Kuvantamisen arvoketjua muovaavat uudet teknologiat

Miika Nieminen 

professori, ylifyysikko 

Oulun yliopisto ja Oulun yliopistollinen sairaala

    

Tietokoneiden ja erityisesti näytönohjaimien laskentatehon kehittymisen myötä viime vuodet ovat olleet erittäin mielenkiintoisia teknologian ja tekoälyn vuosia. Myös lääketieteen teknologian tutkimuskentässä on eletty mielenkiintoisia vuosia. 

Uutiskynnyksen ovat ylittäneet mm. monet tutkimukset, joissa tekoäly on yltänyt tunnistustehtävässä ihmisen tasolle tai jopa päihittänyt hänet (Kuva 1).  

On myös maalailtu uhkakuvia: ketä syyttää tietokoneen tekemästä virheestä? Valmistuvat lääkärit ovat pohtineet kannattaanko radiologiaan erikoistua, jos tietokone vie työpaikat.

Kuva 1: Tekoälytutkimus on saanut viime vuosina merkittävää mediahuomiota.

Kuvantamisen arvoketju (kuva 2) koostuu kuvan tuottamisesta, kuvien analysoinnista ja tulkinnasta, lausunnon kirjoittamisesta ja potilaan hoitoon vaikuttavasta päätöksenteosta.

Seuraavassa esittelen lyhyesti käyttötapauksia omasta tutkimuksestamme, joissa tätä arvoketjua, erityisesti sen alkupäätä, voidaan parantaa, jotta kuvantamiseen liittyvä diagnostiikka olisi laadukkaampaa ja nopeampaa, ja säteilyannos pienempää.

Kuva 2: Kuvantamisen arvoketju

Tekoälystä seulojan kumppani?

Diagnostisessa kuvantamisessa tekoälyä voidaan hyödyntää mm. luokittelu-, segmentointi-, rekisteröinti- ja lokalisointitehtävissä.

Suomessa 30% diagnosoiduista syövistä ovat rintasyöpiä, ja rintasyöpään liittyviä seulontatutkimuksia tehdään meillä 300000 kpl vuodessa. Lainsäädäntö edellyttää kahden radiologin tekemää arviointia, ns. kaksoisluentaa. Radiologiresurssi ei vaan tahdo tähän aina riittää. 

Yhdessä hankkeistamme optimoimme rintasyöpäseulonnan työvirtaa kehittämällä koneoppimismenetelmiä tunnistamaan ns. helpot tapaukset, jolloin lääkärille jäisi enemmän aikaa hankalien tapausten tarkasteluun (kuva 3). Käytämme tutkimuksessa Oulussa keräämäämme n. 50000 potilaan aineistoa, jolle radiologimme ovat tehneet ison urakan tunnistamalla ja rajaamalla syövät mammografiakuvista. Haastamme nykyistä arvoketjua hypoteesillä asetelmasta jossa, toisen radiologeista voisi korvata tekoälyllä. Tekoälyn mukaanotto seulontaan tulee toki edellyttämään lainsäädännöllistä muutosta.

Kuva 3: Haastamme nykyistä mammografiatutkimusten seulontakäytäntöä ottamalla tekoäly toisen radiologin tilalle. Kuvassa oikealla tekoälyn tuottamat piirrekartat, joiden perusteella poikkeavat kudosmuutokset voidaan tunnistaa. (Isosalo, Inkinen, Ipatti, Turunen, Prostredná, Reponen, Nieminen)

Keskustelu tekoälyn paikasta laajemminkin eri arvoketjuissa käy vilkkaana; mikä on optimaalisin tapa integroida tekoäly terveydenhuoltojärjestelmään, annetaanko sille orjan, rengin vai jopa isännän rooli.

Missä kipu on? 

Alaselkäkipu on hyvin yleinen oire ja johtava liikuntakykyä rajoittava vaiva kautta maailman. Poikkeavia löydöksiä nähdään selän magneettikuvissa usein ja ne eivät välttämättä liity aina kipuun. Oulussa olemme tehneet tutkimusta Pohjois-Suomen v. 1966 syntymäkohortin selän magneettikuva-aineistolla, joissa meillä on tiedossa potilaiden kiputieto. Kiputiedolla ja kuvilla olemme kouluttaneet koneoppimisjärjestelmää etsimään ja osoittamaan ne kudosalueet, joilla kipua potevien magneettikuvat eroavat kivuttomien kuvista (kuva 4). Tällä hetkellä syväoppiva menetelmämme pystyy erottelemaan kipua potevat vapaaehtoiset kivuttomista 80%:n tarkkuudella.

Kuva 4: Kuvan mukaisilla ”lämpökartoilla” (engl. heatmap) voidaan graafisesti havainnollistaa ne kudosalueet, jotka tekoäly tunnistaa poikkeaviksi, kipuun liittyviksi kudosalueiksi. (Al-Rubaye, Ketola, Inkinen, Karppinen, Nieminen)

 

Miehittämätön röntgenkuvaus

Perinteinen röntgenkuvaus on hyvin työvoimaintensiivistä, laitteet kalliita ja useimmiten laitteet kiinteästi asennettuja. Saavutettavuus röntgentutkimukseen esim. pohjoisessa Suomessa puhumattakaan muualla maailmassa voi olla hyvinkin huono. Tutkimusyksikössämme olemme kehittäneet jalkautuvan sairaanhoidon kysyntään vastaava röntgenkuvauslaite raajojen röntgenkuvaukseen (kuva 5).

Missiona on tuoda kuvantamispalvelu lähelle potilasta jopa ilman fyysistä kuvaushenkilöstöä. Älykäs laite opastaa potilasta interaktiivisesti raajan asettelussa ja ottaa sen jälkeen kuvan automaattisesti. Näin voidaan pienentää kuvantamisen kustannuksia ja tuoda kuvantaminen lähemmäksi potilasta.

Laitteen prototyyppi on valmis, meillä on mm. STUKn ja FIMEAn luvat aloittaa testaaminen oikeilla potilailla pian.

Kuva 5: Visio miehittämättömän röntgenkuvauslaitteen ulkoasusta. (Liimatainen, Hanni, Tervonen, Nieminen)

                                                  

Magneettikuvausta nopeammin

Magneettikuvaus perustuu vesi- ja rasvamolekyylien vety-ytimien lähettämään signaaliin. Tyypillinen magneettikuvaustutkimus kestää n. 20 minuuttia ja se koostuu useista kuvasarjoista, joissa jokaisessa on kymmeniä kuvia erilaisella kuvakontrastilla. Yhdessä New Yorkin yliopiston kanssa olemme kehittäneet ja testanneet uutta magneettikuvausmenetelmää (kuva 6), ns. sormenjälkimagneettikuvausta (engl. magnetic resonance fingerprinting), minkä avulla voidaan yhdellä n. 5min kestävällä kuvauksella määrittää kuvauskohteen kudosten magneettiset ominaisuudet, ns. relaksaatioajat, jotka ovat vastuussa alkuperäisten kliinisten kuvasarjojen kontrastista. Relaksaatiokarttojen avulla on mahdollista tarkastella tiettyjä kudosmuutoksia tarkemmin ja kvantitatiivisesti. Kvantitatiivisten karttojen perusteella voidaan laskea em. kliiniset kuvasarjat ja näin toteuttaa kuvaus nykyistä huomattavasti lyhyemmässä ajassa. Teemme tutkimusta näiden synteettisten kuvien soveltuvuudesta radiologien käyttöön.

Kuva 6: Perinteinen polvinivelen magneettikuvasarja (A), Magnetic resonance fingerprinting -tekniikalla määritetyt relaksaatioaikakartat (B) ja näiden perusteella laskettu kliiniseen käyttöön soveltuva kuva (C). (Casula, Nissi, Nykänen, Nevalainen, Cloos, Lattanzi, Nieminen)

Paksuneulanäytteitä älyllä

Maailmassa diagnosoidaan vuosittain 18 miljoonaa syöpätapausta. Tyypillisesti syöpä diagnosoidaan neulanäytteestä. Tutkimuksesta riippuen jopa 30% neulanäytteistä epäonnistuu neulan puutteellisen kohdistuksen vuoksi. Olemme kehittäneet älyneulan auttamaan paksuneulanäytteen otossa (kuva 7). Uusi menetelmä auttaa radiologia ottamaan näytteen onnistuneesti kertomalla onko neula kohdekudoksessa. Itse menetelmässä hyödynnetään spektroskopiaa ja signaalianalyysissa tekoälyä. Menetelmän toimivuus on osoitettu eläinkokein ja tekoälypohjainen algoritmi tunnistaa oikean kudoksen tällä hetkellä yli 90% tarkkuudella.

 

Kuva 7: Älyneulalla paksuneulanäytteen ottaminen onnistuu aiempaa luotettavammin. (Surazynski, Lavonen, Myllylä, Mäkinen, Zhao, Nieminen, Nieminen)

 

Viipalekuvauksen tulevaisuus

Perinteisessä TT-kuvauksessa mitataan röntgensäteilyn vaimenemista potilaan eri puolilta ja tämän datan perusteella lasketaan viipalekuvia. Tämä ei ole kuitenkaan kaikissa tilanteissa tehokkain tai säteilyhygieenisin menetelmä. Vaihtoehtoisia ratkaisuja on useita. Sisätomografiassa voidaan rajoittaa kuvaus ja säteilytys tietylle vartalon mielenkiintoalueelle. On mahdollista kuvata vai rajoitettu alue (rajoitetun kulman tomografia) tai vain harvoja projektioita. Kuvista kuitenkin nähdään kuinka nämä ratkaisut heikentävät kuvalaatua koska perinteiset kuvarekonstruktioalgoritmit eivät saa kaipaamaansa dataa mielenkiintoalueen ulkopuolelta.

Otetaan avuksi tekoäly. Sama data, mutta opetetaan syväoppivalle algoritmille minkälaista anatomiaa kuva-alan ulkopuolella voi olla. Tuloksena on merkittävä parannus kuvanlaatuun kuten nähdään. Vaatii toki vielä tutkimusta mille kehon alueelle tämä menetelmä parhaiten sopii ja radiologien arviointia näkyykö kudokset ja patologiset muutokset niissä riittävän hyvin.

Kuva 8: Tietokonetomografian eri geometriat ja niiden tuottamat kuvat samalle datalle. Syväoppivan menetelmän käyttö parantaa merkittävästi kuvanlaatua. (Ketola, Heino, Juntunen, Nieminen, Siltanen, Inkinen)

Pohdinta

Usein kuulee kysyttävän: mitä vaatii se, että menetelmät saadaan klinikkaan.

Lyhyt vastaus on, että kymmenen vuotta. Suunnilleen niin kauan kestää uuden lääketieteen teknologian kehittäminen tuotantokäyttöön. Tarvitaan pitkäjänteistä tutkimus- ja kehitystyötä ja rahoitusta.

Pitkä vastaus on, että vaikka teknologian toimivuus on osoitettu, täytyy menetelmää testata toisenlaisessa aineistossa, vaikkapa muunmaalaisissa potilaissa, toisilla laitteilla, toisessa käyttöympäristössä. Lääkinnällisiin laitteisiin liittyvä regulaatio on erittäin tiukkaa.

Tekoälyalgoritmien opettaminen vaatii dataa. Suomessa potilaiden kuvantamisdatan toisiokäyttöä tulkitaan tiukimmin maailmassa ja voimme hävitä kilpailun teknologiakehityskisassa, mikä voisi tuoda euroja Suomeen. Vaikka 2019 voimaan astuneen ns. toisiolain tarkoitus oli selkeyttää lupamenettelyä ja tehostaa tietojen käyttöä tutkimuksessa vaikutus on ollut usein päinvastainen. Suomessa ei ole olemassa käyttöympäristöä mikä täyttäisi samalla lain tietoturvallisuusvaatimukset ja tarjoaisi laskennalliset työkalut esim. em. laskennallisten menetelmien kehittämiseen.

Kuvantamisdatan liikuttaminen eri maiden välillä testaus- ja kehittämistarpeisiin on hyvin hankalaa mutta se ei aina ole edes välttämätöntä – datan sijaan voidaan lähettää algoritmi testattavaksi luotettavalle yhteistyökumppanille tai jopa käyttää simuloitua dataa.

Teknologian ansiosta lääketiede on kymmenen vuoden päästä taas varmasti varsin eri näköistä. On tärkeää ymmärtää, että teknologia on ystävä eikä vihollinen. Monia sovellusalueita on varmasti vielä tunnistamatta ja niitä on syytä aktiivisesti kartoittaa tarvelähtöisesti. Luottamus tekoälyyn paranee, kun kehitämme matemaattisia menetelmiä ymmärtämään sen toimintaa eikä se ole meille enää pelkkä musta laatikko. Pystymme virtaviivaistamaan kuvantamiseen liittyviä prosesseja ja yhdistämään tekoälyn käsiteltäväksi kuvantamistiedon ohella muuta potilasinformaatiota ja hyödyntämään niitä. päätöksentekojärjestelmissä.

Tulevaisuudessa voimme ulkoistaa yhä useampia tehtäviä algoritmeille ja keskittyä niihin tehtäviin, joita kone ei osaa, ainakaan vielä.

 

Blogikirjoituksen sisältö on Miika Niemisen esitelmä Medical Research Center Oulun (Oulun yliopistollinen sairaala ja Oulun yliopisto) Kliinisen tutkimuksen päivässä 21.5.2021.

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