VTT analysoi magneettikuvia EU-projektissa, jossa koneoppimisalgoritmeja opetetaan tunnistamaan ne rintasyöpäpotilaat, jotka hyötyvät ennen leikkausta annettavasta kemoterapiasta.
Sairaanhoitopalveluiden kustannustehokkuutta voi lisätä ja potilaiden hoitotuloksia voi parantaa hyödyntämällä tekoälyä suurten potilasdata-aineistojen analysoinnissa.
VTT on mukana EU:n rahoittamassa BigMedilytics (Big Data for Medical Analytics) ‑hankkeessa, jonka yhdessä pilottiprojektissa tutkitaan rintasyövän diagnosointia tekoälyn ja suurien magneettikuva-aineistojen avulla. Projektiin osallistuvat myös suuri ranskalainen sairaala Institut Marie Curie, jossa on erikoistuttu rintasyöpäpotilaiden hoitoon, sekä israelilainen IBM Haifa, jossa käsitellään mammografiakuvia.
Kuva-analyysiin perustuvaa ennustamista
Ennen syöpäleikkausta rintasyöpäpotilaille annetaan NACT (Neoadjuvant Chemotherapy) -kemoterapiahoitoa, jonka toivotaan kutistavan kasvainta ja heikentävän sen mahdollisia etäpesäkkeitä. Kemoterapiasta on kuitenkin hyötyä vain osalle potilaista. Ne, joille se ei sovi, voivat saada sivuvaikutuksia, jotka heikentävät toipumista. Jos kemoterapiasta hyötymättömät potilaat voidaan tunnistaa ennen hoidon aloittamista, he välttyvät lisähaitoilta ja kustannuksia säästyy.
̶ VTT:llä on erityisosaamista kuvien analysoimisesta. Me esikäsittelemme suurta kuva-aineistoa, joka koostuu Institut Marie Curien potilaista otetuista magneettikuvista. Sen perusteella me ennustamme, ketkä rintasyöpäpotilaat hyötyvät NACT-kemoterapiasta ja keille siitä on suoranaista haittaa, kertoo erikoistutkija Kari Antila VTT:n Tietointensiiviset palvelut -yksiköstä.
̶ Me luokittelemme rintasyöpäpotilaiden magneettikuvista eri kudostyyppejä sekä niiden muotoja ja tilavuuksia saadaksemme tietoa rinnan rakenteesta. Tietynlaiset syöpäkasvaimet voi olla mahdollista tunnistaa muun muassa etsimällä kasvaimen rajat ja analysoimalla sen kokoa ja muotoa. Esimerkiksi kasvaimen koolla tiedetään olevan vaikutusta hoitotulokseen.
Koneoppimisalgoritmien testausta
Itse analyysi tehdään yhdistämällä potilastiedot magneettikuvista kerättyyn dataan, joka sisältää tietoa eri kudostyyppien osuuksista sekä kasvaimen rakenteesta ja aineenvaihdunnasta. Kun leikkauksen jälkeen saadaan tietää, ketkä lopulta hyötyivät kemoterapiasta, voidaan testata erilaisten koneoppimisalgoritmien kykyä erottaa nämä potilaat muista.
̶ Ison kuva-aineiston avulla me voimme opettaa koneoppimista algoritmille, Antila sanoo.
Syväoppivat neuroverkot mullistavat kuva-analyysia
Aiemmin asiantuntija päätti, mitä ominaisuuksia ja erityispiirteitä lääketieteellisellä kuvantamisella tehdyistä kuvista tulee etsiä, ja mitkä asiat ovat oleellisia tunnistamistehtävän kannalta. Mutta nyt ihminen on poistettu tästä prosessista.
̶ Me syötämme kuvat tekoälypohjaiselle algoritmille ja kerromme lopputuloksen, mutta emme suoraan sitä, mitä kuvista pitäisi etsiä. Kone päättelee itse, mitkä asiat se näkee merkityksellisiksi. Me kehitämme neuroverkon, jolla on tiettyjä ominaisuuksia ja tietty rakenne, ja opetamme saatujen lopputulosten perusteella positiiviset ja negatiiviset vasteet hoidolle, Antila sanoo.
Mutta isoa datamäärää hyödyntävän, monimutkaisten ongelmien ratkaisuun kehitetyn neuroverkon päättelyprosessia ei ole helppo tehdä ymmärrettäväksi, sillä verkon sisällä on jopa satoja tuhansia ratkaistavia muuttujia.
̶ Emme tiedä, mitkä ovat ne seikat, joiden perusteella algoritmi tekee päätelmänsä. Jos pystymme avaamaan tätä päättelyprosessia ja voimme osoittaa kuvasta ne asiat, joilla on merkitystä, se lisää tekoälyyn perustuvan päätöksentekoprosessin turvallisuutta ja ymmärrettävyyttä, Antila pohtii.
