Tekoäly diagnostiikan supersankarina?

Terveydenhuollon saralla tekoälymenetelmiä on tutkittu niin syöpäpesäkkäiden paikallistamisessa, sydän- ja verisuonitautien tunnistamisessa, silmän verkkokalvon analysoinnissa kuin myös monien muiden kohteiden parissa. Yhteistä näille sovelluskohteille on tietyntyyppisen, melko kapea-alaisen tehtävän automatisointi.

Tekoälylle ei tyypillisesti syötetä tarkkoja sääntöjä, kuten ”jos tapaus A, suorita toiminto x, tai jos tapaus B niin toteuta toiminto y”. Sen sijaan algoritmille syötetään opetusdataa, jossa on samantyyppisiä tapauksia, kuin mihin tekoälyä ollaan soveltamassa. Tekoäly käsittelee näitä erilaisia tapauksia (esim. röntgenkuvia, joissa näkyy kasvaimia sekä röntgenkuvia, joissa ei ole löydöksiä) ja pyrkii löytämään ohjelmointinsa puitteissa funktion, joka osaa jaotella käsittelyyn tulevat tapaukset oikealla tavalla (esim. luokitus sairas vs. terve).

Tekoälystä puhuttaessa käytetään usein termiä oppiminen (tekoälysovellusten neuroverkkojen perusta tulee alunperin luonnollisista neuroverkoista). Oppimisella tarkoitetaan tekoälyalgoritmin suorituskyvyn päivittymistä kohti optimaalista suorituskykyä, tällöin käsittelyyn tuleva data saadaan analysoitua toivotulla tavalla. Optimaalinen suorituskyky voidaan saavuttaa, kun neuroverkon kertoimia päivitetään saadun palautteen mukaisesti.

Tekoälyn hypetys on myös aihettanut vahvoja vastareaktioita, sillä monet miettivät, voiko näihin metodeihin luottaa. Nykyisten menetelmien ongelmana on ns. black-box malli, eli saaduille tuloksille ei pystytä antamaan kunnollisia perusteita eli ei kyetä selkeästi kertomaan miksi päädyttiin tietynlaiseen tulokseen. Ratkaisuksi on ehdotettu mm. sitä, että tulosten yhteydessä ilmoitettaisiin ehdot, joiden tulisi muuttua, jotta päädyttäisiin toisenlaiseen lopputulokseen. Tekoälyn hyödyntämistä on koetettu jo aiemmin (esim. kuva-analyyseissa), mutta tällöin tietokoneiden laskentakapasiteetti ei ollut käyttötarkoitukseen sopivaa. Tarkoituksenmukaisesti toimiva tekoäly käsitteenä ei ole monellekaan tuttu asia, vaikka tätä hyödynnetään jo nyt monissa arkipäivän kohteissa (esim. Googlen hakukone). Nämä edellä mainitut asiat aiheuttavat yleisössä hämmennystä ja lisätutkimukset sekä informaation levitys ovatkin tarpeellisia, jotta tekoälyn käyttöön voitaisiin suhtautua ennakkoluulottomammin.

Oulun yliopiston AIDMEI-projektissa uskotaan vastuullisesti toteutetun tekoälyn olevan mahdollisuus eikä uhka yhteisölle. Tarkoituksena on tuoda tarkkuutta ja tehokkuutta lääketieteelliseen kuvantamiseen perustuviin diagnooseihin sekä säästöjä terveydenhuollolle. Käsiteltäviksi tapauksiksi on valikoitunut alaselkäkivun syiden selvitys magneettikuvantamisella sekä rintasyöpien seulonta röntgenkuvantamisella.

Alaselkäkipujen ja rintasyövän diagnostiikka

Alaselkäkivut aiheuttavat maailmanlaajuisesti toimintakykyä heikentäviä ongelmia. Duodecimin arvion mukaan vuonna 2012 selkäkivuista aiheutui sairauspäivärahakustannuksia 119,8 miljoonaa euroa. Vuonna 2012 selkäsairauksien takia työkyvyttömyyseläkkeelle joutuneita tilastoitiin olevan 26 600 henkilöä ja tästä aiheutui kustannuksia 346,6 miljoonaa euroa. Terveys 2011 –tutkimuksessa selvitettiin suomalaisten kokemaa selkäkipua. Tutkimuksen tuloksena raportoitiin, että 41 % naisista ja 35 % miehistä ilmoitti kärsineensä selkäkivuista edellisen 30 päivän aikana.

Valitettavasti alaselkäkipua on vaikea diagnosoida ja syy saattaakin jäädä epäselväksi. Täysin kivuttoman henkilön magneettikuvista saattaa löytyä rappeumamuutoksia kun taas kivuista kärsivän magneettikuvat saattavat olla ns. puhtaat, eli kuvissa ei ole löydettävissä epäilyttäviä rakenteita.Tyypillinen kuvausaika magneettikuvaukselle on 30–45 minuutin luokkaa, eivätkä laitehankinnatkaan ole aivan ilmaisia, joten ymmärrettävästi pelkästään resurssipulat aiheuttavat huomattavia haasteita alaselkäkivun syiden selvitykselle.

Mammografiaseulontoja järjestetään Suomessa 50–69-vuotiaille kahden vuoden välein, ja lisäksi riskiryhmään (suuren riskin suvut, geenivirheet) kuuluville suositellaan säännöllistä seurantaa. Tällä hetkellä noin 3 % seulotuista saa virheellisen positiivisen diagnoosin, josta aiheutuu yksilölle turhaa huolta ja ahdistuneisuutta, sekä ylimääräisiä kuluja terveydenhuollolle. Ns. tiivis rinta aiheuttaa haasteita kuvien tulkintaan, koska mahdollisen syöpäpesäkkeen ja normaalin kudoksen kontrastiero mammogrammeissa (rinnan röntgenkuva) jää niin pieneksi, että diagnostiikan tarkkuus heikkenee. Syövän kehityksen alkuvaiheessa syöpäpesäkkeet taas ovat niin pieniä, että mammogrammeista ei yksinkertaisesti pystytä erottamaan näitä pieniä muodostelmia.

Edellä mainittujen alaselkäkipujen ja mammogrammien diagnostiikkaa voitaisiin helpottaa älykäällä algoritmikehityksellä. Optimoidulla tekoälyllä voitaisiin parhaimmillaan löytää epäilyttäviä rakenteita, jotka jäävät nyt huomaamatta. Samalla pystyttäisiin parantamaan mammogrammien kuvanlaatua, joka luonnollisesti helpottaa tätä analyysia ja tekee radiologin kuvien tarkastelua hieman helpompaa, kun rakenteet näkyvät selvemmin kohinan seasta. Radiologi voisi hyödyntää tekoälyn antamaa ehdotusta, tarvittaessa muokata sitä, ja päästä lopputulokseen nopeammin, kun kuville olisi suoritettu ainakin tällainen esianalyysi.

Lisäksi röntgenkuvantamisen tapauksessa syntyvää säteilyannosta voitaisiin pienentää ja vastaavasti MRI-kuvauksen kestoa voitaisiin lyhentää. Riittävän kuvanlaadun saamiseksi riittäisi siis pienempi röntgensäteilymäärä ja magneettikuvauksen tapauksessa lyhyempi datan keräys olisi riittävä, kun oikein valittu algoritmi pystyisi parantamaan kuvanlaatua. Mahdollisesti myös uusintakuvauksia voitaisiin välttää, kun kuvausvirheitä (heikentää kuvan luettavuutta) pystyttäisiin korjaamaan optimaalisemmalla tavalla.

Miksi tekoäly – ja miten se toimii?

Radiologi tarvitsee yöunet, vapaa-aikaa ja ruoka-taukoja. Tekoäly taas raksuttaa yötä päivää ja tulosten tarkkuus pysyy kuitenkin koko ajan samalla tasolla. Tekoäly pystyisi siis toimimaan mm. laadunvarmistajana ja kuva-analyysin tehostajana, samalla säästäen kustannuksissa, kun työtavat saadaan optimoitua parhaalla mahdollisella tavalla.

Tekoäly pohjaa tilastotieteellisiin menetelmiin eli esimerkiksi luokiteltava kohde liitetään johonkin kategoriaan (esim. terve vs. sairas) jollakin todennäköisyydellä. Opetusvaiheessa tekoälylle syötetään opetusdataa, josta se oppii yhteyksiä samaan luokkaan kuuluvien kohteiden välille. Monissa tekoälysovelluksissa käytetyistä neuroverkoista voi löytyä jopa miljoonia opetusvaiheessa optimoituja parametrejä, jotka varmistavat että analyysiin tuleva näyte luokittuu oikein. Yksinkertaistetusti voisi ajatella, että näytettä arvioidaan erilaisten piirteiden suhteen ja nämä piirteet eroavat luokkien kesken. Lopullinen tekoälyn antama luokitus määräytyy näiden ominaisuuksien yhdistelmästä.

Kun käsittelyyn pystytään ottamaan mahdollisimman paljon merkitseviä piirteitä, päästään luokitustarkkuuksissakin parempiin tuloksiin. Ihmismieli ei mitenkään kykene tällaiseen massiiviseen data-analyysiin rajallisen ja hajanaisen työmuistin vuoksi, mutta tietokoneen laskentakapasiteettia voidaan allokoida tällaiseen tehtävään ja näin toimien mahdollistaa tekoälyn tehokas hyödyntäminen. Pohjimmiltaan tekoäly on kuitenkin funktioita (joita ei välttämättä voida järkevällä tavalla esittää suljetussa kaavamuodossa) ja laskentaa, joiden mallikkaaseen pyöritykseen vaaditaan raakaa laskentatehoa. Tietenkin sopivalla toteutustavalla voidaan ja pyritään myös optimoimaan näitä laskentaresursseja.

Tekoäly toimii siis tehokkaana työjuhtana, joka ajaa datalle optimoidun analyysin ja pääsee pureutumaan dataan yksityiskohtasesti, aina jokaista pikseliarvoa myöten ja näin voidaan päästä hyvinkin tarkkoihin tuloksiin. Kun verkkoon lisätään parametreja, voidaan pyrkiä löytämään suurempi määrä merkitseviä piirteitä. Parametrien lisäämisessä ja valinnassa on kuitenkin oltava erityisen huolellinen, jotta malli ei ylisovitu opetusdataan. Ylisovittumisessa tulokset ovat hyviä opetusdatan kohdalla, mutta uuden datan analyysi ei onnistukaan odotetulla tarkkuudella. Mallin monimutkaistaminen lisää myös laskentaresurssien ja ajan tarvetta. On siis tutkittava, että millainen määrä parametreja toimii parhaiten tietyn tehtävän yhteydessä, jotta päästään optimaalisimpaan lopputulokseen.

Terveydenhuollon tulevaisuus

Lääketieteelliset tutkimukset kehittyvät ja tarkentuvat koko ajan, samalla käsiteltävän datan määrä kasvaa, jolloin osa tarpeellisesta tiedosta saattaa hukkua informaatiotulvaan. Akuuteissa tilanteissa olisikin apua älykkäästä ohjelmistosta, joka kykenisi lajittelemaan potilaan terveyteen liittyviä tietoja, esimerkiksi aiempia diagnooseja, käytettyjä lääkkeitä, jne. ja tarjoamaan tästä yhteenvedon, jopa alustavan diagnoosiehdotuksen, jota lääkäri voisi hyödyntää oman harkintansa mukaan uusien oireiden syiden tulkinnassa ja selvityksessä. Tekoäly voisi siis parhaimmillaan toimia tehokkaana lääkärin apulaisena, joka järjestelee, analysoi ja jäsentelee datamassaa niin, että lääkärin olisi helpompi löytää piirteitä, jotka ovat olennaisia juuri senhetkisten oireiden tulkinnassa.

Kiireellisissä tilanteissa tekoäly voisi jopa pelastaa henkiä. Jos potilas tuodaan ambulanssilla sairaalaan ja viedään kuvannettavaksi, voisi tekoäly skannata tulokset muutamassa sekunnissa (CT-kuvantamisessa leikkeitä/viipalekuvia useita kymmeniä) ja antaa tiedon esimerkiksi löytyneestä aivoveritulpasta. Hoitava lääkäri voisi käydä tekoälyn antaman tulkinnan nopeasti lävitse, kun ongelmia aiheuttavat rakenteet ja kohteet olisi merkitty kuviin, ja antaa tästä raportista oman näkemyksensä. Potilas saisi nopeasti apua, joka korostuisi erityisesti ruuhkaisissa tilanteissa tai jos päivystyksessä ei ole kokenutta radiologia paikalla.

Väestön ikääntyessä kuvantamistutkimukset ovat lisääntyneet ja ruuhkauttavavat jo ennestään ylikuormitettuja terveyskeskuksia ja sairaaloita, joten terveydenhuoltoon tarvitaan väkisinkin uusia ja tehokkaampia toimintatapoja. Näin ollen halutaan kehittää uusia, innovatiivisia menetelmiä, joilla kyetään vastaamaan resurssipulaan.

Tekoälyn avulla tavoitellaan yksilöllisempää, tarkempaa ja kustannustehokkaampaa hoitopolkua. Henkilökunnan resursseja vapautuu varsinaiseen potilastyöhön, kun osa muusta työstä (välineiden haku, lääkkeiden kuljetus, kuva-analyysi, jne.) voidaan ainakin osittain automatisoida, ja haluttuun lopputulokseen kyettäisiin pääsemään jopa nopeammin kun algoritmi skannaa mahdollisia hoitotoimenpiteitä ja lääkeyhdistelmiä. Hoitava tiimi voisi hyödyntää tällaista hoidon esianalyysia ja tehdä hoidon kannalta parempia ja tehokkaampia valintoja, kun saatavilla olisi enemmän hyvin jäsenneltyjä vaihtoehtoja.

AIDMEI-hankkeeseen voi tutustua tarkemmin vierailemalla projektin verkkosivustolla, josta löytyy myös linkkejä hankkeen sosiaalisen median tileille.

Helinä Heino on maisterivaiheen biofysiikan opiskelija ja työskentelee tutkimusavustajana AIDMEI (Artificial intelligence guided diagnostics in medical imaging) -projektissa. Projektissa pyritään kehittämään uusia tekoälypohjaisia metodeja lääketieteellisten kuvien diagnostiikkaan.