Tekoäly auttaa tunnistamaan diabeteksen aiheuttaman silmäsairauden – kielimallien käyttö lääketieteessä lisääntyy

Tutkijat ovat onnistuneet soveltamaan suuria kielimalleja diabeettisen retinopatian eli diabeteksen aiheuttaman verkkokalvon sairauden tunnistamisessa sekä vakavuusasteen luokittelussa seurantatutkimusten jäsentelemättömistä lausunnoista. Tämä antaa mahdollisuuksia kielimallien entistä laajempaan käyttöön myös muissa jäsentelemättömissä lääketieteellisissä aineistoissa. 

Tekoälyä käytetään jo nyt esimerkiksi sairauksien diagnosoinnissa, potilaiden seurannassa ja terveydenhuollon resurssien suunnittelussa. Suuret kielimallit, kuten ChatGPT tai Bard taas ovat lyöneet itsensä läpi suuren yleisön tietoisuuteen esimerkiksi eri työtehtäviä helpottavina työkaluina. Terveydenhuollossa kielimalleja kehitetään erilaisiin automaattisiin tekstinluokittelutehtäviin, kuten vaikka merkittävien löydösten poimintaan röntgenraporteista.

Professori Kimmo Kasken vetämän tutkimusryhmän yhtenä päätavoitteena on jo pidempään ollut juuri silmäsairauksien tekoälypohjainen tunnistaminen, ryhmään kuuluva tutkijatohtori Joel Jaskari kertoo. Tutkimusryhmän tutkijat ovatkin aiemmin tutkineet kuva-analyysiin tarkoitettuja tekoälymalleja, niin kutsuttuja syviä konvoluutioneuroverkkoja, diabeettisen retinopatian vakavuustason tunnistamiseen silmänpohjakuvista.

”Diabeettinen retinopatia vaikuttaa isoon osaan diabetesta sairastavista potilaista. Se voi pahimmillaan johtaa sokeuteen, jos sitä ei päästä hoitamaan riittävän ajoissa. Niinpä verkkokalvon sairauden aikainen tunnistaminen on todella tärkeää”, Jaskari toteaa. 

Diabeteksen aiheuttaman verkkokalvon sairauden seulontaan käytetään silmäpohjakuvauksia, jonka löydökset, mukaan lukien sairauden vakavuus, kirjataan silmänpohjantutkimuksen lausuntoon. Tarkempi tilastollinen analyysi diabeettisen retinopatian ilmenemis- ja vaikeusasteesta vaatii kuitenkin tarkkaan jäsenneltyjä merkintöjä sekä työlästä merkintäprosessia, sillä Jaskarin mukaan Helsingin yliopistollisen sairaalan HUS:in käytäntönä on aiemmin ollut silmänpohjakuvien lausuntojen tekeminen seikkaperäisesti vapaalla tekstillä.

Tekoälyn koulutukseen käytettiin yli 40 000:ta potilaskertomusta Helsingin yliopistollisen sairaalan erikoissairaanhoidon käynneistä vuosilta 2016–2019. Käynneillä potilaan silmäpohjat kuvattiin, ja lääkäri kirjasi havainnot merkittävistä löydöksistä, kuten diabeettisen retinopatian merkeistä ja vaikeusasteesta, jäsentelemättömään lausuntoonsa.

Tutkijat tarvitsevat HUS:in kaltaisia yhteistyökumppaneita, kun tekoälyä opetetaan suomalaisen terveydenhuollon apuriksi, Jaskari muistuttaa. Internetistä löytyy useita diabeettisen retinopatian aineistoja tutkijoiden käyttöön, mutta nämä eivät kerro Suomen väestöstä tai suomalaisista hoitokäytännöstä mitään. Lisäksi kotimaisessa terveydenhuollossa syntyy riittävän laajoja aineistoja tutkijoiden hyödynnettäväksi – näiden avulla tekoäly voidaan kouluttaa hyödyttämään juuri Suomen terveydenhuoltoa.

”Nykyiset syviin neuroverkkoihin pohjautuvat tekoälymenetelmät, kuten GPT-mallit, ovat lähtökohtaisesti datavetoisia, eli niitä täytyy kouluttaa niiden lopulliseen tehtävään liittyvillä aineistoilla. Siksi tämänkaltainen yhteistyö on avainasemassa, kun tutkitaan tekoälyä lääketieteessä”, Jaskari sanookin.

Vapaamuotoisista, jäsentelemättömistä lääketieteellisistä lausunnoista on todella vaikeaa, ellei jopa mahdotonta saada perinteisellä ohjelmoinnilla automaattisesti selville retinopatian vaikeusastetta. Jaskarin mukaan projektiin osallistuneet lääkärit ja hoitajat olivat analysoineet noin puolet aineiston lausunnoista, kunnes syntyi idea kouluttaa suuria kielimalleja loppujen lausuntojen analysointiin. 

”Muokkasimme ja jatkokoulutimme Turun yliopiston NLP-ryhmän suomen kielellä kouluttamaa GPT-mallia näillä jo analysoiduilla lausunnoilla, niin että sen tulisi päätellä sama diabeettisen retinopatian vaikeusaste lausunnosta kuin minkä ammattilaiset olivat kirjanneet ylös. Kutsuimme tätä diabeettisen retinopatian vaikeustason päättelyyn erikoistunutta GPT-mallia DR-GPT:ksi”, Jaskari kertoo.

Tutkimuksen tuloksena havaittiin, että DR-GPT kykenee analysoimaan vapaamuotoisia suomenkielisiä lääketieteellisiä lausuntoja todella tarkasti. Kielimallin tekemiä analyysejä hyödynnettiin loppuun aineistoon, ja tämä – yhdessä ammattilaisten analysoiman aineiston kanssa – muodosti lopulta yhden suuren aineiston kuvapohjaisen tekoälyn kouluttamiseen. Lisäaineiston havaittiin parantavan kuvapohjaisen tekoälyn toimintakykyä.

Tutkimus osoittaa, että suomen kielellä koulutetut suuret kielimallit pääsevät erinomaisiin tuloksiin suomenkielisten aineistojen analysoinnissa, Jaskari sanoo. Päätelmää tukee myös se, että DR-GPT pystyi tarkkoihin tuloksiin jäsentelemättömien lääketieteellisten potilaslausuntojen kaltaisesta haastavasta aineistosta. 

”En näe syytä, miksi DR-GPT:n kaltaista lähestymistapaa ei pystyttäisi hyödyntämään myös muissa lääketieteellisissä aineistoissa. Itseasiassa tämä GPT-mallien jatkokouluttaminen on niin mukautuva lähestymistapa, että uskoisin vastaavanlaisten suomenkielisten tekoälymallien kouluttamisen olevan mahdollista myös moniin muihin tarkoituksiin”, Jaskari sanookin.

Tutkimus on julkaistu arvostetussa PLOS One -tiedelehdessä lokakuussa.