Väitös tietojenkäsittelytieteen alalta, DI Iiris Sundin

Väitöskirjan nimi: Interactive Knowledge Elicitation for Decision-Support Models in Precision Medicine

Tohtoriopiskelija: Iiris Sundin
Vastaväittäjä: Dr. Danielle Belgrave, DeepMind, Yhdistynyt kuningaskunta
Kustos: Prof. Samuel Kaski, Aalto-yliopiston perustieteiden korkeakoulu, tietotekniikan laitos

Tekoälyn (AI) soveltamisella täsmälääketieteeseen on paljon potentiaalia. Sitä voidaan muun muassa käyttää yksilöllisten hoitojen valitsemiseen potilaan ominaisuuksien perusteella tai auttamaan uusien lääkkeiden suunnittelussa. Monissa täsmälääketieteen ongelmissa tekoälyjärjestelmän suorituskyky kärsii kuitenkin edelleen datan puutteesta. Pienestä datasta on vaikea oppia hyvää mallia, joka pystyy yleistämään uusiin tilanteisiin, minkä seurauksena malli saattaa tehdä virheitä ennustaessaan hoidon vaikutusta. Näissä tapauksissa ihmisasiantuntijoiden kokemus ja tieto voi olla arvokas tietolähde tekoälyjärjestelmän ennustustarkkuuden parantamiseksi. 

Tässä väitöskirjassa tutkitaan ihminen silmukassa -koneoppimista ja sen hyödyntämistä täsmälääketieteessä. Tavoitteena on saada koneoppimismalli suoriutumaan tehtävästään paremmin, kun sen annetaan olla vuorovaikutuksessa ihmisasiantuntijan kanssa. Tutkimuksessa keskitytään siihen, millaisia kysymyksiä tekoälyn tulisi esittää asiantuntijalle ja miten kysymykset valitaan. Esimerkkinä tutkitaan syövän yksilöllistä hoitoa ja pienten molekyylien tekoälyavusteista suunnittelua. Tulokset osoittavat, että vuorovaikutus asiantuntijan kanssa auttaa mallia ennustamaan tarkemmin, miten potilas reagoi hoitoon. Vuorovaikutuksen hyödyllisyyttä voidaan entisestään parantaa keskittämällä vuorovaikutus kysymyksiin, jotka auttavat tunnistamaan potilaalle parhaan hoidon. Toisessa käyttötapauksessa ihminen silmukassa -lähestymistapaa sovelletaan pienten molekyylien suunnitteluun lääkekehitystä varten. Kehitetyn menetelmän avulla kemisti voi antaa palautetta molekyylejä suunnittelevalle tekoälyjärjestelmälle. Palautteen avulla koneoppimismalli päättelee kemistin implisiittisen tavoitteen ja ohjaa järjestelmää ehdottamaan uusia molekyylejä, jotka vastaavat paremmin kemistin tavoitetta. Väitöskirjan tulokset tarjoavat perustan interaktiivisten koneoppimisjärjestelmien kehittämiselle, joiden avulla asiantuntijatieto voidaan integroida tekoälyjärjestelmään. Tulokset osoittavat, että tekoälyn täydentäminen ihmisen asiantuntemuksella parantaa tekoälyjärjestelmien suoriutumista tehtävästään tapauksissa, joissa dataa on alun perin liian vähän.

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 10 päivää ennen väitöstä): https://aaltodoc.aalto.fi/doc_public/eonly/riiputus/

Yhteystiedot:

Perustieteiden korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/52