Ģ��ֱ��

Nykyaikainen terveydenhuolto tuottaa laajoja ja monimutkaisia tietokokonaisuuksia useista eri lähteistä, kuten lääketieteellisistä kuvista, kliinisistä potilastiedoista, genomisekvensseistä ja patologisista näytelaseista. Vaikka jokainen tietotyyppi tarjoaa ainutlaatuisen näkökulman, niiden yhteisessä analysoinnissa ja käyttössä terveydenhuollon tukena on edelleen suuria haasteita.

Xinyu Hao kehitti väitöskirjassaan tekoälypohjaisia syväoppimisratkaisuja, jotka yhdistävät erilaisia lääketieteellisiä tietoja sairauksien diagnosoinnin ja hoitotulosten ennustamisen parantamiseksi.

Tutkimus keskittyi erityisesti syövänkaltaisiin monimutkaisiin sairauksiin, joissa yksittäinen datatyyppi ei riitä kattamaan taudin kokonaiskuvaa ja takaamaan parasta hoitotulosta.

”Syövän kaltaiset sairaudet ovat monimutkaisia ja heterogeenisiä. Mikään yksittäinen tietotyyppi ei pysty täysin kuvaamaan sairauden biologista ja kliinistä vaihtelua”, Hao selittää. ”Multimodaalisen data-analyysin avulla voimme yhdistää potilastietojen eri näkökohtia ja rakentaa tarkemman ja vankemman ymmärryksen taudin tilasta ja etenemisestä.”

Tutkimuksen aiheita olivat muun muassa korkean riskin raskaustulosten ennustaminen pitkittäisten kliinisten tietojen avulla, rintasyövän hoitovasteen ennustamisen parantaminen, kasvaimen dynaamisen kehityksen mallintaminen pitkittäisen magneettikuvauksen avulla ja eturauhassyövän luokittelun parantaminen patologisten näytelevyjen koko alueen kuvien spatiaalisten piirteiden yhdistämisen avulla.

Menetelmiä on testattu todellisilla julkisesti saatavilla olevilla data-aineistoilla, joissa tulokset erityisesti erilaissa syöpään liittyvissä tehtävissä ovat olleet erittäin tarkkoja.

Tutkimus ratkoi puutteelliseen ja heterogeeniseen dataan liittyviä haasteita

Tutkimuksessa käsiteltiin myös tekoälyavusteiseen lääketieteelliseen tutkimukseen liittyviä teknisiä haasteita, joita voivat olla esimerkiksi tekoälyn kouluttamiseen saatavilla olevan datan heterogeenisyys ja rajallinen annotaatioiden, eli dataa selittävien merkintöjen määrä.

”Monesti käytettävissä oleva data on myös puutteellista ja esimerkiksi potilastiedoista voi puuttua yksittäisiä laboratoriotuloksia, mikä vaikeuttaa kokonaiskuvan muodostamista. Yksi suuri ongelma on myös kliinisen datan spatiaalisten ja ajallisten riippuvuuksien mallintamisen vaikeus, eli se miten potilaan terveystiedot muuttuvat ajan myötä ja miten ne toisaalta liittyvät toisiinsa,” Hao kertoo.

Haon mukaan huolellisesti suunnitellut älykkäät multimodaaliset järjestelmät voivat kuitenkin selvittää tutkimuksen nykyisiä pullonkauloja ja edistää tarkempaa ja yksilöllisempää kliinistä päätöksentekoa terveydenhuollossa.

”Käytännössä nämä edistysaskeleet voivat auttaa lääkäreitä arvioimaan paremmin potilaiden riskejä, valitsemaan sopivia hoitomuotoja ja lopulta parantamaan potilaiden hoitotuloksia,” Hao kertoo.

Tulevaisuutta ajatellen Hao visioi malliensa integroimista sairaaloiden päätöksenteon tukivälineisiin, joissa multimodaalisten tietojen reaaliaikainen analyysi voisi auttaa ohjaamaan diagnostisia ja terapeuttisia päätöksiä.

Xinyu Haon väitöskirjan “Multimodal Medical Data Analysis for Improved Disease Diagnosis and Treatment Outcome Prediction” tarkastustilaisuus järjestetään perjantaina 11.6.2025. Vastaväittäjänä toimii apulaisprofessori Antti Airola (Turun yliopisto) ja kustoksena apulaisprofessori Ilkka Pölönen (Jyväskylän yliopisto).

Väitöstilaisuuden kieli on englanti.

Väitöstilaisuutta voi seurata salissa S212 (Vanha juhlasali) tai .