Väitös tietotekniikan alalta, DI Jaakko Sahlsten

Väitöskirjan nimi: Applicability and Robustness of Deep Learning in Healthcare

Tohtoriopiskelija: Jaakko Sahlsten
Vastaväittäjä: Prof. Frank Emmert-Streib, Tampereen yliopisto, Suomi
Kustos: Prof. Jouko Lampinen, Aalto-yliopiston perustieteiden korkeakoulu, tietotekniikan laitos

Terveydenhuollon ammattilaiset analysoivat lääketieteellisiä kuvia aikaa vievissä, työläissä ja rutiininomaisissa kliinisissä tehtävissä, joiden voidaan odottaa lisääntyvän väestön ikääntyessä. Viime aikoina syväoppimismenetelmät, etenkin konvoluutioneuroverkot (CNN), ovat toimineet huipputasolla erilaisissa kuva-analyysitehtävissä. Tästä huolimatta nämä menetelmät voivat olla liian itsevarmoja sekä menetelmien suorituskyky voi heikentyä kun niitä arvioidaan menetelmän kehitysaineiston jakauman ulkopuolisilla aineistoilla esimerkiksi potilaiden kuvaus eri laitteella. 

Tässä väitöskirjassa kehitettiin CNN-menetelmiä kahteen kliiniseen kuvapohjaiseen tehtävään eli diabeettisen retinopatian luokitukseen, mandibulaarikanavan paikantaminen, vaarassa olevien elinten segmentointiin ja kurkun syövän segmentointiin. Menetelmiä arvioitiin molemmissa tehtävissä sovellettavuuden ja herkkyyden suhteen tarkastelemalla mallien suorituskykyä ja niiden muutoksia käyttämällä useita monipuolisia aineistoja. Lisäksi työssä kehitettiin ja arvioitiin Bayesiläisillä CNN-menetelmillä ja uusia epävarmuusmittareilla epävarmuuden hyödyntämiseen kliinisessä työnkulussa esimerkiksi palauttamalla epävarmat tapaukset terveydenhuollon ammattilaisen tarkistukseen ja automaattisesti analysoimalla loput. 

Käytetyillä CNN-menetelmillä saavutettiin kliinisesti hyväksyttävä taso tai lääketieteen asiantuntijan suorituskyky diabeettisen retinopatian luokituksessa, mandibulaarikanavan paikannuksessa, ja kurkun syövän segmentaatiossa kun tarkisteltiin jakauman sisäisellä aineistolla. Lisäksi menetelmien suorituskyvynmuutokset vaihteli, kun niitä arvioitiin jakauman ulkopuolisilla aineistoilla. Lisäksi Bayesiläiset CNN-menetelmät ja uudet epävarmuusmittarit paransivat epävarmuuden hyödyllisyyttä, mutta erityiset suositukset menetelmien valinnan suhteen ovat edelleen epäselviä. 

Väitöskirjan tulokset motivoivat laajentamaan CNN-analyysiä muissa lääketieteellisiin kuvantamiseen perustuvissa tehtävissä korkean tason suoritusten perusteella. Menetelmien luotettavuuden parantamiseksi voi kuitenkin olla perusteltua suorittaa lisäanalyysejä, joissa käytetään monipuolisia aineistoja sekä parannettua epävarmuuden käyttökelpoisuutta käyttämällä Bayesiläisiä CNN:itä ja tehtäväkohtaisia epävarmuusmittareita.

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

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