Eksponentiaalisesti kasvanut teko­älytutkimus lupaa radiologien avuksi sovelluksia, joiden avulla voidaan tunnistaa normaalia anatomiaa ja löytää erilaisia poikkeavuuksia hampaiden, leukojen ja kasvojen alueella. Nopea muodontunnistus voi tehostaa radiologin toimintaa esimerkiksi hektisissä päivystystilanteissa, vähentää inhimillisiä virheitä ja pienentää kustannuksia.

Tekoälyä on tutkittu 1980-luvulta asti, ja monet aiemmin tekoälynä pidetyt asiat, kuten äänentunnistus, ovat nyt arkipäivää. Tekoälytutkimus on kasvanut viime vuosina räjähdysmäisesti ja keskittyy tällä hetkellä lähinnä syväoppimiseen ja ihmisen hermoston toimintaa jäljitteleviin keinotekoisiin hermoverkkoihin, joita opetetaan tunnistamaan ja luokittelemaan tiettyjä piirteitä esimerkiksi kuvista. Huolellisesti ja riittävän laajalla aineistolla koulutetut tekoälyalgoritmit ovat osoittautuneet tehokkaiksi kapea-alaisissa tehtävissä.

Näissä tarkkaan rajatuissa tehtävissä tekoälyalgoritmit saavuttavat ihmisen tasoisen tai jopa ihmistä paremman suorituskyvyn. Algoritmeilla ei kuitenkaan ole assosiatiivista osaamista, eivätkä ne pysty ihmisen kaltaiseen toiminnanohjaukseen ja päättelyyn. Ihmisiä tarvitaan myös opettamaan dataa, kouluttamaan muita ihmisiä ja valvomaan laatua.

– Tekoälyalgoritmit tulevat nopeuttamaan ja tehostamaan radiologin toimintaa, mutta eivät kokonaan korvaa radiologin asiantuntijatyötä. Tulevaisuudessakin ihmisellä on viimeinen sana toisen ihmisen terveydestä, muistuttaa dosentti, radiologian erikoislääkäri Jussi Hirvonen.

Suomessa on tehty merkittävää tekoälytutkimusta muun muassa pään ja leukojen alueen anatomian tunnistamisessa ja kefalometristen pisteiden paikannuksessa. Tekoälyä on esimerkiksi opetettu tunnistamaan manibulaari­kanavan tarkka sijainti, tunnistamaan kariesleesioita sekä numeroimaan hampaita ja tunnistamaan hammaspuutoksia. Lääketieteessä tekoälysovelluksia on testattu esimerkiksi rintasyöpäseulonnassa, kalloleikekuvien analysoinnissa, keuhkomuutosten tunnistamisessa ja erottamaan esimerkiksi COVID-19­-­keuhkokuume muista löydöksistä.

Sovellusten validointi kliiniseen käyttöön edellyttää menetelmien vakautta, tarkkuutta, toistettavuutta ja yleistettävyyttä. Tämä edellyttää paitsi hermoverkkojen virittämistä ja vuosien työtä, myös moniammatillista osaamista.

– Kun kehitetään malli, se saattaa yli- tai alisovittaa aineistoa. Algoritmi tuleekin aina testata toisella materiaalilla, jota ei ole käytetty mallin kouluttamisessa, sanoo Hirvonen.

Tekoälymenetelmien laajaan kliiniseen käyttöön on vielä matkaa; käytössä on vasta harvoja tekoälysovelluksia.

– Tällä hetkellä ongelmana on, että tekoälysovellukset on tehty yleensä rajatuille kuvatyypeille, jolloin niitä ei välttämättä voida soveltaa yleisesti eri laitteilla otettuihin kuviin, sanoo radiologian erikoishammaslääkäri Jorma Järnstedt.

Tulevaisuudessa tekoäly voi kuitenkin tarjota laajasti tukea lääkäreille ja hammaslääkäreille. Tutkimukset antavat jo nyt viitteitä siitä, että tekoäly voi nähdä asioita, joita ihmissilmä ei pysty tunnistamaan.

Hirvonen nostaa esille myös kolikon toisen puolen: kuvien hakkeroinnin riskin.

– Tutkimuksessa radiologit eivät pystyneet erottamaan luotettavasti tekoälyn luomia kuvia oikeista, kertoo Hirvonen.

Lähteet:
Dos., osastonylilääkäri Jussi Hirvosen luento Tekoäly radiologiassa. Apollonia Symposium 20.3.2021
EHL, apulaisylihammaslääkäri Jorma Järnstedtin haastattelu 10.3.2021.