Tekoälyn mahdollisuuksista lääketieteellisessä kuvantamisessa saadaan pian uutta tietoa, kun lääkäreistä, fyysikoista ja matemaatikoista koostuva monialainen tutkimusryhmä pureutuu aiheeseen.
Tavoitteena on luoda tekoälyyn perustuvaa diagnostiikkaa, joka on nykyiseen verrattuna nopeampaa, tarkempaa ja kustannustehokkaampaa. Hankkeelle on myönnetty yli puolen miljoonan euron rahoitus Tulevaisuuden tekijät -ohjelmasta.
Mistä on kyse?
Tekoäly tulee avaamaan täysin uusia mahdollisuuksia lääketieteen kuvantamistutkimuksiin jo lähivuosina, tutkijat uskovat.
Kuvantaminen on merkittävässä roolissa monien sairauksien diagnostiikassa ja hoidossa. Väestön ikääntyessä potilaista otettujen lääketieteellisten kuvien määrä on lisääntynyt ja samalla tutkimukset ovat monimutkaistuneet ja niihin liittyvät tiedot lisääntyneet. Tavallinen käytäntö on, että radiologi katsoo potilaasta otetun kuvan työasemallaan ja lausuu kuvasta diagnoosin. Nykyisellään prosessi on raskas ja diagnostiikka aikaa vievää.
-Tekoälyyn pohjautuva diagnostiikka tulee olemaan paitsi nopeampaa myös tarkempaa ja huomattavasti nykyistä halvempaa, kertoo projektipäällikkö Tiina Ihme Oulun yliopistosta.
Tutkijoiden tavoitteena on kehittää tekoälyä hyödyntäviä menetelmiä, jotka auttavat lääkäriä oikean diagnoosin tekemisessä.
-Ydinajatus on, että tekoäly löytää potilaasta otetusta kuvasta mielenkiintoiset ja diagnoosin tekemisen kannalta tärkeät kohdat sekä antaa arvion havainnoista, Ihme toteaa.
Uusia menetelmiä aletaan ensivaiheessa kehittää rintasyöpien seulontaan liittyvään mammografiakuvantamiseen sekä alaselän magneettikuvantamiseen.
Säteilykuormitus vähenee
Tekoälyllä voidaan myös parantaa kuvarekonstruktioita.
Se mahdollistaa muun muassa tarkemman automaattisen kuva-analyysin. Kuvia rekonstruoidaan edelleenkin vanhoilla, korkean säteilyannoksen menetelmillä, mutta tekoälyä hyödyntävien rekonstruktioalgoritmien avulla potilaan säteilykuormitusta voidaan vähentää merkittävästi ja parantaa kuvanlaatua.
Mammografiakuvien tulkitseminen on vaativaa ja haasteena ovat niin sanotut väärät positiiviset löydökset, joiden määrää pyritään myös vähentämään. Väärän positiivisen löydöksen saa nykyisin noin kolme prosenttia seulotuista. Väärä positiivinen diagnoosi voi potilaan kannalta olla hyvin ahdistavaa ja aikaansaada pitkäaikaisen huolen mahdollisesta syövästä. Koneoppimisen avulla voidaan vähentää väärien positiivisten löydösten määrää ja tukea lääkäriä oikean diagnoosin tekemisessä.
Alaselän magneettikuvantamisessa tavoitteena on automatisoida nikamien rakenteen analysointia. Alaselkäkipu on maailmanlaajuisesti merkittävin toimintakykyä alentava terveysongelma ja Suomessakin yksi tavallisimmista syistä hakeutua lääkärin vastaanotolle. Magneettikuvausta tarvitaan, jos epäillään jotakin vakavaa tai jos erityistä syytä kipuun ei löydy. Kuvia voi olla joskus vaikea tulkita, ja avuksi tarvitaan tehokkaita menetelmiä selkärangan rakenteiden arviointiin. Tähän tekoäly voi tuoda ratkaisun.
Artificial intelligence guided diagnostics in medical imaging, AIDMEI -hankkeelle myönnetty rahoitus on kolmivuotinen, ja se on suuruudeltaan 525 000 euroa. Pääosa tutkimuksesta tehdään Oulun yliopiston lääketieteellisen kuvantamisen, fysiikan ja tekniikan tutkimusyksikössä yhteistyössä Oulun yliopistollisen sairaalan kanssa.
Älä kävele onnesi ohi – täältä löydät KAIKEN halvemmalla. Siis: KAIKEN.