Rintasyöpä ja tekoälyavusteinen rintasyövän havainnointi

Kirjoittaja: Helinä Heino
Video: Antti Isosalo

                                                                                                                                                             

Roosa nauha -kampanja muistuttaa siitä, että rintasyöpä koskettaa monen ihmisen elämää. Kuva Pixabaysta.

Rintasyöpä on naisten yleisin syöpätyyppi, sillä vuosittain syöpään sairastuu Suomessa noin 5000 naista. Rintasyöpiä todetaan myös miehillä ja Suomessa miehiä sairastuu vuosittain kolmisenkymmentä. Maailmanlaajuisesti naisten uusien rintasyöpien esiintyvyyden arvioidaan olevan noin 2.3 miljoona tapausta.

Ikääntyminen lisää syövän esiintymisen todennäköisyyttä, joten Suomessa järjestetään 50-69-vuotiaille naisille ilmaisia seulontatutkimuksia. Rintojen omatoimiseen tarkkailuun on myös hyvä kiinnittää huomiota. Esimerkiksi muutokset rinnan alueen ulkonäössä tai rakenteessa on syytä tutkituttaa. Mammografiatutkimus on yksi tyypillinen tapa tutkia rinnan kudosta (tarvittaessa myös esim. ultraäänitutkimus ja kudosnäyte saattavat tulla kyseeseen). Mammografiassa rinnasta otetaan röntgenkuvat, jotka toimitetaan radiologin arvioitaviksi.    

Röntgenkuvien tulkinta ei kuitenkaan ole helppoa tai yksiselitteistä ja väestön ikääntyminen lisää terveydenhuollon ruuhkautumista. Tästä syystä rintasyöpien havainnointiin on pyritty kehittämään automaattisia menetelmiä, jotka voisivat avittaa radiologin työtä. Havainnointia varten on pyritty kehittämään tekoälypohjaisia ratkaisuja eli algoritmeja, joiden toiminta perustuu syöpään viittaavien piirteiden automaattiseen havainnointiin mammografiakuvista. Tekoälypohjaisilla menetelmillä on saatu lupaavia tuloksia, ja myös AIDMEI-projektissa tutkitaan menetelmiä rintasyövän havainnointiin.      

  

Rintasyövän kehittyminen

Kehon elimistö muodostuu soluista, joiden normaaliin toimintaan kuuluu solun jakautuminen, sillä kudosten elinkaareen kuuluu kudosten uusiutuminen. Normaalisti solujen jakautuminen on tarkoin säädeltyä ja elimistö kykenee eliminoimaan virheellisesti toimivat solut.

Jos solujen perintöainekseen eli DNA:n aiheutuu haitallisia muutoksia (esim. karsinogeenien aiheuttamat tai perinnöllinen alttius), saattaa solujen jakautuminen häiriintyä ja lopputuloksena olla syöpäsoluksi erilaistunut solu. Kun yksittäinen syöpäsolu pääsee jakautumaan tarpeeksi monta kertaa, muodostuu näistä uusista soluista soluryhmittymä eli kasvain tai tuumori.  

Hoitamaton, pahanlaatuinen kasvain lähettää etäpesäkkeitä eli lähtee leviämään muualle kehoon. Syöpä on monimutkainen prosessi, joka parantumattomassa muodossa muuttaa lopulta ihmisen aineenvaihduntaa, aiheuttaa elintoimintojen pettämisen ja kehon luontaisen puolustusjärjestelmän romahtamisen. Syöpään menehtymiseen ei ole yksiselitteistä selitystä, sillä esimerkiksi loppuvaiheen syöpää sairastava saattaa menehtyä johonkin infektioon, kuten keuhkokuumeeseen tai elimen toiminnan pettämiseen.     

Rintasyöpiä kyetään kuitenkin nykyisin hoitamaan hyvin ja esimerkiksi vuosina 2011-2013 rintasyöpään sairastuneiden naisten elossaololuku viiden vuoden sisällä Suomessa on jopa 91 prosenttia.          

 

Yleistä rintasyövästä

Rintasyöpä tai syövät yleensäkään eivät ole yksittäinen sairaus, vaan niillä on erilaisia alatyyppejä. Alatyyppien avulla voidaan arvioida syövän hoitomahdollisuutta ja syövästä selviytymisen ennustetta.

Alatyypin määrittämiseen tarvitaan tyypillisesti tieto syöpäsolujen jakautumisen nopeudesta, HER2-kasvutekijän ilmaantumisesta ja tieto siitä, että esiintykö syöpäsoluissa estrogeeni- ja/tai progesteronireseptoreita. HER2-kasvutekijän esiintyminen syöpäkudoksessa viittaa aggressiivisempaan syöpään, jolla on suurempi uusiutumisriski. Jos syöpäsoluissa esiintyy estrogeeni- ja/tai progesteronireseptoreita, voidaan syöpää hoitaa hormonaalisilla lääkehoidoilla. Hormonaalisten lääkehoitojen etuna on, että niiden tiedetään puolittavan rintasyövän uusiutumisriskiä.

 

Rintasyöpä ja tekoäly

Kun puhutaan tekoälyn soveltamisesta rintasyöpään (tai muuhun sairauteen), viitataan menetelmään, jossa saatavilla olevaan kuvadataan (tai muuhun aineistoon) pyritään sovittamaan matemaattinen funktio, joka kykenee lähtökohtaisesti erottamaan syöpää sisältävät ja syövättömät tapaukset omiksi ryhmikseen. Tällöin puhutaan tekoälyn tai neuroverkon kouluttamisesta. Käytännössä tämä tarkoittaisi sitä, että koulutuksen jälkeen analysoiva ohjelma kykenee antamaan arvion rintasyövän esiintyvyydestä myös mammografiakuvalle (aineistolle), jota se ei ole aiemmin nähnyt. 

Esimerkiksi alla olevassa videossa demonstroidaan tilannetta, jossa tekoäly merkitsee mammografiakuvaan alueen, joka vaikuttaa sen algoritmin pohjalta epäilyttävältä. Tulevaisuudessa radiologi voisi hyödyntää tällaista alustavaa analyysiä diagnoosin teossaan.

                             Video. Mammografiakuvaan on merkitty epäilyttävä alue punaisen maskin avulla. 

Jos aiheen teoreettisempi puoli kiinnostaa, voi tähän tutustua vielä tarkemmin Eeva Nevanrannan kandityössä.

Tekoälylle dataa

Kirjoittajat:

Antti Isosalo

Satu Inkinen

Jarmo Reponen

Miika Nieminen

Olemme Oulun yliopistossa keränneet yhteistyössä Oulun yliopistollisen sairaalan kanssa laajan, noin 50 000 mammografiakuva-aineiston, ja se on keräilyn yhteydessä pseudonymisoitu tutkimuskäyttöä varten. Aineiston avulla on tarkoituksena kehittää tekoälyperustaista rintasyövän havainnointia mammografiakuvista ja prosessia, jolla tulevissa yliopiston ja sairaalan rajapinnassa tapahtuvissa tekoälyhankkeissa päästään suoraviivaisesti potilasdatasta analyysivaiheeseen. Tässä artikkelissa käymme lyhyesti läpi aineistonkeruun vaiheita ja annamme muutamia esimerkkejä huomioonotettavista asioista.

Aineiston keruu ja sen eri vaiheet

Terveydenhuollon ammattilaisten ja hoitohenkilökunnan suorittamalla aineiston keruulla tarkoitetaan jatkuva-aikaista systemaattista terveydentilaa ja tutkimustuloksia koskevan aineiston keruuta, analysointia ja tulkintaa. Näitä tuloksia käytetään terveydenhuollon suunnittelun, toteutuksen ja arvioinnin apuna. 

Tutkimusaineisto voidaan jakaa keräysmenetelmän mukaan havaintoaineistoon, kokeelliseen aineistoon, simuloituun aineistoon ja johdettuun aineistoon. 

Havaintoaineisto on tyypillisesti jonkin mittalaitteen avulla kerättyä aineistoa, kuten Holter-mittaukset tai esimerkiksi kuva-aineistoa, kuten röntgenmenetelmällä kuvatut mammografiakuvat. Myös rekistereihin kerätyt potilastiedot voidaan lukea havaintoaineistoksi.

Kokeellinen aineisto syntyy, kun tutkija säätää esimerkiksi magneettikuvantamislaitteen tai sekvenssin parametrejä ja pyrkii selvittämään syy-seuraus-suhteita esimerkiksi kuvantamismenetelmän parantamiseksi. 

Simuloidulla aineistolla puolestaan pyritään mallintamaan reaalimaailman ilmiötä tiettyjen reunaehtojen ja lähtötietojen perusteella. Simuloinnissa tärkeää on hyvä malli. Useimmille meistä tuttu esimerkki reaalimaailman ilmiötä simuloivasta mallista ovat sääennusteet, joita tarkennetaan säähavaintojen avulla saatavien lähtötietojen, kuten lämpötilan, ilmanpaineen ja mm. ilmankosteuden avulla. Mammografiatutkimusten kontekstissa laajaan aineistoon perustuva malli voisi ennustaa esimerkiksi tulevaa hoidon tarvetta tai rintasyövän puhkeamista. 

Johdetulla aineistolla tarkoitetaan useammista lähteistä saatujen tietojen avulla saatua aineistoa. Johdettu aineistolla voidaan tarkoittaa esimerkiksi potilastietojen ja erilaisista tutkimuksista saatujen tietojen avulla tuotettuja annotointeja. Johdettu aineisto voi olla myös jonkin muunnoksen kautta saatua uutta aineistoa, jonka avulla lääketieteellisessä sovelluksessa pyritään saamaan aikaan esimerkiksi tarkempi diagnoosi tai ennustamaan terveydentilan kehitystä. Toisiokäyttölaki mahdollistaa rekistereihin kertyneiden potilastietojen käytön tutkimustyön tekemiseen. 

Tekoäly ja opetusaineisto

Kuten ihmisenkin oppimisessa, hyvä aineisto on keskeisessä osassa tekoälyn opettamisessa. Tekoälyn osalta aineiston merkitys on ehkä vielä keskeisempi, koska tekoälyn kyky päätellä ja pidättäytyä päätöksistä ei ole vielä ihmisen tasolla. Opetusaineistosta merkittävästi poikkeavat näytteet ovat mm. suurempi ongelma tekoälylle kuin mitä ne ovat ihmiselle. Se missä automaattiset menetelmät ovat kuitenkin ihmistä parempia on laajojen aineistojen käsittely.

Ennen kuin tekoälyä päästään opettamaan tarvitaan monia eri työvaiheita aineiston keruusta, tallennukseen, louhimiseen ja eri tietolähteiden yhdistämiseen sekä nimeämiseen eli annotoimiseen. Potilasaineistoja käytettäessä yhtenä työvaiheena on myös tietojen de-identifiointi.

Oikeanlainen aineisto tärkeää

Keskeisessä osassa tekoälyä sovelluksissa on oikeanlainen aineisto. Aineiston täytyy lisäksi olla jäsennettynä oikeaan muotoon ja sitä täytyy olla riittävä määrä. Riittävä määrä vaihtelee sovelluksen mukaan, sadoista miljooniin esimerkkeihin.

Aineiston esikäsittely on usein merkittävä ponnistus. Monia aineistoja ei ole aiottu tekoälykäyttöön ja niinpä ne eivät ole välttämättä sopivassa muodossa. Useammasta lähteestä tuleva aineisto on lisäksi siirrettävä jatkokäyttöä varten yleiseen esitysmuotoon (engl. common representational format).

Aineisto saattaa sisältää myös erilaista vaihtelua. Aineistoa on voitu esimerkiksi mitata/kuvata eri valmistajien laitteilla ja näillä valmistajilla on saattanut olla oma standardinsa, jota he ovat seuranneet esimerkiksi ohjelmistototeutuksessaan.

Aineistosta voi olla tarpeen myös suodattaa pois ne näytteet, joita ei jostain syystä haluta tutkia, muu kuin haluttu kuvantamismenetelmä ja korruptoituneet kuvat, joita niitäkin luonnollisesti on.

Aineiston hallintaan ja erityisesti aineiston tehokkaaseen ja toisaalta virheettömään tulkintaan soveltuvaa teknologian määrittely on käynnissä niin menetelmiin keskittyvän perustutkimuksen kuin esimerkiksi toimintaa ohjaavan lainsäädännön osalta. Aineiston keruu on oman aktiivisen tutkimuksensa kohteena.

Lopuksi

Useista tekoälyn sovelluksista ja erityisesti syväoppimismenetelmien viime vuosina mahdollistamista kehitysaskeleista huolimatta asenteet tekoälyn käyttöä kohtaan ovat pysyneet varauksellisina. Uskomme, että tekoälypohjaiselle kuva-analyysille on lähitulevaisuudessa olemassa tärkeä rooli tuottavuuden ja diagnostisen hoitopolun tehokkuuden kehittämisessä. Tehokkuuden kehittäminen puolestaan auttaa lievittämään elintärkeisiin toimintoihimme kohdistuvia maailmantalouden vaikutuksia, jolloin terveydenhuoltomme korkeasta laatutasosta ei tarvitse joustaa.

 

Kirjoittajat ovat AIDMEI-projektin projektiryhmän jäseniä. Projektissa tutkitaan kahta kiinnostavaa käyttötapausta alaselkäkivun havainnointia magneettikuvista ja rintasyövän tunnistamista mammografiakuvista. Projektirahoitus on Teknologiateollisuuden 100-vuotissäätiön ja Jane ja Aatos Erkon säätiön tulevaisuuden tekijät rahastosta. Tutkimusyhteistyössä tärkeinä yhteistyökumppaneina ovat Helsingin yliopisto ja Oulun yliopistollinen sairaala.

Mammografiakuvien segmentointi

Kirjoittaja: Mustafa Al-Rubaye

 

Kuva 1. Esimerkki mammografiakuva avoimesti saatavilla olevasta CBISDDSM aineistosta [1]. 

Segmentaatio

Segmentoinnin tarkoituksena on jaotella digitaalinen kuva eri osiin eli segmentteihin. Jokainen erillinen segmentti edustaa erityyppistä rakennetta. Kuvan segmentointi on tärkeä prosessi tietokoneen digitaalisessa kuvankäsittelyssä [2]. 

Lääketieteellisessä kuvantamisessa kuvasegmentointia käytetään poimimaan kliinisesti merkityksellistä tietoa kuvista, jolloin esimerkiksi radiologit voivat hyödyntää segmentoitua kuvaa jaottelussa eri elimiin tai kudostyyppeihin [3]. Lisäksi tietokoneiden on helpompi analysoida valmiiksi segmentoituja kuvia analysoimalla vain segmentoitu alue [4, 2, 5]. Segmentoinnin tulos voidaan esittää kuvasegmentteinä, jotka peittävät kuvan mielenkiintoalueen (Kuva 3), tai ääriviivoina, jotka ovat erotettu segmentoidusta kuvasta (Kuva 2) [4]. 

Mammografiakuvasta voidaan erotella eri segmentteihin kuvattu rinta, rintalihas, ihopoimujen ja nännin alue (Kuva 2). Segmentoitavat mielenkiintoalueet riippuvat diagnostisesta tehtävästä. 

Segmentoitua rintalihasta voidaan käyttää apuna rauhaskudoksen pinta-alaa arvioidessa [6, 7], missä rintasyöpä yleensä esiintyy [8]. Rintalihaksen segmentointi ennen mammografian analysointia automaattisesti on tärkeä prosessi, sillä rintalihaksessa on tiivistä kudosta, joka voi muistuttaa rakenteeltaan rintasyövän kaltaista massaa. Siksi segmentoinnin epäonnistuminen voi aiheuttaa enemmän vääriä positiivisia löydöksiä mammografiakuvien luennoissa [9]. 

Rinnan huono asettelu voidaan tunnistaa segmentoidun nännin paikasta mammogrammeissa [10]. Lisäksi ihopoimujen aiheuttamat kuvavääristymät voivat heikentää mammografiakuvan laatua, sillä ne voivat näyttää poikkeavuuksilta, mikä voi aiheuttaa tulkintavirheitä [11, 12]. Ihopoimujen poistomenetelmää voidaan käyttää poistamaan nämä kuvavääristymät [13].

 

Syväoppiminen

Syväoppimisen (deep learning) mallit ovat viime aikoina kehittyneet valtavasti ja uusia menetelmiä on kehitetty paljon nimenomaan digitaalisten kuvien segmentointiin [14, 15, 16, 17, 18]. Tästä on hyvä esimerkki, U-Net konvoluutioneuroverkko, joka kehitettiin biolääketieteellisten kuvien segmentointiin [14]. 

U-Net arkkitehtuurissa on useita ”kerroksia” erilaisia matemaattisia operaatioita (konvoluutio-operaatioita, ReLUaktivointifunktioita ja max-pooling-operaatioita), joiden voidaan ajatella kerros kerrokselta lisäävän kuvasta saatavia mielenkiintoisia piirteitä samalla kuin kuvan spatiaalista informaatiota (käytännössä kuvan kokoa) vähennetään. 

Tämän jälkeen tulee uusi sarja erilaisia matemaattisia operaatioita (up-konvoluutioita), joiden tarkoituksena on yhdistää (skip connection) aikaisimmista kerroksista löydetyt piirteet ja palauttaa kuvan spatiaalista informaatiota (segmentoitava kuva palautuu alkuperäiseen kokoonsa). Lopputuloksena verkosta saadaan ulos segmentoitu kuva. 

Verkkoa siis opetetaan kuvapareilla (kuva 3) ja tällaista opetusdataa mallin hyvän yleistettävyyden takaamiseksi vaaditaan suuri määrä. U-Net arkkitehtuurin avulla 512x512 -kokoisen kuvan segmentointi vie alle sekunnin nykyaikaisella näytönohjaimella [14].

 

Mammogrammien segmentointi

Mammogrammien segmentointi on tärkeä esimerkiksi rinnan erottamiseksi muista rakenteista kuten rintalihaksesta [19]. 

Segmentointi voidaan tehdä syväoppivan neuroverkon avulla, kun verkko koulutetaan annotoidulla opetusdatalla eli verkolle annetaan opetusdataksi valmiiksi segmentoituja kuvia (alkuperäisiä kuvia ja valmista segmentointia edustavia maskeja, kuva 1 ja kuva 3). Syväoppivan verkon soveltaminen edellyttää kuitenkin annotoitua opetusdataa (kuvia ja maskeja, kuva 1 ja kuva 3), jotta syväoppiva neuroverkko voidaan opettaa segmentoimaan. Usean luokan (multi-class) segmentointitekniikoiden avulla voidaan segmentoida eri luokkia eli voidaan erotella useita erilaisia rakenteita kerralla [20]. 

Opetukseen vaadittavat segmentointimaskit pitää tehdä manuaalisesti ja työhön on olemassa valmiita annotaatiotyökaluja, kuten CVAT annotaatiohjelmisto [21]. CVAT annotaatio-ohjelmisto on ilmainen ja erittäin yksinkertainen merkintätyökalu, jota voidaan käyttää maskien tuottamiseen (Kuva 2). Rinta sisältää erilaisia kudosrakenteita, joten mallin kouluttamiseksi annotoidaan yleensä useita segmentoituja maskeja (kuva 3).

Kun syväoppiva neuroverkko on opetettu, voidaan mammografiakuvassa näkyvät kudosrakenteet segmentoida eri osiin automaattisesti. Lisäksi syväoppivilla menetelmillä voidaan segmentoida tarkasti taittuneet ihoalueet sekä nännit, joiden segmentointi on erittäin haastavaa perinteisiä ei-syväoppivia menetelmiä käyttäen.

 

Kuva 2. Esimerkki CVAT-annotaatiotyökalun käytöstä. Kuvassa näkyy erilaisia käsin tehtyjä maskeja. Eri värit kuvastavat eri rintakudotyypejä. Oranssi on koko kuvattu rinta, vaaleanpunainen on rauhaskudos, sininen on rintalihas, keltainen on nänni ja vihreä on ihopoimu.

Aiheeseen liittyvä työ

Lääketieteellisten kuvien segmentointia on tutkittu paljon, sillä segmentointityötä tehdään sairaalassa ja lääketieteen tutkimuksessa laajasti [22, 23, 18]. 

Rintalihakset voidaan segmentoida mammografiakuvasta käyttämällä perinteisiä (kuvan reunantunnistusta ja kynnystämistä käyttäviä menetelmiä [24]), ei-syväoppimiseen perustuvia menetelmiä. Mutta esimerkiksi rintamassojen segmentointiin on kehitetty syväoppiva automaattinen segmentointimenetelmä (hyödyntää strukturoitua tukivektorikonetta [25]). 

Mammografiakuvien segmentoinnista kiinnostuneille suosittelemme tutustumaan julkaisuun [26]. Siinä on kartoitettu syväoppivien konvoluutioneuroverkkojen tämänhetkinen soveltuvuus muun muassa mammografiakuvien segmentointiin.

 

Kuva 3. Esimerkkikuva kuvamaskeista. Oranssi on koko kuvattu rinta, vaaleanpunainen on rauhaskudos, sininen on rintalihas, keltainen on nänni ja vihreä on ihopoimu.

Lähdeluettelo:

[1] Rebecca Sawyer Lee et al. “A curated mammography data set for use in computer-aided detection and diagnosis research”. In: Scientific Data 4 (2017), pp. 1941–1953. doi: 10.1038/sdata.2017.177.

[2] Alberto Garcia-Garcia et al. A Review on Deep Learning Techniques Applied to Semantic Segmentation. 2017. arXiv: 1704.06857 [cs.CV].

[3] Neeraj Sharma and Lalit M Aggarwal. Automated medical image segmentation techniques. 2010. doi: 10.4103/0971-6203.58777.

[4] S. S. Varshney, N. Rajpal, and R. Purwar. “Comparative study of image segmentation techniques and object matching using segmentation”. In: 2009 Proceeding of International Conference on Methods and Models in Computer Science (ICM2CS). 2009, pp. 1–6. doi: 10.1109/ICM2CS.2009. 5397985.

[5] Vairaprakash Gurusamy, Subbu Kannan, and G.Nalini. “Review on Image Segmentation Techniques”. In: Oct. 2014.

[6] N Karssemeijer. “Automated classification of parenchymal patterns in mammograms”. In: Physics in medicine and biology 43.2 (Feb. 1998), pp. 365–378. issn: 0031-9155. doi: 10.1088/0031-9155/43/2/011.

[7] T Matsubara et al. “An automated classification scheme for mammograms based on amount and distribution of fibroglandular breast tissue density”. In: International Congress Series 1230 (2001). Computer Assisted Radiology and Surgery, pp. 545–552. issn: 0531-5131. doi: https://doi.org/ 10.1016/S0531-5131(01)00085-1.

[8] Nafiza Saidin et al. “Segmentation of Breast Regions in Mammogram Based on Density: A Review”. In: arXiv preprint arXiv:1209.5494 9 (Sept. 2012).

[9] Yanfeng Li et al. “Pectoral muscle segmentation in mammograms based on homogenous texture and intensity deviation”. In: Pattern Recognition 46.3 (2013), pp. 681–691. issn: 0031-3203. doi: https://doi.org/10. 1016/j.patcog.2012.09.021.

[10] Manju Bala Popli et al. “Breast Positioning during Mammography: Mistakes to be Avoided”. In: Breast cancer : basic and clinical research 8 (2014), pp. 119–124. issn: 1178-2234. doi: 10.4137/bcbcr.s17617.

[11]  Early detection of breast cancer for health professionals course. url: http: //earlydetectionofbreastcanser.weebly.com/.

[12] Albert Gubern-M´erida et al. “Breast Segmentation and Density Estimation in Breast MRI: A Fully Automatic Framework”. In: IEEE journal of biomedical and health informatics 19 (Jan. 2015), pp. 349–57. doi: 10.1109/JBHI.2014.2311163.

[13] Mohammad Razavi et al. “Towards Accurate Segmentation of Fibroglandular Tissue in Breast MRI Using Fuzzy C-Means and Skin-Folds Removal”. In: Image Analysis and Processing — ICIAP 2015. Ed. by Vittorio Murino and Enrico Puppo. Cham: Springer International Publishing, 2015, pp. 528–536.

[14] Olaf Ronneberger, Philipp Fischer, and Thomas Brox. U-Net: Convolutional Networks for Biomedical Image Segmentation. 2015. arXiv: 1505. 04597 [cs.CV].

[15] Shervin Minaee et al. Image Segmentation Using Deep Learning: A Survey. 2020. arXiv: 2001.05566 [cs.CV].

[16] Shidan Wang et al. “Pathology Image Analysis Using Segmentation Deep Learning Algorithms”. In: The American Journal of Pathology 189.9 (2019), pp. 1686–1698. issn: 0002-9440. doi: https://doi.org/10.1016/j. ajpath.2019.05.007.

[17] Moeskops Pim et al. “Deep Learning for Multi-task Medical Image Segmentation in Multiple Modalities”. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2016. Ed. by Ourselin Sebastien et al. Cham: Springer International Publishing, 2016, pp. 478– 486.

[18] Matthew Lai. “Deep Learning for Medical Image Segmentation”. In: CoRR abs/1505.02000 (2015). url: http://arxiv.org/abs/1505.02000.

[19] A. Bosch et al. “Modeling and Classifying Breast Tissue Density in Mammograms”. In: 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’06). Vol. 2. 2006, pp. 1552–1558. doi: 10.1109/CVPR.2006.188.

[20] A. A. Novikov et al. “Fully Convolutional Architectures for Multiclass Segmentation in Chest Radiographs”. In: IEEE Transactions on Medical Imaging 37.8 (2018), pp. 1865–1876. doi: 10.1109/TMI.2018.2806086.

[21] Boris Sekachev, Nikita Manovich, and Andrey Zhavoronkov. Computer Vision Annotation Tool. Oct. 2019. doi: 10.5281/zenodo.3497106.

[22] Mohammad Hesam Hesamian et al. Deep Learning Techniques for Medical Image Segmentation: Achievements and Challenges. 2019.

[23] Intisar Rizwan I Haque and Jeremiah Neubert. “Deep learning approaches to biomedical image segmentation”. In: Informatics in Medicine Unlocked 18 (2020), p. 100297. issn: 2352-9148. doi: https://doi.org/10.1016/ j.imu.2020.100297.

[24] S. M. Kwok, R. Chandrasekhar, and Y. Attikiouzel. “Automatic pectoral muscle segmentation on mammograms by straight line estimation and cliff detection”. In: The Seventh Australian and New Zealand Intelligent Information Systems Conference, 2001. 2001, pp. 67–72.

[25] N. Dhungel, G. Carneiro, and A. P. Bradley. “Deep structured learning for mass segmentation from mammograms”. In: 2015 IEEE International Conference on Image Processing (ICIP). 2015, pp. 2950–2954.

[26] Dina Abdelhafiz et al. “Deep convolutional neural networks for mammography: advances, challenges and applications”. In: BMC Bioinformatics 20 (2019).

Tekoäly, robotiikka ja kehittyvä terveydenhuolto

Kirjoittaja: Helinä Heino

 

Tekoälystä tehokkuutta terveydenhuoltoon. Kuva Pixabaysta.

 

Hoitajat joutuvat käyttämään merkittävän osan työajastaan erilaisten välineiden kuljetukseen ja siirtelyyn. Esimerkiksi Seinäjoen keskussairaalassa ollaan siirrytty käyttämään TUG-kuljetusrobottia, joka voidaan kutsua paikalle älypuhelimella ja tilata tarvittavia liinavaatteita ja lääkkeitä. Tällaisia logistisia ratkaisuja voisi hyödyntää myös esim. sänkyjen ja lääkintälaitteiden siirrossa, jotka saattavat olla pitkienkin matkojen päässä. Tällä tavoin sairaanhoitajien työaikaa vapautuu varsinaiseen potilastyöhön. Robotiikasta saadaan myös apua kirurgisiin toimenpiteisiin, sillä operaatiot voidaan suorittaa vähemmän invasiivisilla toimintatavoilla kuin aiemmin. Näin potilaalla on edellytykset toipua nopeammin, kun leikkaushaavat ovat pienemmät. Robottiavusteinen sänky taas helpottaa potilaiden siirtelyä ja helpottaa hoitajan työn fyysistä kuormittavuutta. Tekniikan kehittyessä robotiikka voisi tuoda apua erityisesti vanhuksille ja muille liikuntarajoitteisille.

Apteekkari uutisoi (apteekkari.fi, 19.06.2017), että jo joka neljännessä apteekissa on käytössä apteekkirobotti, joka toimii varastoautomaattina. Robotti lajittelee saapuvat lääkkeet optimaalisella tavalla, jolloin asiakkaan tullessa hakemaan lääkettä, voidaan tilaus toimittaa robottiavusteisesti tiskille tehokkasti ja asiakastilanne voidaan hoitaa loppuun ilman keskeytyksiä.

Moni on saattanut kuulla kotihoidossa käytettävästä lääkerobotista. Robotti on pöydälle laitettava kilon painoinen laite, joka annostelee lääkkeen tiettyyn kellonaikaan ja antaa muistutuksen lääkkeiden ottamisesta. Jos annospussia ei ole otettu, saa hoitohenkilökunta hälytyksen ja pystyy näin reagoimaan tilanteeseen. Tällä tavoin voidaan helpottaa aamuruuhkia kun hoitajien ei tarvitse käydä pelkästään lääkkeenjakokäynneillä. Robotti kustantaa esim. Siun sotelle (Pohjois-Karjalan kuntien ja Heinäveden julkiset sosiaali- ja terveyspalvelut) alle 200 euroa kuukaudessa, kun työntekijän välittömän työajan kustannus on arviolta 70 euroa per tunti.

Sähköiset asiointipalvelut puolestaan nopeuttavat avun saamista ja samalla vähentävät turhia matkoja. Tulevaisuudessa osa konsultaatiotapaamisista voidaan hoitaa etäyhteyden välityksellä. Tällaista voisi käyttää esim. fysioterapiaan liittyvissä tapaamisissa, kun varsinainen konsultaatio ei vaadi fyysistä paikallaoloa. Nettiajanvaraus taas lyhentää puhelinjonoja ja ohjausta vaativat asiakkaat saavat nopeammin henkilökohtaista avustusta.

Tällä hetkellä käytössä on siis varsin monia arkipäivää helpottavia teknisiä sovelluksia. Tekoälylle ei ole yksikäsitteistä määritelmää, mutta keskeistä on, että se pystyy mukauttamaan toimintaansa vaihtelevissa olosuhteissa ja sen toimintaa voidaan parantaa antamalla koulutusvaiheessa suurempi määrä opetusdataa analysoitavaksi. Tekoälylle ei ohjelmoida perinteisiä tapauskohtaisia ”if-lauseita”, vaan tekoälyalgoritmi oppii itsenäisesti nämä säännöt eli funktion (joka voi olla hyvinkin monimutkainen ratkaisu), jota se soveltaa sille syötetylle datalle.

Robotti voi toimia tekoälypohjaisella algoritmilla tai ”yksinkertaisemmassa” tapauksessa se voi olla ns. perinteisellä, tapauskohtaisella tavalla ohjelmoitu toiminnallisuus. Tekoälyä tarvitaan tapausten käsittelyyn, jossa tällaisen tapauskohtaisesti ohjelmoidun ”if-else-funktion” tuottaminen manuaalisesti on käytännössä mahdotonta, monimutkaisista olosuhteista ja mahdollisuuksista johtuen.  

Tarkkuutta ja tehokkuutta terveydenhuoltoon?

Jos vähänkään seuraa uutisointia, niin ei voi välttyä kuulemasta keskustelua terveydenhuollon säästötavoitteista. Väestön ikärakenne ja siitä aiheutuva epäsuhtainen huoltosuhde aiheuttavat päänvaivaa. Väestön vanhetessa terveydenhuolto kokee paineita vastata kasvavaan kysyntään erilaisille tutkimuksille ja hoidoille. Samaan aikaan pitäisi kuitenkin onnistua pitämään budjetti kuosissa ja hoidon laatu tasokkaana.

Tekoäly voi tarjota jäsennellyn analyysiehdotuksen diagnostiikan tueksi. Kuva Pixabaysta.

Vastauksena resurssipulaan voisi toimia tekniset ratkaisut, kuten tekoäly. Joku saattaisi jopa käyttää termiä innovatiiviset ratkaisut. Ideana on, että hyödyntämällä terveydenhullossa tällaista uutta tekniikkaa, voidaan joitain tehtäviä automatisoida tai ainakin helpottaa, jolloin hoitohenkilökunnalla on enemmän aikaa vastata potilaiden tarpeisiin. Voidaan myös pienentää tahattomasti aiheutuvien inhimillisten virheiden määrää (esim. lääkkeden annostelu), sillä optimoitu tekoäly ei kärsi huomion herpaantumisesta tai väsymyksestä. Samalla terveydenhullon kustannuksia saadaan pienennettyä.

Tekoälypohjaisia menetelmiä voidaan myös käyttää diagnoosin tukena, sillä tekoäly pystyy käsittelemään valtavan määrän dataa suhteellisen pienessä ajassa ja mahdollisesti löytämään oirekuvista piirteitä, joita ammattilainenkaan ei välttämättä olisi tullut huomanneeksi. Lopullista diagnoosia varten on siis enemmän jäsenneltyä informaatiota saatavilla kuin aiemmin.

Loppujen lopuksi tekoäly ei ole mitään muuta kuin optimoitu algoritmi joka suorittaa opittua toiminnallisuutta. Tällä hetkellä kritiikkiä aiheuttaa ns. ”black box -ajattelu”, jolla tarkoitetaan sitä, että tekoälypohjaiset ohjelmat antavat luokituksen mutta varsinaista syytä tähän tulokseen päätymiseen ei välttämättä ole pystytty ilmaisemaan selkeästi. Tämä johtuu siitä että käsiteltävälle datalle suoritetaan laskennallisia muunnoksia, joita ihmismieli ei täysin pysty hahmottamaan. Tästä aiheutuu ymmärrettävästi hämmennystä.

Vastaukseksi on esitetty mm. toimintatapaa jossa tekoälyn pitäisi pystyä antaamaan ehdot joita muuttamalla päästään toisenlaiseen luokitustulokseen. Esimerkiksi lainanannon eväämisen yhteydessä (luokitus: laina evätty) viesti voisi olla että asiakkaan tulisi hankia tietynsuuruiset säännölliset kuukausiansiot, jotta hän pystyy hoitamaan lainan takaisinmaksun. Tekoälypohjaisilla menetelmillä ollaan saatu lupaavia tuloksia erityisesti lääketieteellisten kuvien analyysissä, joten avataan tätä asiaa hieman tarkemmin omassa kappaleessaan.

Lääketieteellisten kuvien analyysi

Kuvantamisella tutkittavien rakenteiden analyysi (luokitus) on asiantuntijoillekin paikoin hyvin hankalaa, vaikka ei otettaisi huomioon mahdollisia kuvausvirheitä, varjostumia ja kuvissa esiintyvien rakenteiden päällekkäisyyttä. Analyysiin vaikuttaa ympäröivien rakenteiden koostumus, potilaan ikä (kudos muuttuu vanhetessa), sukupuoli, mahdolliset lääkitykset jne. Tulkinnan tueksi ei ole yksiselitteistä referenssikuvaa, sillä oireettoman potilaan kuvista voidaan osoittaa visuaalisen tulkinnan perusteella epäilyttäviä rakenteita, kun taas kipuja kokevaan potilaan kuvista ei välttämättä löydy mitään erityisen hälyttävää informaatiota.

Alaselkäkipujen diagnostiikka on tästä vaikeatulkintaisuudesta hyvä esimerkki. Merkittävän suuri osa ihmisistä kokee jossain kohtaa elämässään alaselkäkipuja mutta kivun syytä ei useimmiten saada selvitettyä. Luonnollisestikin yksilöllisiä hoito-ohjeita on melkoisen vaikea laatia, kun ei tiedetä mistä ongelmat johtuvat. Selkeästi rakenteellisia ongelmia ei korjata fysioterapialla, mutta erilaiset selän alueen jännitystilat voidaan purkaa oikeanlaisilla harjoitteilla. Olisi siis oleellista kehittää menetelmä jonka avulla voitaisiin paikantaa näitä kipua aiheuttavia rakenteellisuuksia ja näin pystyttäisiin auttamaan paremmin kipuilevia potilaita.

Rintasyöpäseulonnoissa taas ns. tiivis rinta (nuorilla naisilla esiintyy runsaasti rauhaskudosta) aiheuttaa erityisiä haasteita kuvien tulkintaan, sillä tässä tapauksessa mahdollisen tuumorin ja rintakudoksen rakenteet ovat niin lähellä toisiaan, että mammogrammeihin ilmestyy vain heikkoa, vaikeatulkintaista kontrastieroa. Tosin myös ns. normaalin rinnan mammogrammeja on haasteellista tulkita, sillä kuten edellä selitettiin, ympäröivä kudos ja monet muut tekijät vaikuttavat tulkintaan, eikä selkeää referenssikuvaa ole olemassakaan.

Yhteistä erilaisille kuvantamistutkimuksille on kuvantamisesta kertyvä datamäärä ja tulkintaa vaikeuttava ihmismielen rajallinen hahmotuskyky. Loppujen lopuksi kuvat ovat numeroista koostuvia matriisiesityksiä, joissa kunkin pikselin numeerinen arvo antaa kuvaan tietyn harmaasävyn (tai värin). Ihmissilmä taas kykenee hahmottamaan hyvin rajallisen määrän erilaisia sävyjä. Jos tulkitsijan hahmotuskyky olisi riittävä puhtaan numeromatriisin tulkintaan eli pikselitason tulkintaa, niin pienetkin eroavaisuudet kudosten tiheydessä saataisiin havaittua. Mahdollisesti voitaisiin myös havaita varhaisen vaiheen tuumoreita, jolloin paranemisennuste olisi lupaavampi kun hoidot voitaisiin aloittaa hyvin varhaisessa vaheessa.

Datamassassa on siis niin paljon informaatiota että diagnoosia tekevä ihminen ei yksinkertaisesti pysty havainnoimaan kaikkea. Käsiteltävää datamäärää voisi verrata tilanteeseen jossa lattialle kumotaan hillitön (lääketieteellinen kuva luokkaa 512 x 512) kasa pienen pieniä nastoja (vrt. yksittäinen pikseli), joiden rakenteessa ja värissä on vain hienovaraisia eroavaisuuksia. Tarkassa tulkinnassa tulisi ottaa huomioon jokaisen nastan antama informaatio ja vertailla sitä ympärillä oleviin kohteisiin. Samalla tulisi tarkastella nastojen muodostamaa kokonaisuutta ja silmäillä valmistajan raporttia nastojen valmistusprosessista (vrt. sukupuoli, ikä, lääkehoidot jne. vaikuttavat kudoksen rakenteeseen) ja saada tästä järkevä tulkinta aikaiseksi.

Tekoälyn (lopulta tietokone tai muu prosessoiva yksikkö, joka pyörittää algoritmia) ”työmuistilla” on huomattavan paljon paremmat resurssit tai ainakin parempi kyky allokoida muistia tiettyyn tehtävään kuin ihmisellä (aivojen muistikapsiteetti luokkaa 1 TB), joten edellä kuvatun kaltainen datan tarkka analyysi ja vertailu on mahdollista. Tehoja lisäämällä voidaan tarkastella enemmän vaihtoehtoja (tarkempi analyysi) ja silti saada analyysiehdotus järkevässä ajassa.

Tekoälyn avulla voitaisiin siis nopeuttaa, tarkentaa ja tehostaa diagnostiikkaa, kun joitain välivaiheita voitaisiin automatisoida ja lopullista diagnoosia tekevälle lääketieteen asiantuntijalle olisi enemmän hyvin strukturoitua (merkityksellistä) dataa saatavilla kuin aiemmin.

Lähteitä:

https://www.apteekkari.fi/uutiset/robotti-joka-neljannessa-apteekissa.html

https://yle.fi/uutiset/3-10850897

https://yle.fi/uutiset/3-11030825

https://www.ilkka.fi/tilaajalle/maakunta/tuoko-veturi-jatkossa-laakkeet-lapsille-katso-video-keskussairaalan-uudesta-robotista-1.2125085