09 maaliskuuta 2018
Radiologia ja muut kuvadataa hyödyntävät erikoisalat ovat raivanneet tekoälylle tietä terveydenhuollossa. Yleisesti konenäköön liittyvät teknologiat ja erityisesti syväoppivilla neuroverkoilla toteutetut ratkaisut ovat kehittyneet valtavin harppauksin viimeisen viiden vuoden aikana.
Verrattuna muihin lääketieteen aloihin kuvantamisella on etumatkaa: konenäköä on hyödynnetty jo vuosikymmeniä, kuvadata on globaalisti standardimuotoista, pikselidatassa ei ole kielisyyttä, ja lääkärien tarkastamia anonymisoituja kuvapaketteja on julkisesti saatavilla tekoälyratkaisujen kehittämiseen.
Kuvantamiseen liittyvien tekoälyratkaisujen keskeinen tavoite on, että ne pystyvät jatkossa automaattisesti analysoimaan kaikki kuvantamistutkimukset, tunnistamaan ja mittamaan mahdolliset löydökset ja muodostamaan tarkan diagnoosin. Kaiken tämän tulee tapahtua sekunneissa ja yli-inhimillisellä tarkkuudella.
Konenäön tulee siis edelleen kehittyä, mutta ennen kaikkea tekoäly pitää saada ymmärtämään potilaan muita tietoja: potilaskertomuksen kirjauksia, laboratoriotuloksia, diagnooseja, toimenpiteitä, lääkitystietoja. Potilaan tiedoista koostuva kokonaisuus määrittelee kontekstin, jonka puitteissa kuvatason tulkinta tehdään, ja vaikuttaa siten merkittävästi tulkinnan tulokseen.
Kuva 1: Konenäkö on tunnistanut ja merkinnyt kaksi tiivistymää potilaan aivokudoksessa
Kliiniseen käyttöön hyväksyttyjen tekoälyä hyödyntävien kuva-analyysien ominaisuudet ovat vielä rajalliset, mutta tietyissä käyttötapauksissa analyysit tarjoavat jo merkittävää lisäarvoa. Suurin osa nykyisistä ratkaisuista on kehitetty tunnistamaan yksittäiseen sairauteen liittyviä löydöksiä yhden kehon alueen kuvantamistutkimuksessa. Esimerkiksi keuhkojen tietokonetomografiakuvista kone voi automaattisesti tunnistaa, merkitä ja mitata kyhmyt, jotka ovat mahdollisesti pahanlaatuisia kasvaimia.
Lisäksi on saatavilla ratkaisuja, jotka pystyvät laajemmin analysoimaan tietyn anatomisen alueen kuvadataa ja tunnistamaan poikkeavuudet määrittelemättä täsmälleen mistä poikkeavuudesta on kyse. Esimerkiksi aivokudoksesta tällaiset analyysit voivat tunnistaa tiivistymiä, jotka voivat johtua verenvuodosta, tulehduksesta tai kasvaimesta.
Kuva 2: Konenäkö on merkinnyt ja myös mitannut noduulin potilaan keuhkokuvista
Tarkastellaanpa esimerkkiratkaisuja hoidon laadun ja tuottavuuden kannalta. Keuhkokasvaimia tunnistava ja mittaava analyysi mahdollistaa diagnostiikan laadun parantumisen avustamalla radiologia pienten noduulien löytämisessä satojen leikekuvien joukosta. Tuottavuuden kasvua edistävät analyysin laskemat volyymimittaukset, joiden tekeminen manuaalisesti useista leikekuvista on työlästä ja aikaa vievää.
Aivokudoksesta tiivistymiä etsivän analyysin tuloksia voidaan puolestaan hyödyntää muun muassa tehtävien priorisoinnissa. Jos analyysin tulos viittaa esimerkiksi pikaista hoitoa vaativaan aivoverenkiertohäiriöön, voidaan kyseisen tutkimuksen tulkinta määritellä erittäin kiireelliseksi tehtäväksi radiologille ja lähettää hälytys päivystysyksikön hoitotiimille. Potilas saa tarvitsemansa hoidon mahdollisesti aikaisemmin kuin ilman koneen tekemää analyysia. Parhaassa tapauksessa vältytään potilaan halvaantumiselta tai jopa kuolemalta.
Tarjoamme molempia esimerkkeinä käytettyjä kuva-analyyseja palvelupohjaisina ratkaisuina pohjoismaisille asiakkaillemme. Kliiniseen käyttöön hyväksytyt analyysit ovat johtavien toimijoiden kehittämiä ja integroituvat vaivattomasti käytössä oleviin kuvantamisjärjestelmiin. Volyymihinnoiteltu palvelu mahdollistaa analyysien vaivattoman käyttöönoton ennustettavin kustannuksin ilman suuria alkuinvestointeja.