wise man got mathematical problem solution

Blogi: Tekoälyä terveydenhoitoon – mitä tekoäly oikeasti tarkoittaa?

Kun kuulet tekoälysovelluksesta tai sinulle ehdotetaan sellaista, kysy aina, millä datalla se on opetettu. Tekoälypuhe on vallannut palstatilat ja myyntipuheet. Innostus on kova, ja tekoälyyn on ladattu valtavia odotuksia myös terveydenhuollossa. Voidaanko tekoälyllä ennustaa tulevat sairautesi ja valita paras hoito? Korvataanko lääkärit tekoälyroboteilla? Alistaako tekoäly ihmiskunnan?

Vahvaa ja heikkoa älykkyyttä

Yllättävää kyllä, tekoälyn määritelmä on melko epäselvä. Sanaa ”tekoäly” käytetään helposti muodikkaana terminä kaikenlaisten ohjelmistojen myynnissä. Teoriapuolella puhutaan vahvasta ja heikosta tekoälystä. Vahvalla tekoälyllä viitataan ”tietoiseen koneeseen”, jonka älyä ei ihmisestä erota. Sellaisia ei ole vielä näkynyt, eikä taida kovin pian kävelläkään vastaan.

Heikkoa tekoälyä sen sijaan löytyy käytännössä kaikkialta, missä jonkinlaista automatisointia on tehty. Heikossa tekoälyssä voidaan tehdä asiantuntijan tietämyksen avulla sääntöjä. Tällaista tekoälyä löytyy esimerkiksi toimiston nurkan kahviautomaatista, joka yrittää ohjelmoiduilla säännöillään tehdä sinulle mahdollisimman hyvää cappuccinoa.

Sääntöjen rinnalle on noussut koneoppiminen, jonka algoritmien pohja luotiin jo 60-luvulla. Koneet oppivat esimerkkien, eli datan avulla. Koneoppiminen sopii hyvin tilanteisiin, joissa dataa pitää luokitella ryhmiin, vaikkapa löytää kaikki kuvat joissa on kissa, koira tai ei kumpikaan näistä. Toinen yleinen käyttö on ennustaminen historiatiedon avulla, esimerkkinä klikkaushistoriasi käyttö sen arviointiin, haluaisitko ehkä ostaa uuden sohvan.

Kone diagnosoi

Terveydenhoidon alueella loistavia tuloksia on saavutettu esimerkiksi kuvien luokittelussa. Koneoppimiseen perustuvat ratkaisut päihittävät nopeudessa ja tarkkuudessa patologit syöpäkasvainten tunnistamisessa kudosnäytteistä. Mikroskooppiin on kehitetty ominaisuus, jonka avulla poikkeavat kudosalueet tunnistetaan suoraan kuvasta lennossa.

Toisaalta monimutkaisemman diagnostiikan alueella on ollut paljon ongelmia. IBM:n ja Texasin yliopiston 62 miljoonaa dollaria maksanut projekti syöpädiagnostiikan toteuttamiseksi on hiljattain jäädytetty, koska koneoppiva järjestelmä tuotti epäluotettavia ja jopa potilaalle vaarallisia hoitosuosituksia.

Jäitä hattuun

Jotta koneoppiminen toimisi, luotettavaa dataa pitää olla todella paljon. Opetusdatan pitää kattaa kaikki tilanteet ja kaikki käyttäjäryhmät. Jos terveyssovellusta opetetaan aineistolla, jossa on valtaosin työikäisiä miehiä, se toimii erittäin huonosti ikääntyneillä naisilla ja saattaa tehdä kummallisia ehdotuksia. Koneoppimisen ongelmana on, että se on ”musta laatikko”, joka ei pysty ihmisen ymmärtämällä tavalla selittämään päätöksiään. Terveydenhuollon diagnostiikan sovelluksissa tämä voi olla iso ongelma.

Kaikesta huolimatta koneoppimisen mahdollisuudet terveydenhuollossa ovat suuret. Paras on vasta tulossa ja sovellusalueita haetaan nyt. Teknologiainnostuksessa käy usein niin, että teknologioiden lyhyen tähtäimen mahdollisuudet yliarvioidaan ja pitkän tähtäimen mahdollisuudet aliarvioidaan. Lyhyellä tähtäimellä kannattaa siksi pitää hatussa hyppysellinen jäitä. Kun kuulet tekoälysovelluksesta tai sinulle ehdotetaan sellaista, kysy aina millä datalla se on opetettu. Jos data on hyvää ja sitä on ollut riittävästi kattamaan kaikki tilanteet, järjestelmä voi toimia todella hyvinkin. Tekoälystä on jo nyt iloa terveydenhoidossa, mutta toistaiseksi vielä enemmän iloa ja hyötyä on ihmisälystä ja maalaisjärjestä

Blogin kirjoittaja on Movendoksen tutkimusyhteistyöstä vastaava Tekniikan tohtori Hannu Nieminen, jolla on pitkä tausta terveysteknologian kehittämiseen liittyvästä tutkimustyöstä. Hän vetää muun muassa Personal Health Informatics-tutkimusryhmää Tampereen teknillisessä yliopistossa.