Väitös (kliininen fysiologia ja isotooppilääketiede): LL Joonas Liedes
LL Joonas Liedes esittää väitöskirjansa ”Automatic detection of head and neck cancer from PET/MRI images using deep learning” julkisesti tarkastettavaksi Turun yliopistossa perjantaina 6.2.2026 klo 12.00 (Turun yliopisto, Medisiina D, Alhopuro-sali, Kiinamyllynkatu 10, Turku).
Vastaväittäjänä toimii professori Elin Trägårdh (Lundin yliopisto, Ruotsi) ja kustoksena professori Jukka Kemppainen (Turun yliopisto). Tilaisuus on englanninkielinen. Väitöksen alana on kliininen fysiologia ja isotooppilääketiede.
Tiivistelmä väitöstutkimuksesta:
Tekoälystä apua pään ja kaulan alueen syöpien tunnistamiseen PET/MRI-kuvista
Pään ja kaulan alueen syöpien tunnistaminen kuvantamistutkimuksilla on usein vaikeaa, koska alueen anatomia on monimutkainen ja löydökset voivat muistuttaa toisiaan. Esimerkiksi tulehdus tai aiempien hoitojen jälkeinen arpikudoksen muodostus voi näyttää kuvissa samankaltaiselta kuin syöpä. Tässä väitöstutkimuksessa selvitettiin, voiko tekoälyyn pohjautuva syväoppiminen auttaa pään ja kaulan syöpien tulkinnassa PET/MRI-kuvauksissa, joissa yhdistyvät elimistön aineenvaihduntaan liittyvä tieto sekä tarkka anatominen pehmytkudosten erottelukyky.
Tutkimuksessa kehitettiin ja testattiin useita tekoälymalleja. Ensimmäinen malli pyrki paikantamaan kasvaimen kuvista. Se tunnisti oikein löydetyt kasvaimet melko tarkasti, mutta kaikkien tapausten tunnistus jäi vielä riittämättömäksi. Toisessa vaiheessa rakennettiin malli, jonka tehtävä oli luokitella, viittaavatko kuvat syöpään vai eivät. Paras malli ylsi noin 79 prosentin tarkkuuteen ja hyvään kykyyn erottaa positiiviset ja negatiiviset löydökset toisistaan. Samalla havaittiin, että tekoäly tunnistaa todennäköisimmin oikein sellaiset syövän alatyypit, joita koulutusaineistossa esiintyy paljon. Toisaalta malli, joka oli opetettu vain yleisimmällä pään ja kaulan syövällä, tunnisti tarkasti myös muita alueen syöpiä.
Kolmannessa osatyössä siirryttiin kaksiulotteisista kuvaviipaleista suoraan kolmiulotteiseen PET/MRI-dataan, eli malli analysoi koko kuvavolyymin kerralla. Tällä lähestymistavalla kehitetty 3D-luokittelija saavutti 90 prosentin tarkkuuden erillisessä 20 potilaan testijoukossa, kun radiologi ylsi samassa aineistossa 100 prosentin tarkkuuteen. Vaikka testijoukko oli pieni, tulos on lupaava ja viittaa siihen, että tekoälyä voisi jatkossa kehittää lääkärin tueksi tekemään alkuarvioita siitä, onko PET/MRI-löydös poikkeava vai ei. Tässä työssä mallin virheet olivat vääriä positiivisia eli se luokitteli joitakin tapauksia poikkeaviksi, vaikka ne eivät olleet. Kliinisesti tämä on yleensä vähemmän haitallista kuin väärät negatiiviset, joissa poikkeava löydös jäisi huomaamatta. Jatkossa luokittelijaa voisi myös yhdistää segmentoivaan malliin, joka rajaa kuvista havaitun kasvaimen tarkemmin.
Tutkimus tuo uutta tietoa siitä, miten syväoppimista voidaan hyödyntää juuri PET/MRI-kuvissa pään ja kaulan syöpien arvioinnissa ja miten koulutusaineiston koostumus vaikuttaa mallien toimintaan. Jatkossa tavoitteena on saada tekoälystä tukea lääkärin päätöksentekoon, parantaa tulkinnan yhdenmukaisuutta ja tehostaa potilaan hoitopolkua. Ennen rutiinikäyttöä tarvitaan kuitenkin suurempia opetusaineistoja kehittyneempien tekoälymallien luomiseksi.
