Keinotekoisten neuroverkkojen hyödyntäminen lääketieteessä

Monet ovat varmaankin kuulleet termeistä ”neuroverkko” tai ”syväoppiminen”. Eikä ihme, sillä ne kumpikin kuuluvat tällä hetkellä tekoälyn kehityksen trendi-ilmiöihin. Kumpikin pohjautuvat ideaan, jonka mukaan tekoälyn kehittäminen vaatii ihmisen neurobiologian parempaa tuntemusta ja imitointia. Kuitenkin tällä hetkellä ne kuuluvat ns. heikkoon tekoälyyn eli ovat vain löyhästi yhteyksissä ihmisaivojen toimintaan. Heikko tekoäly tarkoittaa käytännössä kaikkea paitsi vahvaa tekoälyä, joka taas merkitsee ihmisten tavoin ajattelemaan, toimintaansa muokkaamaan ja säätelemään pystyvää keinotekoista konetta tai ohjelmaa. Vahvaa tekoälyä ei kuitenkaan ole vielä olemassa, eikä ole varmaa tuleeko koskaan olemaankaan. 1

Tekoälyn yksi tärkeimmistä alakategorioista on koneoppiminen, joka tarkoittaa koneen oppimista itsenäisesti datan pohjalta. Keinotekoiset neuronit ovat koneoppimisen malli, joka ottaa esimerkkiä alkuperäisistä biologisista neuroneista. Biologiset neuronit taas koostuvat dendriiteistä eli tuojahaarakkeista, soomaosasta (solun ”vartalo”) ja aksonista eli viejähaarakkeesta 2. Niitä pitkin kulkee ärsykkeen aikaansaama aktiopotentiaali, joka perustuu ionivarauseroihin sekä varauserojen aiheuttamien sähköisten impulssien etenemiseen neuronista toiseen 2. Neuroni laukeaa eli aloittaa sähköimpulssien johtamisen, jos sen aktivaatiokynnys ylittyy. Tämä tapahtuu silloin, jos se saa sitä edeltäviltä neuroneilta tai ulkopuolisilta ärsykkeiltä tarpeeksi ns. eksitatorisia (signaalin kulkua edistäviä) postsynaptisia potentiaaleja inhibitorisiin (signaalin kulkua heikentäviin) potentiaaleihin nähden, mikä muuttaa solun kalvojännitettä positiivisemmaksi 2. Aktivaatiokynnys sijoittuu tyypillisesti noin -55 mV:n kohdalle 2.

Keinotekoisia neuronimalleja taas on monia, mutta tyypillisesti niissä neuronien viejähaarakkeita vastaavat syötteet ja syötteiden painokertoimet 3. Soomaa vastaa neuronin summa- ja aktivaatiofunktio ja aksoneita saadut vasteet 3. Positiivisten ja negatiivisten signaalien yhteenlaskusta vastaa keinotekoisessa neuronissa summafunktio. Keinotekoinen neuronikin siis laukeaa, jos sille määritetty aktivaatiokynnys ylittyy 3. Keinotekoisia neuroneita hyödynnetään esimerkiksi luokitteluun, kun pitää jaotella dataa kahteen eri kategoriaan kuten syöpäsoluihin ja normaalisoluihin. Kuitenkaan yksittäinen neuroni ei ole kovin hyvä luokittelija. Sen sijaan usean keinotekoisen neuronin yhdistäminen neuroverkoiksi tuo paljon suuremmat mahdollisuudet käytännön sovelluksille 4.

Neuroverkot koostuvat tyypillisesti syötekerroksesta, vastekerroksesta ja niiden väliin jäävästä yhdestä tai useammasta piilokerroksesta 4. Jos näitä piilokerroksia on monia, puhutaan syväoppimisesta (engl. deep learning). Syväoppimista hyödynnetään jo monella eri alalla luokittelemaan ja kategorisoimaan dataa, joka voi olla esimerkiksi tekstin tai kuvien muodossa. Oman alani eli lääketieteen sisällä syväoppimista on hyödynnetty tai pyritään tulevaisuudessa hyödyntämään muun muassa suurten datamäärien kuten potilasdatan luokittelussa ja kategorioinnissa sekä kuvan- ja objektintunnistuksessa. Erään määritelmän mukaan neuroverkkojen sovellukset lääketieteessä voidaan jakaa neljään kategoriaan; niiden hyödyntäminen perustutkimuksessa, kliinisessä lääketieteessä, signaalien tulkinnassa sekä lääketieteellisessä kuvantamisessa 5.

Näistä kategorioista perustutkimuksessa voidaan syväoppimisen avulla esimerkiksi mallintaa uudenlaisia lääkemolekyylejä tai käyttää sitä apuna erilaisissa biokemiallisissa analyyseissa ennustamaan mahdollisia vasteita. Myös lääkkeen haittavaikutuksia ja muita efektejä on mahdollista pyrkiä ennustamaan syöttämällä neuroverkoille oikeanlaista dataa. Kliinisessä lääketieteessä on oleellista erityisesti potilaan diagnoosin ja prognoosin ennustaminen. Käytännössä tämä tapahtuu suuren ennalta kerätyn datamäärän perusteella, mitä kyseisestä sairaudesta tai vammasta on saatu. Data voi sisältää esimerkiksi erilaisia diagnostisia markkereita ja niiden eri arvojen vaikutuksia sairauden vakavuuteen. Tämän lisäksi neuroverkkoja voidaan hyödyntää mm. erilaisten signaalien tulkinnassa. Verkkojen toiminnan laajempi hyödyntäminen voisi nopeuttaa huomattavasti lääkärien työtä sekä parantaa tiedon tulkinnan laatua, sillä jopa kokenut lääkäri tai kirurgi voi ymmärtää ja tulkita dataa väärin. 5

Viimeinen neljästä kategoriasta eli neuroverkkojen hyödyntäminen lääketieteellisessä kuvantamisessa on myös todella oleellinen hyödyntämiskohde, joka vaikuttaisi monella tapaa positiivisesti ja ennen kaikkea terveyskeskusten sekä sairaaloiden toimintaa nopeuttavasti. Neuroverkkojen kuvantunnistusominaisuuksien avulla pystytäänkin yhä paremmin tulkitsemaan ja tekemään päätöksiä esimerkiksi röntgen- tai tietokonetomografiakuvien pohjalta. Neuroverkkojen käyttö mahdollistaisi anatomisten poikkeamien nopean tunnistamisen samalla eliminoiden mahdolliset virhelähteet kuten taustamelun tai kehon liikkeen. 5

Kaiken kaikkiaan tekoäly on yhä enenevissä määrin tulossa mukaan niin terveyskentälle kuin monelle muulle yhteiskunnan osa-alueelle. Henkilökohtaisesti suosittelenkin jokaista perehtymään edes pinnallisella tasolla niin tekoälyyn ja sen tuomiin mahdollisuuksiin kuin mahdollisiin ongelmiinkin. Itse toivon, että näemme tulevaisuudessa yhä enemmän ihmisten terveyden, hyvinvoinnin ja tasa-arvon pohjalle perustuvan yhteiskunnan, jota tekoäly ja lääketiede ovat tukemassa omalta osaltaan.

Lähteet:

  1. Goertzel B. (12/2014): Artificial General Intelligence: Concept, State of the Art, and Future Prospects. Journal of Artificial General Intelligence, 5(1): 1-48.
  2. Purves, Augustine & Fitzpatrick (2012): Neuroscience. Sinauer Associates Inc. U.S.
  3. Russell S. & Norvig P. (2010): Artificial Intelligence, A Modern Approach (3rd Edition). New Jersey, USA: Prentice Hall.
  4. Coolen A. C. C., Kühn R. & Sollich P. (2015): Theory of Neural Information Processing Systems. King’s College, London: Oxford University Press.
  5. Sharma N. K., Pandey N. K. & Shukla A. V. (2014): An Analytical Study of Artificial Neural Network Application in Medicial Field. 3rd International Conference on System Modeling & Advancement in Research Trends (SMART).

Vastaa

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *