Väitös: Aivoaaltotallenteiden analysointi tekoälyn avulla auttaa Parkinsonin ja Alzheimerin tautien havaitsemisessa
Neurodegeneratiiviset, eli hermostoa rappeuttavat sairaudet, kuten Parkinsonin tauti ja Alzheimerin tauti, yleistyvät väestön ikääntyessä. Näiden tautien diagnoosi perustuu usein erikoistuneisiin kuvantamismenetelmiin ja kliinisiin arvioihin, jotka ovat kalliita, hitaita ja tehdään yleensä vasta, kun oireet ovat selvästi havaittavissa.
Tautien diagnosointia varten tarvitaan yksinkertaisia työkaluja, jotka tukevat varhaisempaa havaitsemista ja seurantaa.
Mingliang Zhang osoitti väitöstutkimuksessaan, että nopeasti tehtävä ei-invasiivinen aivosähkökäyrätytkimus (EEG) yhdistettynä tekoälyyn voi auttaa tunnistamaan Parkinsonin tai Alzheimerin tautia sairastavat henkilöt ikääntyneiden potilaiden joukosta.
EEG on edullinen ja yleisesti saatavilla oleva menetelmä, mutta sen signaalit ovat usein kohinaisia ja vaihtelevat henkilöstä toiseen, mikä on rajoittanut sen käyttöä päivittäisessä kliinisessä työssä.
”Tutkimukseni tarkasteli, miten raakaa EEG-signaalidataa voidaan muuntaa pienemmiksi kuvaajiksi, jotka havainnollistavat sitä, miten aivojen toiminta muuttuu ajan kuluessa eri pään alueilla. Tutkimuksessa keskityn kouluttamaan kevyitä neuroverkkoja tunnistamaan Parkinsonin taudille, Alzheimerin taudille ja toisaalta terveelle aivotoiminnalle tyypillisiä piirteitä signaalidatasta”, Zhang kertoo.
Menetelmiä arvioidaan koehenkilötasolla, mikä tarkoittaa sitä, että osallistujat ovat täysin erillään neuroverkkojen koulutusdatasta, jolloin tulokset heijastavat paremmin todellisia kliinisiä olosuhteita.
Kehyksen avulla Zhang on kehittänyt nopean seulontamenetelmän Parkinsonin taudin havaitsemiseksi lyhyiden lepotilan EEG-mittausten perusteella. Zhangin mukaan menetelmä pystyy luotettavasti tunnistamaan Parkinsonin tautia tai Alzheimerin tautia sairastavat potilaat.
Tutkimuksessaan Zhang loi myös alueellisia malleja, jotka osoittavat, mitkä päännahan alueet sisältävät kaikkein hyödyllisintä tietoa sairauksien havaitsemiseksi. Esimerkiksi liikkeiden hallintaan välttämätön keskushermoston sensorimotorinen alue osoittautui erityisen tärkeäksi Parkinsonin taudin havaitsemisen osalta.
Tutkimuksen toisessa osassa selvitettiin tapoja, joilla sairaalat voisivat tehdä yhteistyötä siirtämättä arkaluonteisia potilastietoja.
Zhang käytti federoiduksi oppimiseksi kutsuttua menetelmää, jossa tekoälymalleja koulutetaan rinnakkain useilla tietojoukoilla. Kukin sairaala kouluttaa oman mallinsa omilla EEG-tiedoillaan, ja kun päämalli päivitetään, vain kunkin mallin oppimistulokset päivitetään keskitetysti yhteistyösairaaloiden kesken. Näin sairaalat voivat hyötyä suuremmista yhdistetyistä tietojoukoista samalla, kun potilaiden yksityisyyttä ja tiukkoja tietosuojasääntöjä kunnioitetaan.
Tutkimustulokset tukevat rutiininomaisten EEG-tallenteiden ja tekoälyavusteisten työkalujen yhdistämistä neurodegeneratiivisten sairauksien havaitsemisen ja seurannan tueksi.
”Tulevaisuudessa tällaiset työkalut voisivat täydentää olemassa olevia kliinisiä arviointeja, tukea taudin varhaisempaa tunnistamista ja mahdollistaa yksilöllisemmän seurannan, mikä lopulta tukisi parempia hoitotuloksia ja potilaiden elämänlaatua”, Zhang tiivistää.
Mingliang Zhangin tietotekniikan väitöskirjan "Time–Frequency Deep Learning with EEG for Neurodegenerative Disease Detection" tarkastustilaisuus järjestetään 16.12.2025 klo 12. Vastaväittäjänä toimii professori Karen Equiazarian (Tampereen yliopisto) ja kustoksena professori Tommi Kärkkäinen (Jyväskylän yliopisto).
Väitöstilaisuuden kieli on englanti. Väitöstilaisuutta voi seurata salissa Agora Auditorio 2 tai verkkovälitteisesti.
