Näkymätön silmälle - tekoäly mullistaa lääketieteellisen kuvantamisen
Tekoälyn kyky prosessoida massiivisia tietomääriä tarjoaa terveysteknologian sektorille ennennäkemättömiä mahdollisuuksia palvella potilaita ja pelastaa jopa ihmishenkiä.
Elisa Laatikainen, 6.2.2024.
Lääketieteellinen kuvantaminen on yksi terveydenhuollon kriittisimmistä osa-alueista, jota lääkärit ja radiologit ympäri maailmaa hyödyntävät päivittäin. Kuvantamismenetelmiä, kuten tietokonetomografiaa (TT), magneettikuvausta (MK) ja ultraääntä käytetään keräämään elintärkeää tietoa potilaista, mahdollistaen oikeiden diagnoosien ja hoitosuunnitelmien laatimisen myös kriittisissä tilanteissa (1).
Viime vuosikymmeninä lääketieteellisen kuvantamisen teknologian kehitys on mullistanut kykymme kerätä tietoa ihmiskehon sisäisistä toimintamekanismeista (2). Tämä arvokas tieto on mahdollistanut terveydenhuollon ammattilaisille poikkeamien varhaisen havaitsemisen ja paremman hoidon tarjoamisen potilaille entistä varhaisemmissa vaiheissa.
Vaikka kuvat tarjoavat arvokasta sisältöä, ne tuovat myös omat haasteensa. Yksi kuvatiedosto voi sisältää satoja yksittäisiä kuvia, joissa potilaan terveyden kannalta merkittävä tieto piilee harmaan eri sävyissä (3). Tällaisten kuvien tulkinta edellyttää korkeaa asiantuntemusta, ja oikea käsittely ja analyysi vievät aikaa. Tämä taas saattaa johtaa pitkiin odotusaikoihin (4). ¨
Tilannetta vaikeuttaa entisestään se, että esimerkiksi sydän- ja verisuonitaudit, jotka diagnosoidaan lääketieteellisen kuvantamisen avulla, näyttävät kasvavan tilastoissa (5).
Radiologian uudelleenmäärittely
FAIR:in asiakas
Aiatella. Radiology. Redefined.
AIATELLA on startup-yritys, joka rakentaa pilvipohjaista ohjelmistoa automaattiseen lääketieteellisen kuvantamisen analysointiin mukaan lukien magneettikuvaus ja tietokonetomografia.
FAIR tukee yrityksiä ja niiden kehitystarpeita
Tekoälyn aikaan saama vallankumous mullistaa tällä hetkellä terveysteknologian kenttää (eng. MedTech) monin eri tavoin tarjoten lukuisia mahdollisuuksia uusien teknologioiden hyödyntämiseen. Toisaalta samaan aikaan tekoälyn käyttöön liittyy myös haasteita, jotka on selätettävä, jotta tuotteet voidaan todeta turvallisiksi ja luotettaviksi.
Toisaalta samaan aikaan tekoälyn käyttöön liittyy myös haasteita, jotka on selätettävä, jotta tuotteet voidaan todeta turvallisiksi ja luotettaviksi. Tekoälystä puhuttaessa on selvää, että käytettyjen algoritmien kehittäminen vaatii erityistä tarkkuutta, ja että käytetty tekoäly tulee kouluttaa massiivisilla tietomäärillä, jotta se voitaisiin valjastaa ja validoida lääketieteelliseen käyttöön.
Nämä ovat vain muutamia elementtejä, jotka on otettava huomioon kehitysprosessin loppuun saattamiseksi. Tässä yhteydessä yhteiskunnallisesti suuntautuneet organisaatiot voivat pelata merkittävää roolia tarjoamalla tukea ja resursseja, jotka helpottavat näitä vaativia pyrkimyksiä.
“Rakennamme asiantuntemustamme jokaisen yrityksen tilanteeseen perustuen. Näin varmistamme oikeat kehitystyökalut, jotka vastaavat heidän tarpeitaan. Tämä perustuu uudenlaiseen käsitteeseen kattavasta tarveanalyysista, johtaen räätälöityyn tukisuunnitelmaan ja palveluihin.”
Elisa Laatikainen
FAIR Customer Manager
“Yhteistyö FAIRin kanssa käynnistyi täydelliseen aikaan, koska se auttaa meitä optimoimaan kehitystyötämme. Tämä puolestaan mahdollistaa tekoälyn hyötyjen nopeamman tuomisen potilaille!”
Jack Parker
AIATELLA, CEO
FAIR tarjoaa yrityksille monipuolisen valikoiman erilaisia palveluita, jotka tukevat kehitystä. Palvelukatalogista löytyy muun muassa datan keräämiseen ja algoritmeihin liittyvää tukea, liiketoiminnan kehittämisen ideointia, huippuluokan laskentatehoa sekä tietystikin testialustoja.
AIATELLA:n mukaan yhteistyö FAIR:in kanssa on tarjonnut yritykselle arvokkaita resursseja oman kehitystiimin ulkopuolelta. Yrityksen toimitusjohtaja Jack Parkerin mukaan yhteistyö käynnistyi kreivin aikaan, sillä se on auttanut AIATELLA:a optimoimaan sen omaa kehitystyötä. Tämä puolestaan mahdollistaa tekoälyn tuomien hyötyjen nopeamman valjastamisen potilaskäyttöön ja ihmishenkien pelastamiseen.
Vaikka FAIR koostuu laajasta resurssivalikoimasta, johon kuuluu 60 tekoälyprofessoria tiimeineen sekä esimerkiksi Euroopan nopein supertietokon LUMI, ratkaisevaa on silti kyky tunnistaa parhaat ja räätälöidyt ratkaisut kullekin yritykselle. FAIR:in AIATELLA:a palvelevan asiakasvastaava Elisa Laatikaisen (Haaga-Helia ammattikorkeakoulu) mukaan FAIR:issa nojataan vahvasti yksilölliseen lähestymistapaan, jossa jokaista yritystä tuetaan yrityksen sen hetkisen tarpeen mukaan.
– Rakennamme asiantuntemustamme kunkin yrityksen tilanteen pohjalta varmistaen heille oikeat kehitystyökalut, jotka vastaavat heidän tarpeitaan. Tämä perustuu uudenlaiseen, entistä kokonaisvaltaisempaan tarveanalyysiin, joka johtaa yrityskohtaisesti räätälöityyn tukisuunnitelmaan ja palveluihin, hän jatkaa.
Kuvantunnistuksen saralla tekoäly edustaa merkittävää harppausta lääketieteellisessä diagnostiikassa. Yritykset kuten AIATELLA ovat tämän muutoksen eturintamassa, ja me FAIR:ssa tunnemme suurta ylpeyttä siitä tuesta, jonka olemme voineet tarjota heidän missiolleen paremman potilashoidon ja tulevaisuuden puolesta.
Käännös: Martti Asikainen
Lähteet
(1) Graff, C., Sidky, E. 2015. Compressive sensing in medical imaging. National Library of Medicine. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4669980/
(2) Revolutionising Healthcare: A Historical Perspective on Medical Imaging. Open Medscience. https://openmedscience.com/revolutionising-healthcare-a-historical-perspective-on-medical-imaging/
(3) Ge, Y., Zhang, Q., Sun, Y., Shen, Y., Wang, X. 2022. Grayscale medical image segmentation method based on 2D&3D object detection with deep learning. BMC Medical Imaging. https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-022-00760-2
(4) Omofoye, T., Vlahos, I., Marom, E., Bassett, R., Blasinska, K., Ye, X., Tan, B., Yang, W. 2023. Backlogs in formal interpretation of radiology examinations: a pilot global survey. Science Direct. https://www.sciencedirect.com/science/article/abs/pii/S0899707123002693
(5) Roth, G., et al. 2021. Global Burden of Cardiovascular Diseases and Risk Factors, 1990–2019: Update From the GBD 2019 Study. Science Direct. https://www.sciencedirect.com/science/article/pii/S0735109720377755
(6) Berry, M. 2023. Understanding the advantages and risks of AI usage in healthcare. Thomson Reuters. https://www.thomsonreuters.com/en-us/posts/technology/ai-usage-healthcare/
(7) Butrym, N. 2023. The Science Aspect of AI Image Enhancers Work – Why It’s Better Than Manual Human Work? Deep Image. https://deep-image.ai/blog/how-ai-image-enhancers-actually-work-why-its-better-than-manual-human-work/
