20.01.2023

HUSissa kehitetty tekoälyalgoritmi tunnistaa TT-kuvista aivoverenvuodon

Kuvassa A näkyy pään TT-kuvassa laaja-alainen SAV. Kuvassa B on punaisella merkitty alueet, joissa algoritmi on havainnut verta.

CleverHealth Networkin AI Head Analysis -hankkeessa on kehitetty tekoälyyn perustuvaa työkalua, joka tunnistaa tietokonetomografiakuvista hengenvaarallisen aivoverenkiertohäiriön, lukinkalvonalaisen verenvuodon. Algoritmin tarkkuus on erinomainen ja sillä on mahdollisuus parantaa potilaiden oikea-aikaista diagnostiikkaa. Tutkimustuloksia on juuri julkaistu arvostetussa Neurology-lehdessä. Lisäksi tekoälymalli on avattu avoimesti koko tutkimusyhteisön käyttöön, jotta kuka tahansa voi testata sen toimivuutta.

HUS Helsingin yliopistollisen sairaalan neurokirurgian tutkijat ovat olleet mukana kehittämässä tekoälyyn pohjautuvaa algoritmia, joka tunnistaa tehokkaasti tietokonetomografiakuvista lukinkalvonalaisen aivoverenvuodon (SAV). Arvostetussa Neurology-lehdessä julkaistussa tutkimuksessa tarkasteltiin tekoälyyn perustuvan algoritmin toimivuutta aivoverenvuotopotilaiden diagnostiikassa. Tekoälyä opetettiin HUSissa hoidossa olleiden potilaiden pään TT-kuvien aineistoon pohjautuen. Tekoälytyökalun toimivuutta tarkasteltiin myös laajemmassa kansainvälisessä aineistossa.

Kovan päänsäryn takia päivystykseen tulleille potilaille tehdään tietokonetomografiakuvaus (TT) kriittisten elintoimintojen häiriöiden, kuten aivoverenvuodon poissulkemiseksi. Aivoverenvuodon syyn tunnistaminen on potilaan hoidon kannalta tärkeää. Lukinkalvonalaisen aivoverenvuodon saaneista potilaista jopa 75 prosenttia kuolee vuoden kuluessa uusintavuotoon, jos aivoverenvuotoa ei tunnisteta oikea-aikaisesti.

“Pään tietokonetomografiakuvaukset ovat sairaaloissa yleisimpiä päivystysajan kuvantamistutkimuksia ja SAV on yleisin aivoverenkiertohäiriöihin liittyvä työikäisten äkkikuoleman syy. Tekoälyalgoritmi pystyi tunnistamaan tarkasti lukinkalvonalaisen aivoverenvuodon. Tekoäly voisi toimia radiologien apuna kuvien tulkinnassa, erottelemalla ne tietokonetomografiakuvat, jotka vaativat kiireellisintä huomiota, Neurokeskuksen neurokirurgian osastonylilääkäri, dosentti Miikka Korja kertoo. 

Diagnoosin tekee edelleen radiologi ja hoitopäätökset hoitava lääkäri.

Tekoälytyökalu tunnisti 1 300 TT-kuvauksen aineistosta oikein 136 SAV-tapausta 137:stä. Aineisto koostui yhteensä 49 000 leikekuvasta, joista tekoäly tunnisti SAV-vuodon 1 845 leikekuvassa 2 110 leikkeen joukosta.

 

Algoritmi avattu tutkimusyhteisön käyttöön

Osana tutkimusartikkelia on perustettu internetsivusto, jossa kuka tahansa voi testata algoritmin toimintaa lataamalla sivustolle pään TT-kuvan.

”Tekoälyalgoritmin avaaminen läpinäkyvästi tutkimusyhteisön käyttöön on merkittävä uudistus lääketieteellisen kuvantamisen alalla ja pidämme tällaista toimintatapaa keskeisenä, kun jatkossa kehitetään kliiniseen työhön tarkoitettuja tekoälyyn perustuvia malleja”, toinen tutkimuksen päätutkijoista, lääkäri Heikki Peura HUSista kertoo.

Lukinkalvonalaisen aivoverenvuodon tunnistava tekoälyalgoritmi on jaettu avoimesti jatkokehitykseen. Tutkimusryhmä on jatkanut aivoverenvuotojen algoritmien kehittämistä HUSin koordinoiman CleverHealth Network -ekosysteemin AI Head Analysis -yhteistyöhankkeessa yhdessä CGI:n ja Planmecan kanssa. Ensimmäinen kliiniseen käyttöön suunniteltu algoritmipaketti tunnistaa lukinkalvonalaisen aivoverenvuodon lisäksi muut spontaanit aivoverenvuodot. Juuri julkaistu algoritmi on osa uutta algoritmipakettia.

”Meillä on Suomessa kansainvälisen yhtiömme suurin terveydenhuollon IT-palvelujen osaamiskeskus, jossa on kehitetty muun muassa potilastietojärjestelmiä, kuten OMNI360. Tällaisten ydinjärjestelmien lisäksi haluamme olla aktiiviesti mukana tutkimassa ja kehittämässä ratkaisuja, joissa valjastetaan tekoälyä terveyden edistämiseen. Tämä yhteistyö CleverHealth Networkissa on ollut inspiroivaa ja hedelmällistä. Nyt saatu tieteellinen tunnustus on tärkeä askel”, iloitsee CGI:n Digital Society -yksikön johtaja Mikko Lehto.

HUS toivoo saavansa uuden algoritmipaketin kliiniseen testaukseen 2023 aikana, ja jatkossa olisi toiveena saada algoritmille viranomaishyväksyntä käyttöön myös potilastyössä.


Artikkeli:

Antonios Thanellas, Heikki Peura, Mikko Lavinto et al.
Development and External Validation of a Deep Learning Algorithm to Identify and Localize Subarachnoid Hemorrhage on CT Scans.
Neurology 2022;00:1-10. doi:10.1212/WNL.0000000000201710