetaan, että tulevaisuudessa syväoppimismenetelmillä on potentiaalia tehostaa kuvien segmentointia ja luokittelua. Niiden avulla voitaisiin myös tuottaa synteettistä kuvadataa esimerkiksi tekoälymallien opetukseen. Tekoäly voisi vapauttaa asiantuntijan aikaa kuvien tulkinnasta enemmän päätöksentekoon. Haasteena on kuitenkin syväoppimismallien siirtäminen kliiniseen käyttöön. Hyödyntämiseen liittyy myös yksityisyyteen ja eettisyyteen kohdistuvia haasteita, jotka edellyttävät yhteisiä linjauksia.