Silmänpohjakuva

Tekoälysovellus silmänpohjaseulontojen avuksi

Silmän verkkokalvosairaus, diabeettinen retinopatia, on diabeteksen yleisin komplikaatio. Sen seulonta silmänpohjakuvauksilla vie paljon resursseja. Oulun yliopisto on mukana projektissa, joka tähtää retinopatiaseulonnan automatisointiin koneoppimisen avulla. 

Diabeteksen yleistymisen myötä myös diabeettisesta retinopatiasta kärsivien potilaiden määrä on kasvussa. Retinopatian diagnosointi ja seuranta perustuu silmänpohjakuviin ja niiden analysointiin, mikä osaltaan koettelee julkisen terveydenhuollon resursseja.

”Silmänpohjakuvien määrä on kasvanut viimeisen viiden vuoden aikana 45 prosenttia. Niiden seulonta on suuritöistä jo nyt, ja työ tulee vain lisääntymään”, kertoo Oulun yliopiston silmätautiopin professori Nina Hautala. ”Yhden kuvan analysointi vie ihmiseltä muutamia minuutteja, mutta esimerkiksi OYS:n alueen potilailta seulontakuvia otetaan viikoittain yli 200.”

Silmänpohjakuvien analysoinnin automatisointi tehostaisi retinopatian seulontaa, säästäisi aikaa ja työvoimaa ja nopeuttaisi hoitoonpääsyä. Haasteeseen on tartuttu Oulun yliopiston ja saksalaisen Ilmenaun teknillisen yliopiston yhteistyöprojektissa, jossa kehitetään diabeettisia silmänpohjamuutoksia tunnistavaa, koneoppimiseen perustuvaa sovellusta.

Silmänpohjamuutosten laaja kirjo haastaa koneoppimisen

Sovellus etsii silmänpohjakuvista periaatteessa samoja asioita kuin silmälääkäri, näkyviä tautimuutoksia. Niiden tunnistaminen on opetettava sovellukselle olemassa olevan kuvamateriaalin avulla; yhtenä syynä siihen, että saksalaistutkijat kääntyivät oululaisten puoleen, olikin suomalainen diabetespotilaiden seulontajärjestelmä, jossa silmänpohjakuvia on kerätty systemaattisesti potilaiden sairaushistorian ajalta.

”Saksassa ei sellaista järjestelmää ole. Projektissa hyödynnetään usean kymmenentuhannen kuvan aineistoa”, Hautala kertoo. ”Lähdimme liikkeelle kertomalla, mikä kuvissa on poikkeavaa, mikä on sairauden merkki ja mikä muu muutos. Tämän tiedon pohjalta teknisen puolen tutkijat ovat luoneet algoritmeja, joilla sovellus voi tunnistaa diabeettiset muutokset.”

Haasteena on silmänpohjamuutosten laaja kirjo. Sovelluksen on opittava tunnistamaan muun muassa mikroaneurysmia, verkkokalvon alaisia verenvuotoja, lipidikertymiä, verkkokalvon mikroinfarkteja ja uudisverisuonia – kaikkine vaikeusasteineen ja muine variaatioineen. ”Toistoja tarvitaan tuhansia ellei kymmeniä tuhansia”, Hautala sanoo.

Sovelluksen taustalla olevat teknologiat eivät ole sinänsä uusia. ”Kuva-analyysissa käytetään perinteisiä kuvankäsittelyn metodeja, eli signaaliprosessointia ja hahmontunnistusta, sekä konvolutionaalista [syväoppivaa] neuroverkkoa, jonka luomisessa on käytetty tunnettuja teknologioita”, kuvailee teknistä puolta tutkija Katri Kukkola Oulun yliopiston optoelektroniikan ja mittaustekniikan yksiköstä.

Silmänpohjamuutosten variaatioiden runsaus mutkistaa myös sovelluksen opetusmateriaalina toimivan datan keruuta ja esikäsittelyä. ”Se vaatii paljon aikaa ja resursseja. Sama asia voi näyttäytyä eri laitteilla ja eri ihmisille hyvin erilaisena.”

Lisäksi ihmisen toiminnan mallintaminen on ylipäätään hankalaa. ”Sovellus etsii silmänpohjakuvista samoja merkkejä ja löydöksiä kuin lääkärit, mutta kokemuksensa ansiosta lääkärit todennäköisesti huomioivat tiedostamattaan enemmän asioita kuin mitä kertovat”, Kukkola toteaa.

Automaatio voi auttaa seulontatyössä muutaman vuoden sisällä

Valmiiseen sovellukseen projekti ei ole vielä johtanut, mutta Nina Hautala uskoo, että retinopatian kliinisessä seulontatyössä automaatiota voisi hyödyntää muutaman vuoden sisällä.

”Nyt edessä on iso työ: ohjelmisto jauhaa läpi kymmenet tuhannet kuvat, ja katsomme, että se on takuuvarma ja turvallinen. Sensitiivisyys [sairausmuutosten tunnistamisen todennäköisyys] ja spesifisyys [muutosten tunnistamisen tarkkuus] alkavat olla jo riittävällä tasolla, yli 90 prosenttia.” Ihmissilmän vastaavia prosenttilukuja ei Hautalan mukaan ole tutkittu, ”mutta tiedetään, että varhaiset muutokset näkyvät paremmin kuvassa kuin lääkärin tutkiessa silmänpohjaa mikroskoopilla”.

Kyseessä olisi silti vain apuväline, jonka nykyinen tarkkuus riittäisi tunnistamaan esimerkiksi terveet silmänpohjat sekä lievät retinopatiamuodot, jotka eivät vaadi hoitoa. Mutta jo näiden ryhmien automaattinen karsiminen säästäisi resursseja itse retinopatian hoitoon ja seurantaan. Lisäksi sovellus voisi olla apuna myös seurannassa, sillä se pystyy tunnistamaan taudin etenemisen.

Lääkäriä tarvitaan jatkossakin diagnosoinnissa sekä sairauden ja hoidon vaikutusten arvioinnissa, Hautala uskoo. ”Potilaan tilassa on niin paljon yksilöllisiä tekijöitä – esimerkiksi jokin yleissairaus tai muu silmäsairaus – joita on vaikea opettaa koneelle.”

Kehitetyt menetelmät aiotaan lisensoida yrityksille

Toisessa, retinopatiaprojektista erillisessä Crystal-hankkeessa automaatio pyritään ulottamaan muihinkin silmäsairauksiin. ”Tarkoituksena on luoda mallit sovellukselle, jolla voidaan seuloa retinopatian ohella myös avokulmaglaukoomaa sekä silmänpohjanikärappeumaa”, Crystal-projektissa mukana oleva Katri Kukkola kertoo.

Koska lääkärit käyttävät kahden jälkimmäisen diagnosoinnissa useita menetelmiä, ei vain kuva-analyysia, sovellus tekisi analyysin ”datafuusiona”, joka kiinnittää huomiota paitsi silmänpohjakuvaan, myös potilaan taustatekijöihin, koettuihin oireisiin, näkökykyyn ja näkökenttään. Menetelminä ovat mm. suurempien kuva-alueiden analysointi sekä suorat mittaukset. ”Crystal-projektissa on kehitetty uusia tapoja tuottaa mittaustietoja näköhermonpäästä. Emme tiedä yhtään kaupallista sovellusta, joka tuottaisi vastaavia tietoja”, Kukkola sanoo.

Koneoppiminen onkin kuuma aihe silmätaudeissa. Alan vuotuinen julkaisutahti on kivunnut 2010-luvulla muutamasta tuhansiin.

Diabeettisen retinopatian tunnistamisessa kilpailevia sovelluksia on Hautalan tietämän mukaan valmiina vain yksi. Niinpä Ilmenaun ja Oulun yliopistojen retinopatiaprojektilla (samoin kuin Crystal-projektilla) on myös kaupallisia tavoitteita: tarkoituksena on lisensoida kehitetyt menetelmät yrityksille.

”Kyvykäs yritys voisi ottaa käyttöön ainakin osia ratkaisusta noin vuodessa, mutta lääkinnällisiltä laitteilta vaadittavat testaukset ja arvioinnit vievät enemmän aikaa”, Kukkola sanoo.

Kuva: Silmätautiopin professori Nina Hautala tutkii potilaan silmänpohjaa biomikroskoopilla. "Varhaiset sairausmuutokset näkyvät usein paremmin silmänpohjakuvassa kuin mikroskoopilla”, Hautala sanoo. Syynä ovat kamerassa hyödynnettävät suotimet.

 

Teksti: Jarno Mällinen
Kuvat: Oulun yliopisto / Mikko Törmänen

Pääkuva: Diabeettista retinopatiaa seulottaessa silmänpohjakuvasta tulee etsiä muun muassa mikroaneurysmia, verkkokalvon alaisia verenvuotoja, lipidikertymiä, verkkokalvon mikroinfarkteja ja uudisverisuonia.

 

 

 

 

Viimeksi päivitetty: 14.1.2019