Väsymätön ja tarkka diagnostikko – koneoppiminen ravistelee terveydenhoitoa
Konenäön yhdistäminen koneoppimiseen avaa uusia mahdollisuuksia terveydenhoidossa. Datalähtöisen teknologian hyödyntäminen vaatii uutta osaamista ja datan ymmärtämistä.
Terveydenhoitoalan diagnostiikan laatua voidaan parantaa konenäön ja -oppimisen yhdistävillä asiantuntijajärjestelmillä. Hyvin koulutettu tekoälymalli (AI-malli) pystyy tunnistamaan lääketieteellisissä kuvissa piirteitä ja hahmoja, jotka voivat olla ihmissilmälle vaikeita havaita. Konenäköä ja -oppimista hyödyntävät ratkaisut pystyvät esimerkiksi luokittelemaan tauteja ja määrittämään syövän erilaistumisasteen.
AI-mallia käyttävän, lääketieteellisiä kuvia analysoivan sulautetun laitteen avulla ihmisen erikoisosaamista voidaan kopioida ja jakaa maailmanlaajuisesti kohtuullisin kustannuksin ja luotettavasti. Perinteinen malli, jossa asiantuntijat koulutetaan ja lähetetään maailmalle suorittamaan tehtäviään, on hidas ja kallis.
Terveydenhoitolaitokset ja alan ammattilaiset ovat kiinnostuneita laitteista, joilla pystytään kustannustehokkaasti parantamaan terveydenhoidon tasoa. Siten konenäkö ja -oppiminen edustaa lääketieteellisten laitteiden valmistajille valtavaa potentiaalia.
”Kuvien analysointi kuuluu konenäön ja -oppimisen potentiaalisiin käyttökohteisiin”, toteaa Etteplanin sulautettujen ohjelmistojen tiimipäällikkö Matthias Zumpe.
Erinomaiset tulokset, verkkoyhteys ei välttämätön
Sulautettua ratkaisua käytetään jo suoliston parasiittimunien laskemiseen näytteestä. AI-mikroskooppi automatisoi kuvantamisen ja käyttää tekoälyä eri parasiittien luokitteluun ja laskemiseen.
Aiemmin asiantuntija tarkasteli näytettä mikroskoopilla ja laski parasiitit kappalelaskurin avulla. Sulautettu laite on yhtä tarkka mutta nopeampi kuin ihminen, eikä sen tarvitse pitää taukoja.
”Tällaisia edullisia laitteita voidaan helposti toimittaa esimerkiksi kehittyvien maiden kouluihin auttamaan diagnostiikassa”, Zumpe sanoo. Laitteet kehittivät yhteistyössä Etteplan ja Johnson & Johnson.
Koneoppimismallin ajaminen vaatii laitteelta vain vähän suoritintehoa, eli apuun ei tarvita pilvilaskentaa.
Data haltuun
Tekoälyn maailmaan mukaan haluavan lääketieteellisten laitteiden valmistajan ensimmäinen askel on määrittää, minkälaista dataa koneoppimismallin kouluttamiseen on tarjolla.
”Organisaatiot saattavat toisinaan aliarvioida luotettavasti toimivan mallin kouluttamiseen vaadittavan datan määrän ja laadun”, Zumpe huomauttaa.
Oikeantyyppisen ja riittävän datan kerääminen kannattaa varmistaa etsimällä yhteistyökumppani, jolla on kokemusta koneoppimisesta, sillä se eroaa merkittävästi perinteisistä, esimerkiksi suodatinpohjaisista, kuvankäsittelymenetelmistä.
Tekoälyä hyödyntäviä tuotteita käytetään yleensä diagnostiikan ja päätöksenteon tukena.
”Perinteisesti kuvat esitetään hoitoalan ammattilaisille päätöksiä varten sellaisenaan, ja tähän verrattuna kuvien ja datan tulkinta koneoppimismallien avulla tuo mukanaan tietenkin tuntuvasti enemmän vastuuta ja noudatettavia määräyksiä”, Zumpe huomauttaa.
Lisäksi terveydenhuoltolait vaihtelevat maasta toiseen, mikä tekee määräysten mukaisen laitteen kehittämisestä haastavampaa.
Uusi teknologia vaatii uutta osaamista
Koska terveydenhoitosovelluksen kouluttamiseen käytettävä data voi olla luottamuksellista, koneoppimisprosessi voidaan joutua toteuttamaan paikallisella palvelimella.
”Datasta riippuen voi kuitenkin olla vaivattomampaa käyttää esimerkiksi Google Cloudia, AWS:ää, Microsoft Azurea tai muita valmiita koneoppimispalveluja pilviympäristössä. Meillä on kokemusta molemmista ympäristöistä”, Zumpe toteaa.
Kokenut kumppani pystyy auttamaan myös kuhunkin tapaukseen parhaiten sopivan koneoppimismallin valinnassa. Potentiaalisia sudenkuoppia riittää, ja aloittelijan voi olla vaikea tunnistaa niitä.
”Miten varmistaa, ettei malliin pääse luottamuksellisia potilastietoja? Miten asiantuntijajärjestelmästä saadaan syrjimätön ja eettinen? Tällaisiin kysymyksiin on vaikea vastata ilman koneoppimiseen erikoistunutta kumppania”, Zumpe painottaa.
Etteplanilla on kokemusta koko konenäkö- ja koneoppimisprosessin rakentamisesta alusta loppuun asti. On tietysti paljon mahdollista, ettei koneoppimista tarvita lainkaan.
”Tarkastelemme jokaista tapausta erikseen. Jos asiakkaan ongelma voidaan ratkaista yksinkertaisemmalla, edullisemmalla tavalla kuin koneoppimisella, suosimme tietenkin sitä. Koneoppimisen käyttö ei ole meille mikään itseisarvo. Se on vain yksi työkalu muiden joukossa, tosin hyvin tehokas sellainen”, Zumpe toteaa.