Suomalaistutkijoiden kehittämä syväoppimismalli tunnistaa tarkasti diabeteksen aiheuttamia silmäsairauksia
Uusi syväoppimismalli tunnistaa täsmällisesti diabeettisen retinopatian eli silmän verkkokalvosairauden ja sen aiheuttaman makulaturvotuksen vakavuusasteen. Tutkimustulokset on julkaistu Nature Scientific Reportsissa.
Syväoppimismalli tunnisti verkkokalvosairauden vähintään yhtä hyvin tai jopa paremmin kuin aiemmissa tutkimuksissa kehitetyt vastaavat mallit, vaikka mallin kouluttamiseen käytettiin vain 29 000 kuvan aineistoa. Malli tunnisti sairauksia täsmällisemmin, kun koulutuksessa hyödynnettiin korkealaatuisia ja -resoluutioisia kuvia diabetespotilaiden silmänpohjista.
”Mallista voisi rakentaa automatisoidun tunnistusmenetelmän, joka joko tukisi lääkäreiden työtä tai toimisi itsenäisempänä diagnosointityökaluna”, sanoo tutkija Jaakko Sahlsten.
Tutkimustulokset viittaavat siihen, että syväoppimisen avulla diabetekseen liittyvien silmäsairauksien seulontaa ja diagnosointia voitaisiin tehostaa. Järjestelmää voitaisiin soveltaa kliinisissä tutkimuksissa, jotka vaativat tarkkaa luokittelua.
”Tällä hetkellä lääkärit katsovat silmänpohjakuvat tietokoneelta, ja tekevät päätöksen erikoislääkärin lähetteestä diabeettisen retinopatian luokitteluasteikon ja kokemuksensa perusteella. Tälle seulontaprosessille on asetettu tarkat ohjeistukset tarkkuuden suhteen esimerkiksi Suomessa ja Englannissa, jotka malli myös ylittää korkealla marginaalilla”, jatkaa tutkija Joel Jaskari.
Silmän verkkokalvosairaus on yksi yleisimmistä diabeteksen liitännäissairauksista, joka voi hoitamattomana johtaa vakavaan näön heikkenemiseen ja jopa silmän sokeutumiseen. Tällä hetkellä diabeteksen aiheuttamien silmäsairauksien tunnistamiseen käytetään yleensä silmänpohjan tai verkkokalvon kuvantamista, ja taudin vakavuuden ja asteen arvioi lääkäri.
Diabetes on kaikkialla maailmassa ilmenevä sairaus. Se yleistyy nopeasti, minkä vuoksi myös silmänpohjan ja verkkokalvon kuvantamisten määrä kasvaa. Tämä lisää terveydenhuollon ammattilaisten työtaakkaa sekä terveydenhuollon kustannuksia. Automatisoitu tunnistusmenetelmä, joka joko tukisi ammattilaisten työtä tai toimisi varsinaisena diagnosointityökaluna, helpottaisi tilannetta.
”Suomalaisen terveydenhuollon korkealaatuiset arkistoidut kuvamateriaalit ovat mahdollistaneet tämän työn ja kannustavat tutkimaan tekoälypohjaisten ratkaisujen soveltuvuutta diabeteeksen liittyviin ja liittymättömiin sairauksiin ja komplikaatioihin", toteaa professori Kimmo Kaski.
Tutkimusryhmään kuului tutkijoita Aalto-yliopiston tietotekniikan laitokselta, Suomen tekoälykeskuksesta (FCAI, Finnish Center for Artificial Intelligence) ja lääkäreille silmäsairauksien seurantapalveluita tuottavasta Digifundus-yrityksestä ja Keski-Suomen keskussairaalasta.
Linkki tutkimusartikkeliin:
äپdz
Lue lisää uutisia
Tutkijat kytkivät lähes ikiliikkuvan aikakiteen ensimmäistä kertaa ulkoiseen värähtelijään – voi kasvattaa kvanttitietokoneiden laskentatehoa
Aikakide on moninkertaisesti pitkäikäisempi kuin muut kvanttijärjestelmät, joten sitä voitaisiin hyödyntää esimerkiksi kvanttitietokoneiden laskentatehon sekä mittauslaitteistojen tarkkuuden kasvattamiseen.
Glitch-teos haastaa näkemään taiteen eri valossa
Laura Könösen veistos paljastettiin 14.10. Otaniemen kampuksella.
Esittelyssä Qi Chen: Luotettava tekoäly tarvitsee algoritmeja, jotka selviävät yllätyksistä
Tekoälyn kehittäjien on keskityttävä sovellusten turvallisuuteen ja oikeudenmukaisuuteen, sillä ne liittyvät suoraan yhteiskuntien luottamukseen ja tasa-arvoon, sanoo tutkija Qi Chen.