Tekoäly auttaa tunnistamaan murtumia, luukasvaimia ja kuolioita röntgenkuvista

Syväoppimisalgoritmeja pystytään uusien tutkimusten mukaan hyödyntämään siihen, että käden röntgenkuvista tunnistetaan rannemurtumia, hyvänlaatuisia luukasvaimia sekä ranteen luun kuolioita. Oikealla ja mahdollisimman aikaisella diagnosoinnilla pystytään välttämään potilaalle aiheutuvia haittoja. Tekoäly voi toimia hyvin tukena etenkin päivystyksessä sekä lääkäreille, joilla ei ole rutiinia käden tai ranteen röntgenkuvien tulkinnasta. 

Tekoäly tunnistaa murtumat suurella tarkkuudella

Värttinäluun ranteenpuoleisen pään murtumat muodostavat 20 % kaikista murtumista tapaturmapäivystyksessä. Niiden diagnosointi ja hoito perustuu kliiniseen tutkimukseen ja röntgenkuvien tulkintaan. Röntgenkuvien virheellinen tulkinta on yleistä ja voi johtaa jälkiselvittelyihin. Tekoäly voi tuoda arvokasta apua päivystystyöhön ja vähentää virheellisiä diagnooseja. HUSin käsikirurgian ylilääkäri Jorma Ryhänen rakensi tutkimusryhmänsä kanssa tekoälymallin, joka tunnistaa näitä murtumia. Tekoälyn opettamisen jälkeen se pystyi tunnistamaan oikein 97 % murtumista. 

”Niveltä rikkovien pirstaleisten murtumien tunnistus ja päätös jatkohoidosta voi olla hyvin haastavaa ja tästä syystä hoito voi viivästyä tai pahimmillaan murtuma luutuu virheasentoon. Nyt kehitetty AI-malli tunnistaa näitä murtumia erinomaisesti. Jatkossa se voi antaa välittömästi suosituksen hoitolinjauksesta kipsihoidon tai leikkauksen suhteen”, sanoo Ryhänen. 

Päivystykseen tukea röntgenkuvien oikeaan tulkintaan  

Enkondrooma on kädessä tavallinen hyvänlaatuinen luunsisäinen rustokasvain, joka voi aiheuttaa oireena turvotusta ja kipua sekä altistaa luun murtumalle. Enkondrooma näkyy röntgenkuvassa, mutta jos kädessä on murtuma, saattaa kasvaimen toteaminen olla vaikeaa ja jäädä huomaamatta. Tällaiset virheet ovat mahdollisia päivystyksessä ja aiheuttavat potilaille harmia. 

Ryhmä käsikirurgeja rakensi Ryhäsen johdolla tekoälymallin, joka pystyi tunnistamaan 56 enkondroomaa testiryhmän 62:sta tapauksesta. Tekoäly pystyisi siis toimimaan hyvin apuvälineenä päivystyksessä erityisesti lääkäreille, jotka eivät jatkuvasti ole tekemisissä käden pulmien ja röntgenkuvien kanssa. 

”Enkondroomien tunnistus on mielenkiintoinen ensimmäinen askel käden alueen luukasvainten automatisoituun diagnostiikkaan ja osoittaa, että rajoitetullakin kuvamäärällä on mahdollista luoda toimivia diagnostisia apuvälineitä”, kertoo tutkimusryhmässä mukana ollut käsikirurgi Turkka Anttila.  

Tekoäly voi nähdä ihmissilmää tarkemmin

Tekoälymallia käytettiin myös tutkimuksessa, jossa pyrittiin parantamaan ranteen puolikuuluun luukuolion diagnostiikkaa. Kyseessä on harvinainen tauti, joka koskettaa pääasiassa 20–40-vuotiaita miehiä. Alkavan kuolion huomaaminen ihmissilmällä röntgenkuvista ei ole mahdollista, mikä voi johtaa viivästyneeseen toteamiseen. Diagnoosin viivästyessä ja kuolion edetessä hoitovaihtoehdot rajautuvat ja usein myös potilaan käden toiminta heikkenee toimenpiteistä huolimatta. 

Ryhäsen työryhmänsä kanssa kehittämä tekoälymalli pystyi tunnistamaan röntgenkuvista 28 kuoliota kolmestakymmenestä tapauksesta. Väitöskirjatutkija Krista Wernér havaitsi, että kehitetty tekoälymalli tunnisti muutoksia röntgenkuvissa jopa paremmin kuin kokeneiden asiantuntijoiden verrokkiryhmä.  Monet yleislääkärit eivät tunne tätä sairautta, eivätkä siten osaa epäillä sitä. Tekoälymalli voi jatkossa auttaa alkuvaiheen kuolion toteamisessa röntgenkuvasta ja lisätä yleislääkäreiden tietoisuutta ja siten tulevaisuudessa ratkaista molemmat ongelmat.

Syväoppimisalgoritmit ovat nopeasti tulossa keskeisiksi apuvälineiksi lääketieteellisessä kuvantamisessa. Niillä on potentiaalia muuttaa lääketieteellistä kuvien luokittelua ja diagnostiikkaa tulevalla vuosikymmenellä.

”On selvää, että tekoälyalgoritmit tulevat lähitulevaisuudessa muuttamaan merkittävästi potilaiden diagnostiikkaa ja hoitoa myös kirurgin arjessa. Tekoäly voi väsymättä ja kustannustehokkaasti seuloa isoja kuvamassoja, poimia poikkeavat löydökset, riskitekijät, komplikaatiot ja siten nopeuttaa ja parantaa hoitotuloksia. Jotta saamme luotettavia ja yleistettäviä algoritmeja, tarvitaan korkeatasoista, poikkitieteellistä osaamista ja tutkimusta mallien kehittämiseksi sekä validoimiseksi. Tutkimusryhmällä on useita potentteja ideoita jatkoselvittelyssä”, kertoo Ryhänen. 

Lähteet: 

Enchondroma Detection from Hand Radiographs with an Interactive Deep Learning Segmentation Tool-A Feasibility Study - PubMed (nih.gov)

Detecting Avascular Necrosis of the Lunate from Radiographs Using a Deep-Learning Model - PubMed (nih.gov)

Detecting Distal Radius Fractures Using a Segmentation-Based Deep Learning Model - PubMed (nih.gov)