Potilastyössä ja tutkimuksessa syntyy niin paljon kuvantamisdataa, ettei sitä pystytä tehokkaasti hyödyntämään ilman tekoälypohjaisia kuva-analyysimenetelmiä. Kuopioon perustettava kuva-analyysikeskus tukee sekä potilaiden hoitoa että kuvantamista hyödyntäviä yrityksiä ja tutkimusryhmiä. – Esimerkiksi aivokuvantamiseen tavalla tai toisella liittyvää tutkimusta tehdään täällä huomattavan paljon. Kokeellinen magneettikuvantaminen keskittyy Suomessa lähes kokonaan Kuopioon, professori Jussi Tohka toteaa yliopiston tiedotteessa.

Tohka aloitti kuluvan vuoden alussa Itä-Suomen yliopiston biolääketieteellisen kuva- ja signaalianalyysin professorina. Hän on johtanut jo muutaman vuoden ajan yliopiston A.I. Virtanen -instituutissa tutkimusryhmää, joka kehittää menetelmiä erityisesti aivokuvien automaattiseen analysointiin. Koneoppimiseen perustuvilla kuva-analyysimenetelmillä pyritään ennustamaan esimerkiksi muistisairauden yksilöllistä etenemistä tai tunnistamaan erilaisista interventioista eniten hyötyvät potilaat aivokuvien perusteella.

Koneoppiminen on tekoälyn osa-alue ja tarkoittaa tässä tapauksessa sitä, että tietokoneohjelma saa oppimateriaaliksi suuresta potilasjoukosta aivokuvia sekä tietoja taudin etenemisestä vuosien ajalta. Niiden pohjalta se rakentaa matemaattisen mallin, jonka avulla se voi arvioida kenen tahansa yksittäisen potilaan aivokuvasta lähivuosien ennusteen.

– Koneoppimisalgoritmit pyrkivät tekemään yksilöllisiä potilaskohtaisia ennusteita, toisin kujin perinteiset tilastolliset analyysit, jotka etsivät ryhmien välisiä eroja. Lääketieteellisen tutkimuksen kentällä ei ehkä olla vielä täysin sisäistetty näiden eri menetelmien erilaisia hyötyjä, Tohka huomauttaa.

Tohka johtaa parhaillaan hanketta, jonka keskeinen tavoite on lisätä tietoisuutta tekoälypohjaisen kuva-analyysin uusista mahdollisuuksista. Vuosina 2019–2021 toteutettavan Innovaatiopotentiaalin kasvattaminen kuva-analyysiosaamista kehittämällä – kuva-analyysikeskus KUBIAC -hankkeen kohderyhmiä ovat esimerkiksi sairaalafyysikot ja radiologit, tutkijat ja yritysten lääkekehittäjät, jotka hyödyntävät kuva-analyysiä työssään. Lisäksi koulutetaan kuva-analyysimenetelmien kehittäjiä.

– Hankkeessa painottuu koulutus ja osaamisen kehittäminen, mutta hankkeen jälkeen KUBIAC-keskuksen tarkoituksena tarjota myös kuva-analyysipalveluja. Lisäksi toiveena on edistää tutkijoiden ja yritysten yhteistyötä ja kuva-analyysiin perustuvaa liiketoimintaa. Tällä hetkellä Suomessa on vain kourallinen biolääketieteellistä kuva-analyysiä tarjoavia yrityksiä.

Tohkan mukaan kuva-analyysiosaamisen jalkauttamiselle on Kuopiossa tilausta esimerkiksi laajassa neurotieteiden tutkimusyhteisössä.

– Tutkimuksessa syntyy runsaita aivokuva-aineistoja, joita voidaan automaattisilla analyysimenetelmillä hyödyntää tehokkaasti. Alueellinen tietoallas tuo tulevaisuudessa tutkijoiden ulottuville myös paljon potilastyössä rutiininomaisesti syntyvää kuvantamisdataa.

KUBIAC-hanketta rahoittavat ESR, KYS ja yritykset. – KYSin kuvantamiskeskuksen kanssa meillä on meneillään pilotti, jossa koneoppimista sovelletaan aivoaneurysmien kuva-analyysiin. Pitkän tähtäimen tavoitteena on saada verisuonten magneettikuvista entistä enemmän tietoa lääkärien käyttöön.

– Koneoppiminen perustuu algoritmien opettamiselle. Niistä ei siis tule opettajaansa viisaampia eivätkä ne syrjäytä kuva-analyysin soveltamisen huippuosaajia, Tohka tähdentää.

– Ne kuitenkin saavat kuvista nopeasti irti tietoa, jonka rajaaminen vaatisi radiologilta tavattomasti aikaa. Lisäksi ne palvelevat tiedonsiirtoa, sillä kun algoritmeille opetetaan alan paras tieto, sitä pääsevät hyödyntämään kaikki käyttäjät.

Tekoälypohjainen kuva-analyysi näyttää radiologian alalla yleistyvän nopeasti. – Yhtenä mittarina voi käyttää Yhdysvaltain elintarvike- ja lääkeviraston FDA:n hyväksymien radiologisten tekoälysovellusten määrää. Euroopasta en ole löytänyt vastaavaa listaa, mutta USA:ssa hyväksyttyjä sovelluksia oli tämän vuoden alussa 80, kun vuoden 2020 alussa niitä oli vasta noin 40. Toki useimmat niistä perustuvat vielä melko yksinkertaiseen tekoälyyn, Tohka toteaa.

Hänen tutkimusryhmänsä jakaa kehittämiään menetelmiä aktiivisesti laajempaan käyttöön.

– Neurotieteellinen tutkimus on hyvin kollaboratiivista ja oma työmme puolestaan nojaa siihen, että alalta on myös avoimesti saatavilla laajoja aineistoja, joissa näitä menetelmiä voidaan kehittää ja soveltaa. Tekoälyn käyttöä on esimerkiksi Alzheimerin taudin tutkimuksessa edistänyt amerikkalaisen ADNI-neurokuvantamistietokannan perustaminen jo vuonna 2004.

– Meillä on yhteistyökumppaneina laaja joukko aivotutkijoita, joita kiinnostaa menetelmiemme käyttäminen omissa aineistoissaan ja joilta voimme ammentaa kuva-analyysiin tarvittavaa lääketieteellistä ymmärrystä. Jatkuva vuorovaikutus monien eri alojen asiantuntijoiden kanssa onkin tämän työn välttämättömyys ja hienous.

Esimerkiksi Madridissa sijaitsevan Reina Sofia Alzheimer-tutkimuskeskuksen kanssa Tohka pyrkii nyt hyödyntämään koneoppimista hyvin varhaisten muistiongelmien merkkien tunnistamiseen aivokuvista.

– Aivoissahan alkaa tapahtua muutoksia jo paljon ennen oireiden ilmaantumista ja nyt käytettävissä alkaa olla riittävän pitkäkestoisia seuranta-aineistoja, joissa niitä voidaan tarkastella lähtötilanteessa terveillä ihmisillä.

Hän toteaa kuitenkin kehittävänsä menetelmiä pikemminkin tutkimusketjun alkupäähän kuin varsinaiseen potilastyöhön.

– Kuopio tarjoaa ainutlaatuisen ympäristön erityisesti prekliinisten kuva-aineistojen analyysiin, sillä lähes kaikki eläimillä tehtävä kokeellinen magneettikuvantaminen keskittyy Suomessa tänne. Viime aikoina olemme julkaisseet erilaisia neuroverkkopohjaisia ratkaisuja prekliiniseen kuva-analyysiin.