Tekoäly voi nopeuttaa rintasyövän sädehoidon suunnittelua
Lähes kaikki syöpäpotilaat saavat sädehoitoa jossakin vaiheessa hoitopolkuaan. Hoito edellyttää jokaiselle potilaalle yksilöllisesti laadittavaa annossuunnitelmaa, jossa määritellään säteilyn tarkka kohdentaminen ja määrä. Tämän suunnitelman laatiminen on monivaiheinen ja aikaa vievä prosessi, mikä lisää tarvetta uusille, tehokkaammille ratkaisuille.
Tekoäly apuna sädehoidossa
Sanni Sinisalon pro gradu -tutkielman tavoitteena oli kehittää Kuopion yliopistollisessa sairaalassa (KYS) aiemmin laaditun algoritmin pohjalta syväoppimismalli, joka ennustaa sädehoidon annosjakauman rintasyöpäpotilaille. Mallin ennusteita verrattiin kliinisiin, todellisessa hoitotyössä käytettyihin annosjakaumiin.
- Lisäksi tutkimuksessa arvioitiin, voisiko tekoälyyn perustuva annosennustemalli tulevaisuudessa nopeuttaa tai muuten parantaa annossuunnitteluprosessia, selventää Sanni Sinisalo Jyväskylän yliopistosta.
Malli hyödyntää potilaiden TT-kuvia
Tutkimuksessa kehitetty annosennustemalli hyödyntää potilaiden tietokonetomografia (TT) -kuvia ja näihin perustuvia rakennemaskeja, joissa on rajattu keskeiset elimet ja kudokset. TT-kuvat otetaan kaikilta potilailta sädehoidon alussa, ja ne muodostavat perustan sekä kliiniselle suunnittelulle että tekoälymallin ennusteille.
- Mallin avulla kyettiin ennustamaan erityisesti vasemman rinnan syöpäpotilaiden annosjakaumia, sanoo Sinisalo.
Tekoälyn ennusteet yltävät lähes kliiniseen tasoon
Tutkimuksen tulokset osoittavat, että tekoälymallin ennustamat annosjakaumat olivat hyvin lähellä kliinisesti käytössä olevia jakaumia. Ennusteiden ja kliinisten tulosten väliset erot olivat pääosin pieniä, vaikka joissakin yksittäisissä elimissä ennuste saattoi arvioida joko suurempia tai pienempiä annoksia.
Tulosten perusteella annosennustemalli kykenee tuottamaan laadukkaita ja realistisia arvioita sädehoidon annosjakaumista.
Tekoäly työkaluna asiantuntijalle
Sinisalon mukaan tutkimus viittaa siihen, että syväoppimiseen perustuvat ratkaisut voivat tulevaisuudessa tukea sädehoidon annossuunnittelua merkittävästi.
- Malli voi toimia suunnittelijan apuna ja mahdollisesti nopeuttaa aikaa vievää suunnitteluprosessia. On myös mahdollista, että tekoäly löytää joissakin tapauksissa jopa optimaalisempia ratkaisuja kuin ihminen, toteaa Sinisalo.
Tutkielmassa kuitenkin korostetaan, että annosennustemalli on luonteeltaan teoreettinen eikä huomioi kaikkia käytännön hoidon toteutukseen liittyviä rajoitteita.
- Tekoäly ei siten korvaisi ihmistä, vaan toimisi työkaluna osana asiantuntijan tekemää suunnittelua, kertoo Sinisalo.
Yhteistyö tarjosi ainutlaatuisen oppimisympäristön
Tutkielma tehtiin yhteistyössä Keski-Suomen sairaala Novan ja Kuopion yliopistollisen sairaalan kanssa. Tutkielman ohjaajina toimivat Arto Javanainen Jyväskylän yliopistosta, Katariina Näkki ja Ville Raatikainen Keski-Suomen sairaala Novasta sekä Henri Korkalainen Kuopion yliopistollisen sairaalasta.
- Yhteistyö eri organisaatioiden välillä oli todella arvokasta, ja sain sen kautta sekä tutkimuksellista että kliinistä näkökulmaa. Se auttoi hahmottamaan, miten tekoälyratkaisuja voidaan kehittää käytännön hoitotyön tarpeisiin, iloitsee Sinisalo.
Lue pro gradu –tutkielma kokonaisuudessaan JYX-julkaisuarkistossa: https://jyx.jyu.fi/jyx/Record/jyx_123456789_111524?sid=469788548
Lisätiedot
- Sanni Sinisalo, sanni.e.sinisalo@student.jyu.fi (käytössä 31.07.2026 asti)
- Yliopistotutkija Arto Javanainen, arto.javanainen@jyu.fi, +358406146881
