������

Suomessa kehitetty uusi syväoppimismenetelmä voi tuoda merkittävää helpotusta hammaslääkäreiden ja radiologien työhön. Menetelmä auttaa nimittäin paikantamaan tarkasti alaleuan hermokanavan eli mandibulaarikanavan, mikä puolestaan helpottaa esimerkiksi hammasimplanttien asennusta.

Hammasimplanttia asentavan hammaslääkärin täytyy tietää mandibulaarikanavan sijainti tarkkaan, jotta hän voi suunnitella implantin koon ja asennon sekä itse toimenpiteen. Alaleuka on anatomisesti monimutkainen rakenne, jonka diagnosointiin käytetään röntgenkuvausta tai tietokonetomografiaa (TT). Tavallisesti hammaslääkäri tai radiologi etsii mandibulaarikanavan sijainnin kuvasta käsin, mikä on työlästä ja aikaa vievää. Siksi luotettava ja automatisoitu tapa helpottaisi heidän työtään merkittävästi.

Suomen tekoälykeskus FCAI:n, Tampereen yliopistollisen sairaalan, hammashoidossa käytettäviä laitteita valmistavan Planmecan ja lontoolaisen Alan Turing -instituutin tutkijat kehittivät ratkaisuksi mandibulaarikanavan paikantavan menetelmän, joka perustuu syvien neuroverkkojen koulutukseen ja käyttöön. Tutkijat kouluttivat neuroverkkomallia datajoukolla, joka koostui kolmiulotteisista kartiokeilatietokonetomografialla (KKTT) otetuista kuvista.

Malli on rakenteeltaan täysin konvolutiivinen neuroverkko (fully convolutional neural network), joka kykenee tunnistamaan kuvista haluttuja rakenteita, kuten mandibulaarikanavan, hyvin tehokkaasti. Tutkimustulosten perusteella menetelmä paikansi mandibulaarikanavat erittäin tarkasti ja päihitti tehtävässä tilastolliseen muotoanalyysiin perustuvat mallit (statistical shape models), jotka on aikaisemmin todettu parhaaksi automatisoiduksi tavaksi paikantaa mandibulaarikanavat.

Valtaosa hammaslääkärin vastaanotolle tulevista tapauksista on niin sanotusti hyvälaatuisia ja helppoja: potilaalla ei ole esimerkiksi osteoporoosia. Silloin malli on tehtävässä käytännössä yhtä tarkka kuin ihminen, vapauttaen ihmisen muihin työtehtäviin. ”Vaikeiden tapausten osalta ennustetta joutuu mahdollisesti muokkaamaan, joten kone ei vielä pysty toimimaan täysin itsenäisesti”, tohtorikoulutettava Joel Jaskari kertoo.

Tekoälyn hyödyntämisen etuna on, ettei inhimillisiä vaihteluita tule: kone tekee arvion aina yhtä tarkasti ja nopeasti. ”Tutkimustyön tavoitteena ei kuitenkaan ole korvata radiologeja vaan luoda avustava työkalu, joka nopeuttaa ja tehostaa heidän työtään, jotta heille vapautuisi aikaa keskittyä haastavimpiin tapauksiin”, professori Kimmo Kaski muistuttaa.

Tutkimuksessa mukana ollut Planmeca kehittää paraikaa malliin perustuvaa ohjelmistoa asennettavaksi KKTT-kuvantamislaitteisiinsa. Tutkimustulokset julkaistiin hiljattain arvostetussa Nature Scientific Reports -julkaisussa. Linkki tutkimusartikkeliin:

������ä�پ����dz�

Joel Jaskari
Tohtorikoulutettava
Aalto-yliopisto, FCAI
Puh. +358 50 4954 885
joel.jaskari@aalto.fi

Jaakko Sahlsten
Tohtorikoulutettava
Aalto-yliopisto, FCAI
jaakko.sahlsten@aalto.fi

Kimmo Kaski
Professori
Aalto-yliopisto, FCAI
Puh. +358 50 5604 825
kimmo.kaski@aalto.fi

Suomen tekoälykeskus FCAI on valtakunnallinen tekoälyn osaamiskeskus, jonka ovat perustaneet Aalto-yliopisto, Helsingin yliopisto ja VTT. FCAI:n tavoitteena on kehittää uudenlaista tekoälyä, joka pystyy toimimaan ihmisen kanssa monimutkaisessa ympäristössä ja auttamaan suomalaista teollisuutta uudistumaan. Tekoälykeskus on yksi Suomen kuudesta tutkimuksen lippulaivasta. Suomen Akatemian lippulaivaohjelma tukee korkeatasoista tutkimusta.