���ʵ���

Lääkäri katsoo potilaansa röntgenkuvaa ja analysoi näkemäänsä. Ammattitaitonsa ansiosta hän pystyy tekemään diagnoosin potilaan terveydentilasta tästä otettujen kuvien perusteella.

Jo nyt tällainen lääkärin tietotaito voidaan ottaa talteen ja automatisoida. Syöttämällä tekoälylle suuri määrä valmiiksi luokiteltuja röntgenkuvia, se voi oppia diagnosoimaan sairauksia. Merkittävän tieteellisen läpimurron, ���ⱹä�DZ�辱���������, ansiosta tekoälylle ei tarvitse kertoa, mitä sellaista kuvissa näkyy, joka on johtanut tehtyyn diagnoosiin, vaan se pystyy löytämään säännöt diagnoosin tekemiseen itse.   

Tekoälystä ratkaisu terveydenhoidon työvoimapulaan?

”Terveydenhoito on yksi niistä aloista, joihin tekoäly tulee vaikuttamaan merkittävästi. Se on perinteisesti kallista ymmärrystä vaativa ala, mutta nyt osa tästä ymmärryksestä voidaan automatisoida”, työelämäprofessori Leo Kärkkäinen kertoo.

Hän uskoo, että tulevaisuudessa koneen tekemät lääketieteelliset diagnoosit ovat arkipäivää. Toistuvan ja aikaa vievän mekaanisen työn automatisoiminen voi vapauttaa terveydenhoidon ammattilaisten resursseja vaativampiin tehtäviin työvoimapulasta kärsivällä alalla.

Kärkkäinen on ollut mukana tutkimushankkeessa, joka liittyy lukinkalvon alaisen verenvuodon havaitsemiseen. Lukinkalvo erottaa aivokudoksen aivoissa sijaitsevista onkaloista. Jos jokin onkaloiden verisuonista alkaa vuotaa, aivoverenvuotoon tyypillisesti liittyviä neurologisia oireita ei aina – kovaa päänsärkyä lukuun ottamatta – ole havaittavissa. Useimmiten potilas kuvataan, mutta radiologi, joka pystyisi havaitsemaan vuodon kuvista, ei välttämättä ole paikalla. Tällaisissa tilanteissa tekoälyn tekemä diagnoosi voi pelastaa potilaan hengen. 

”Tämä on mielestäni tekoälyn soveltamista parhaimmillaan. Se ei välttämättä osaa tehdä asioita paremmin kuin ihminen, mutta se pystyy tekemään ne nopeammin, kellonajasta riippumatta, ja tämä on ehkä se kaikkein suurin etu”, Kärkkäinen sanoo.

Neuroverkko opettaa itseään

Syväoppiminen – josta käytetään myös nimeä neuroverkko – on koneoppimisen menetelmä, joka on saanut vaikutteita siitä, miten ihmisaivojen uskotaan toimivan. Neuroverkko koostuu valtavasta määrästä keinotekoisia hermoja eli neuroneita, jotka erikoistuvat ratkaisemaan niille syötettyjä tai muilta neuroneilta saatuja yksinkertaisia tehtäviä. Tieto siirtyy ylöspäin seuraaville neuronikerroksille, jotka voivat ratkaista yksinkertaisten ongelmien yhdistelmiä. Näin jokainen uusi kerros neuroneita käsittelee edellistä monimutkaisempaa ongelmaa.

Kuvantunnistus on yksi syväoppimista hyödyntävistä sovellusaloista. Siinä missä perinteiset koneoppimisen menetelmät vaativat erittäin monimutkaisia ohjelmallisia sääntöjä kuvassa näkyvien asioiden tunnistamiseksi, syväoppivaan järjestelmään syötetään suuri määrä valmiiksi luokiteltuja kuvia, jonka jälkeen se pystyy itse säätämään neuroverkon toimintaa tunnistustarkkuuden parantamiseksi. Se siis oppii itse. Mitä enemmän ja parempaa dataa järjestelmään syötetään, sitä monimutkaisimmista tehtävistä se pystyy suoriutumaan.

Yliopiston ja sairaaloiden tekemä yhteistyö mahdollistaa pääsyn muun muassa röntgenkuvien kaltaiseen suureen luokiteltuun aineistoon, jota syväoppiminen vaatii.

”Aalto-yliopisto on mukana tutkimushankkeissa, joiden tarkoituksena on yhdessä lääkäreiden kanssa löytää työkaluja, joilla auttaa ja nopeuttaa terveydenhuollon ammattilaisten työtä.”