Väitös tietotekniikan alalta, DI Joel Jaskari

Väitöskirjan nimi: Machine Learning for Healthcare

Vastaväittäjä: professori Chris Holmes, University of Oxford / Alan Turing Institute, Englanti
Kustos: professori Arno Solin, Aalto-yliopiston perustieteiden korkeakoulu, Tietotekniikan laitos

Väitöstilaisuus järjestetään kampuksella.

Väitöskirja on julkisesti nähtävillä 10 päivää ennen väitöstä Aalto-yliopiston julkaisuarkiston verkkoriiputussivulla.

Elektroninen väitöskirja

Väitöstiedote:

Lääketieteen ammattilaiset diagnosoivat sairauksia ja segmentoivat kudoksia manuaalisesti. Näiden tehtävien automatisointi voisi vähentää heidän työtaakkaansa. Datavetoiset koneoppimismenetelmät, erityisesti syviin neuroverkkoihin perustuvat mallit, ovat näyttäneet lupaavuutta näihin tehtäviin. Koneoppimismenetelmiä pitää kuitenkin analysoida systemaattisesti, jotta niiden luotettavuutta voi arvioida käytännössä.

Tässä väitöstyössä tutkitaan koneoppimismenetelmiä moneen terveydenhuollon tehtävään suomalaisilla aineistoilla. Syviä konvoluutioneuroverkkoja (CNN) käytetään diabeettisen retinopatian luokitteluun retinakuvista kliinisesti käytetyillä vakavuusasteikoilla. Työssä näytetään, että jopa suhteellisen pienellä suomalaisella kuva-aineistolla koulutettu CNN voi saavuttaa yhtä hyviä tai parempia tuloksia kuin aiemmat menetelmät. Bayesilaisia CNN malleja ja työssä ehdotettua uutta epävarmuusmittaria myös hyödynnetään arvioimaan epävarmuutta tässä tehtävässä. Epävarmuus-estimaattien näytetään parantavan tuloksia kun malleja käytetään vain varmojen kuvien arviointiin. CNN lähestymistapaa käytetään myös mandibulaarikanavan segmentaatioon kartiokeilatietokonetomografiakuvista. Sen näytetään saavuttavan parempia tuloksia kuin aikasemmat menetelmät. Lisäksi sen tekemät segmentaatiot ovat samankaltaisempia useamman radiologin tekemien segmentaatioiden kanssa, kuin jos radiologien segmentaatioita vertailee keskenään. Monia koneoppimismenetelmiä tutkitaan myös pikkukeskosten kuolleisuuden ja sairaalloisuuden aikaiseen havaitsemiseen. Työssä näytetään, että nämä tunnistustehtävät ovat mahdollisia jopa vain 12 tunnin aikasarjaa käyttäen.

Työn tuloksista voi vetää johtopäätöksen, että suomalaisten sairaaloiden aineistoja pystyy käyttämään koneoppimismallien koulutukseen saavuttaen erinomaisia tuloksia. Nämä mallit voisivat avustaa lääketieteen ammattilaisia automatisoimalla tehtäviä, jotka nykyään tehdään manuaalisesti.