Tekoäly auttaa jo nyt lääkäreitä
Tekoälystä puhutaan paljon ja osa sen lupauksista on uutuuteen liitettyä hypeä. Radiologin työssä tekoälyn käyttö on kuitenkin jo arkipäivää. Tyksin dosentti Jussi Hirvonen kertoo, miten hän käyttää tekoälyä ja mitä siltä voi odottaa.
Radiologit hyödyntävät tekoälyä monella tavalla arkityössään. Se johtuu työn luonteesta. Radiologia hyödyntää sairauksien diagnostiikassa ja hoidossa erilaisia kuvantamismenetelmiä, kuten magneettikuvausta tai säteilyyn perustuvia menetelmiä. Kuvantamisessa syntyy paljon dataa, jota voidaan analysoida tehokkaasti tekoälyalgoritmien avulla.
- Kaikki radiologit käyttävät tekoälyä työssään. Algoritmin avulla esimerkiksi magneettikuvausta on voitu nopeuttaa ja kuva muodostuu nopeammin. Potilaalle se merkitsee vähemmän aikaa magneettikuvauslaitteessa, Tyksin kuvantamisen dosentti, osastonylilääkäri Jussi Hirvonen sanoo.
Hirvonen kertoo, että säteilytutkimuksissa sädeannoksia on pystytty pienentämään, kun algoritmien avulla vähemmästä datasta saadaan parempia kuvia.
- Säteilyannosten pienentyminen on merkittävä asia potilaan kannalta.
Tekoäly auttaa radiologia myös kuvien tulkinnassa. Algoritmin avulla pystytään mittaamaan vaikkapa aivorakenteen tilavuuksia ja tuomaan muistisairauksien todennäköisyyttä aiempaa paremmin esiin.
- Algoritmi täydentää perinteistä aivokuvista tehtävää visuaalista tulkintaa. Se ei korvaa ihmisen tulkintaa kuvista, vaan täydentää sitä ja tuo lisää varmuutta.
Kiireisessä päivystystilanteessa tekoälyalgoritmi puolestaan auttaa lääkäriä mittaamalla aivoinfarktipotilaan infarktin koon. Se auttaa lääkäriä hoitomenetelmän valinnassa.
Tekoäly automatisoi työtä ja tekee rutiinihommia
Hirvonen uskoo, että tulevien vuosien aikana radiologin työtä automatisoivat ja avustavat tekoälyalgoritmit yleistyvät. Se ei kuitenkaan tarkoita, että lääkärin asiantuntemuksesta tulisi tarpeetonta. Sen sijaan tekoäly voi auttaa lääkäriä keskittymään vaativampiin töihin ja juuri sellaisiin tehtäviin, joissa ihminen on parhaimmillaan.
- Algoritmit automatisoivat ja nopeuttavat yksinkertaisia rutiinitöitä. Tulevaisuudessa radiologia on nopeampaa ja radiologi pystyy sanelemaan enemmän kuvia. Se on tärkeää, koska kuvantaminen lisääntyy jatkuvasti.
Hirvosen mukaan tekoälystä voi tulla myös lääkärin työpari. Konkreettinen esimerkki tästä on seulontamammografia. Perinteisesti kaksi radiologia on tulkinnut mammografiakuvan. Tutkimuksissa on saatu vahva näyttö siitä, että tekoälyn ja radiologin tekemä tulkinta on yhtä luotettava kuin kahden radiologin.
Algoritmi on uupumaton, mutta yksinkertainen työpari. Se on koulutettu vain yhteen asiaan kerrallaan eikä sillä ole assosiatiivista, asiayhteyksiin liittyvää tietoa, sellaista, jonka avulla erikoislääkäri pystyy ratkomaan vaativia potilastapauksia. Algoritmi ei myöskään kykene inhimilliseen vuorovaikutukseen.
- Ihmisten välinen kanssakäyminen perustuu luottamukseen ja potilaita hoitaa edelleen ihminen. Iso osa radiologin työtä on kertoa tulkintoja toisille lääkäreille ja potilaille. Kokemus ja kontekstointikyky on lääkärin työssä olennaista. Voi olla, että työ muuttuu tekoälyn aikana jopa nykyistä haastavammaksi, Hirvonen sanoo.
Algoritmin laadunvarmistus on tärkeää
Radiologin työn tueksi on tarjolla paljon erilaisia tekoälyä hyödyntäviä tuotteita. Hirvosen mielestä olisikin tärkeää pyrkiä selvittämään, millaisella aineistolla algoritmi on opetettu ja varmistaa, että se suoriutuu tehtävästään myös suomalaisen sairaalan datalla.
- Algoritmien käytössä tarvitaan jatkuvaa laadunvarmistusta. Sairaaloihin tulisi varata resurssia algoritmien testaamiseen sairaalan omalla aineistolla. Nyt testaaminen on ollut yksittäisten lääkäreiden innokkuuden varassa. Tekoälyalgoritmien käyttöönottoon olisi myös hyvä rakentaa yhtenäiset toimintamallit.
Hirvosta mietityttää, onko tiettyjen rutiinitöiden siirtämisessä algoritmeille vaarana näiden taitojen heikkeneminen.
- Kuinka hyvin tulevat sukupolvet osaavat tulkita vaikkapa keuhkokuvia? Entä miten ylläpidetään ammattitaitoa asioissa, joissa se on tulevaisuudessakin tarpeen? Mistä voidaan luopua?
Kuvantaminen on globaali miljardibisnes. Hirvonen uskoo, että Suomessa olisi potentiaalia kehittää algoritmeja myös itse. Meillä on paljon terveydenhuollon dataa, tasokas erikoissairaanhoito ja aktiivista algoritmikehitystä korkeakouluissa.
- Lainsäädäntö ei kuitenkaan tue tutkimusta. Toisiolain vaatimus tietoturvallisesta ympäristöstä tekee tutkimuksesta liian hankalaa ja kallista. Lainsäädännön tulisi olla joustavampaa ja mahdollistaa tutkimus.
Lisätiedot
