Diabeettisen retinopatian seulonta koneoppimisen avulla

(1)

Aleksi Puttonen

Diabeettisen retinopatian seulonta koneoppimisen avulla

Tietotekniikan kandidaatintutkielma 22. joulukuuta 2021

Jyväskylän yliopisto

(2)

Tekijä:Aleksi Puttonen

Yhteystiedot:aleksi.m.puttonen@student.jyu.fi Ohjaaja:Timo Tiihonen

Työn nimi:Diabeettisen retinopatian seulonta koneoppimisen avulla Title in English:Screening for diabetic retinopathy using machine learning Työ:Kandidaatintutkielma

Sivumäärä:32+0

Tiivistelmä:Tutkielmassa perehdytään diabeettisen retinopatian seulontaan koneoppimisella. Seulonta ja sen sujuvoittaminen on tärkeää, sillä diabeettinen retinopatia hoitamattomana voi pahimmassa tapauksessa sokeuttaa potilaan. Koneoppimisratkaisut ovat saaneet hyväk- syntöjä seulonta käyttöön, sillä niiden on huomattu olevan tarpeeksi tarkkoja luokittelussa.

Koneoppimisratkaisut tuovat monia hyötyjä seulontaan, ne esimerkiksi nopeuttavat diagnoosin valmistumista.

Avainsanat:koneoppiminen, retinopatia, diabetes, neuroverkko, silmänpohja

Abstract:This thesis covers screening for diabetic retinopathy using machine learning. Sc- reening and its streamlining are important, as untreated diabetic retinopathy can, in the worst case, blind the patient. Machine learning solutions has received approvals for screening, as they have been found to be enough accurate in classification. Machine learning solutions bring many benefits to screening, such as speeding up the completion of a diagnosis.

Keywords:machine learning, retinopathy, diabetes, neural network, fundus

(3)

Kuviot

Kuvio 1. Silmänpohja jaettuna neljänneksiin (Summanen ja von Wendt) . . . 6

Kuvio 2. Proliferatiivisen retinopatian aiheuttamat muutokset oikeassa silmässä (Sum- manen, Hietala ja von Wendt 2021) . . . 7

Kuvio 3. Yksinkertainen esitys neuroverkosta . . . 10

Kuvio 4. Neuroni (Abdi ym. 1999) . . . 11

Kuvio 5. Konvoluutioverkon arkkitehtuuri (O’Shea ja Nash 2015) . . . 13

Taulukot

Taulukko 1. Erilaisia keinoja kuvata silmänpohja . . . 8

Taulukko 2. IDx-DR-järjestelmän saavuttamat arvot herkkyydelle ja täsmällisyydelle (Abràmoff ym. 2018) . . . 19

Taulukko 3. Koneoppimismallin vaikutus asiantuntijoiden diagnostiseen herkkyyteen (Sayres ym. 2019). . . 21

Taulukko 4. DREAM-järjestelmän saavuttamat arvot herkkyydelle ja täsmällisyydelle (Roychowdhury, Koozekanani ja Parhi 2014) . . . 22

(4)

Sisällys

1 JOHDANTO . . . 1

2 DIABEETTINEN RETINOPATIA JA SEN SEULONTA NYKYKEINOIN. . . 3

2.1 Diabetes . . . 3

2.2 Retinopatian eri muodot . . . 5

2.3 Silmänpohjakuvat retinopatian seulonnassa . . . 6

3 KONEOPPIMINEN . . . 9

3.1 Neuroverkko . . . 9

3.2 Konvoluutioverkko . . . 12

3.3 Luokittelu ja opettaminen . . . 14

4 KONEOPPIMISEN SOVELTAMINEN RETINOPATIAN SEULONNASSA . . . 17

4.1 Silmänpohjakuvien esikäsittely . . . 17

4.2 Automaattinen retinopatian luokittelu . . . 18

4.3 Koneoppiminen asiantuntijan tukena . . . 20

5 YHTEENVETO. . . 23

LÄHTEET . . . 24

(5)

1 Johdanto

Lähes puoli miljoonaa suomalaista sairastaa diabetesta (Uusitalo ym. 2015, s. 41; Diabetes- liitto 2021). Sairaudella on monia mahdollisia komplikaatioita, jotka voivat olla niin akuut- teja, kuin kroonisiakin. Yksi diabeteksen lisäsairauksista voi syntyä silmiin. Diabeettinen retinopatia, eli diabetes-peräinen silmien verkkokalvosairaus, kehittyy yli 80 %:lle kaikista yli kymmenen vuotta diabetesta sairastaneista henkilöistä (Doshi ym. 2016). Säännöllinen sil- mänpohjien kuvaaminen ja tutkiminen, eli seulonta, on tärkeää diabeetikoille, sillä jopa hoi- toakin vaativat silmän verkkokalvon muutokset voivat olla oireettomia (Uusitalo ym. 2015, s. 41).

Kuvantaminen on nykyaikaisessa lääketieteessä merkittävä menetelmä potilaiden sairauk- sien diagnosoimisessa. Erilaisia kuvantamismenetelmiä ja niiden kohteita on monia. Koska lääketieteessäkin kerättävän datan määrä kasvaa kokoajan, ovat tutkijat kiinnostuneita koneoppimisen mahdollisuuksista kuvantamisessa. Koneoppimista onkin sovellettu lääketie- teessä erityisesti kuvantamisessa. Koska koneoppiminen käytännössä on tekniikka tunnistaa tiettyjä malleja, sopii se hyvin kuvantamiseen ja kuvien analysoimiseen (Erickson ym. 2017).

Koneoppimisen avulla potilaan hoidosta saadaan parhaassa tapauksessa sujuvampaa ja poti- las saa diagnoosinsa nopeammin (Rajkomar, Dean ja Kohane 2019).

Koneoppimisen alalajeista varsinkin neuroverkot ja syväoppiminen ovat antaneet lupaavia tuloksia lääketieteellisessä diagnostiikassa. Liu ym. (2019) mukaan syväoppimisalgoritmien diagnostinen suorituskyky tietyissä tapauksissa on noussut samalle tasolle tai jopa parem- maksi kuin tutkimuksissa mukana olleiden terveydenhuollon ammattilaisten.

Tutkielman tarkoituksena on esitellä erilaisia tapoja hyödyntää koneoppimista diabeettisen retinopatian seulonnassa. Erilaisten lähestymistapojen esittely edellyttää kuitenkin aiheeseen liittyvien käsitteiden avaamista.

Tutkielman luvussa 2 käydään läpi diabeettinen retinopatia, sen aiheuttamat muutokset sil- mänpohjassa, sekä sen seulonta nykyisillä keinoilla. Lisäksi luvussa esitellään diabetes, jonka mahdollisena komplikaationa retinopatia ilmenee. Luvussa 2.3 esitellään miten nykyai- kainen kuvantaminen toimii silmänpohjakuvien kontekstissa, ja mitä kaikkea kuvan esikäsit-

(6)

tely pitää sisällään, ennen kuin sen voi syöttää koneoppimisalgoritmeille. Silmänpohjakuvien jälkeen tutkielman luvussa 3 käydään ensin läpi yleisesti, mitä koneoppiminen on, jonka jäl- keen avataan neuroverkkoja niin yleisesti, kuin myös yksittäisen neuronin tasolta. Luvussa myös käsitellään konvoluutioverkko ja sen eroavaisuudet perinteisempään neuroverkkoon.

Luvun lopuksi perehdytään koneoppimisessa puhuttuihin luokitteluun ja opettamiseen. Lu- vussa 4 tarkastellaan erilaisia konkreettisia koneoppimisen sovelluksia retinopatian seulonnassa. Tähän sisältyy muun muassa koneoppimisen edellyttämä kuvien esikäsittely, jonka tarkoituksena on auttaa järjestelmää tekemään tarkempia luokitteluja. Lopuksi tutkielman viimeisessä luvussa 5 kootaan tutkielman pääkohdat ja johtopäätökset yhteenvetona.

(7)

2 Diabeettinen retinopatia ja sen seulonta nykykeinoin

Diabeettinen retinopatia on diabeteksen aiheuttama silmän verkkokalvosairaus, joka voi pahimmassa tapauksessa sokeuttaa potilaan (Doshi ym. 2016; Sayres ym. 2019). Potilaat, joiden näkökyky on heikentynyt diabeettisen retinopatian johdosta, eivät usein ole käyneet tar- vittavissa seulonnoissa tai hoidoissa (Clarke 2011).

Seuraavassa alaluvussa 2.1 käydään läpi erilaisia diabeteksen muotoja, joita sairastavien potilaiden on huomattu olevan alttiita saamaan diabeettinen retinopatia. Lisäksi käsitellään mahdolliset diabetes-liitännäiset riskitekijät, jotka edesauttavat retinopatian kehittymistä. Tä- män jälkeen tarkastellaan diabeettisen retinopatian eri muotoja, ja niiden ominaispiirteitä diagnostisesta näkökulmasta. Lopuksi tarkastellaan myös miten itse retinopatian seulonta toimii.

2.1 Diabetes

Kanski ja Bowling (2011) mukaan riski saada diabeettinen retinopatia diabeteksen seurauksena, korreloi vahvasti sairastetun diabeteksen pituuden kanssa. Jos potilaalla on todettu diabetes ennen 30 vuoden ikää, riski saada diabeettinen retinopatia kymmenen vuoden sisään on noin 50 %, ja kolmenkymmenen vuoden sisään noin 90 %. Muita riskitekijöitä saada retinopatia diabeteksen seurauksena, ovat muun muassa huono diabeteksen hallinta, raskaus, kohonnut verenpaine ja diabeettinen nepropatia. (Kanski ja Bowling 2011) Koska diabeettisen retinopatian voi nimensäkin mukaisesti saada diabeteksen seurauksena, on diabetes ja retinopatia-liitännäiset diabeteksen muodot hyvä käydä läpi.

Diabeteksella tarkoitetaan glukoosiaineenvaihdunnan häiriöitä, joiden seurauksina voi olla suhteellinen tai ehdoton insuliinin puute, insuliiniresistenssi tai molemmat. Huomattavin piirre diabetekselle kuitenkin on koholla oleva veren plasman glukoosipitoisuus, eli toisin sanoen korkea verensokeriarvo. (Yki-Järvinen ja Tuomi 2021) Diabetes voidaan jakaa kahteen päätyyppiinsä, jotka ovat tyypin 1 ja tyypin 2 diabetes. Muitakin diabetestyyppejä on, mutta niitä sairastavien osa Suomessa on vain noin kymmennyksen. (Insuliininpuutosdiabetes:

Käypähoito-suositus 2020a)

(8)

Tyypin 1 diabeteksessa kyseessä on haiman insuliinia tuottavissa saarekkeissa sijaitsevien beetasolujen autoimmuunitulehdus. Tulehduksen seurauksena insuliinin tuotanto vähitellen loppuu. Tämän takia hoidoksi tarvitaankin insuliinia korvaushoitona. Tyypin 1 diabetesta sairastetaan huomattavasti vähemmän verrattuna tyypin 2 diabetekseen, sillä tyypin 2 diabetesta sairastaa noin 75-80 % koko 500 000 potilaan populaatiosta. (Tyypin 2 diabetes:

Käypähoito-suositus 2020b)

Tyypin 2 diabetes alkaa useimmiten aikuisiässä. Useimmissa tapauksissa potilaalla on huomattavissa kohonnutta verenpainetta ja hän on ylipainoinen. Toisin kuin tyypin 1 diabetes, tyypin 2 diabetekselta puuttuu selkeät formaalit diagnostiset kriteerit. (Tyypin 2 diabetes:

Käypähoito-suositus 2020b)

Tyypin 1 diabetesta sairastavilla on edellä mainituista kahdesta diabetesmuodosta suurempi riski saada diabeettinen retinopatia. Tyypin 1 diabeteksen seurauksena retinopatia kehittyy 20 sairausvuoden aikana 80-100 %:lle alle 30-vuotiaana tyypin 1 diabetekseen sairastuneis- ta. Näistä 15-20 sairausvuoden kuluttua 15-50 %:lla esiintyy proliferatiivista retinopatiaa.

Tyypin 2 diabetesta sairastavien todennäköisyys saada proliferatiivinen retinopatia on sel- västi pienempi, kuin nuorena todetun tyypin 1 diabetesta sairastavilla ihmisillä. Tämä johtuu osin jo edellä mainitusta riskitekijästä, joka on sairastetun diabeteksen pituus. (Diabeettinen retinopatia: Käypähoito-suositus 2014)

Tarkasteltaessa esiintyvyyttä väestötasolta, arviolta noin joka toisella tyypin 1 diabetesta sairastavalla henkilöllä on ainakin lieväasteista diabeettista retinopatiaa. Tyypin 1 diabetesta sairastavia henkilöitä on Suomessa noin 50 000. Tämä tarkoittaa siis sitä, että noin 25 000 henkilöllä on ainakin lievää taustaretinopatiaa. Toisaalta tyypin 2 diabetesta sairastavista henkilöistä arviolta noin joka neljännellä on ainakin lievää retinopatiaa. Tämä tarkoittaa lukujen kannalta sitä, että jos oletetaan tyypin 2 diabetesta sairastavia olevan 400 000 (80

%), Suomessa tyypin 2 diabetesta sairastavista noin 100 000 henkilöllä on diabeettisen retinopatian muutoksia.

(9)

2.2 Retinopatian eri muodot

Retinopatiaa voi esiintyä useissa eri muodoissa. Sen aiheuttamat muutokset silmänpohjassa voivat esiintyä myös moninaisina ja erilaisina yhdistelminä (Uusitalo ym. 2015, s. 35).

Diabeettisen retinopatian oireisiin kuuluu muun muassa mikroaneurysmia, mikroinfarkteja ja verkkokalvon turvotusta (Uusitalo ym. 2015, s. 35). Edellä mainituista oireista mikroa- neurysmaa pidetään merkittävimpänä merkkinä diabeettisesta retinopatiasta, ja sen tunnistamiseen onkin jo kehitetty monia algoritmeja (Roychowdhury, Koozekanani ja Parhi 2014).

Retinopatia voidaan luokitella viiteen eri vaikeusasteeseen:

• Ei retinopatiaa.

• Lievä taustaretinopatia.

• Kohtalainen taustaretinopatia.

• Preproliferatiivinen retinopatia (vaikea taustaretinopatia).

• Proliferatiivinen retinopatia.

Seuraavaksi käydään läpi edellä mainittujen retinopatian eri vaikeusasteiden ominaispiirteitä.

Eriasteisten taustaretinopatioiden oireissa on paljon yhtäläisyyksiä, joten niitä on tarkoituk- senmukaista käsitellä tässä tutkielmassa yhtenä kokonaisuutena ja keskittyä enemmän taustaretinopatian ja proliferatiivisen retinopatian eroavaisuuksiin. Esitellään taustaretinopatial- le, sekä preproliferatiiviselle retinopatialle ominaisia piirteitä. Näiden lisäksi käydään myös läpi miten taustaretinopatia ja proliferatiivinen retinopatia eroavat toisistaan diagnostisesti.

Taustaretinopatialla tarkoitetaan silmänpohjan lievempiä vaikutuksia, joihin kuuluvat muun muassa luvun alussa mainittuja hiussuonten pullistumia ja verenvuotoja. Muita taustaretinopatiaan kuuluvia muutoksia ovat esimerkiksi: verkkokalvon turvotus, lipidikertymät, intrare- tinaalisia mikrovaskulaarisia muutoksia (engl.intraretinal microvascular abnormalities, lyh.

IRMA), verkkokalvon mikroinfarktit ja venopatia. (Diabeettinen retinopatia: Käypähoito- suositus 2014) Taustaretinopatian muutokset ovat yleensä niin pieniä, etteivät ne yleensä vaikuta näköön, ja siksi potilaan onkin tärkeää käydä seulonnassa. Taustaretinopatian sil- mänpohjavaikutukset voidaan estää tai taudin etenemistä ainakin hidastaa. On myös mahdollista, että varhaisessa vaiheessa ilmenneet muutokset paranevat hoitojen myötä.

(10)

Taustaretinopatia voi olla myös näölle haitallista. Kun silmänpohjan kaikissa neljänneksissä, jotka havainnollistetaan kuviossa 1, havaitaan mikroaneurysmia ja vuotoja, selvää venopa- tiaa kahdessa neljänneksistä tai IRMA-muutoksia yhdessä silmänpohjan neljänneksistä, on kyseessä silloin preproliferatiivinen retinopatia, eli vaikea taustaretinopatia. (Summanen ja von Wendt 2007)

Proliferatiivisessa retinopatiassa silmänpohjassa on huomattavissa taustaretinopatian tuo- mien muutosten lisäksi uudissuonia. Kyseessä on proliferatiivinen retinopatia, jos verkko- kalvolla tai näköhermon nystyssä havaitaan yksikin uudissuoni (Uusitalo ym. 2015, s. 35- 37). Sekä preproliferatiivinen että proliferatiivinen retinopatia voivat aiheuttaa sokeutta.

2.3 Silmänpohjakuvat retinopatian seulonnassa

Silmänpohja voidaan lääketieteellisesti kuvauksen kannalta jakaa neljään osaan: ylänasaali- seen, alanasaaliseen, ylätemporaaliseen ja alatemporaaliseen, jotka ovat esitettynä kuviossa 1. Kuviossa on vasen silmä, joten on hyvä huomioida, että oikean silmän vastaava jaottelu olisi peilikuvana.

Kuvio 1. Silmänpohja jaettuna neljänneksiin (Summanen ja von Wendt)

Silmänpohjan kuvantaminen kertoo paljon silmän terveydestä. Abràmoff, Garvin ja Sonka

(11)

(2010) määrittelevät silmänpohjan kuvantamisen prosessiksi, jossa verkkokalvon läpikuul- tavat kudokset heijastetaan kuvantamistasolle, josta ne saadaan kerättyä heijastuneen valon avulla. Näin siis kaikki 2-D kuvan tuottavat kuvantamistavat, joissa kuvan eri intensiteetit edustavat heijastuneen valon määrää, ovat määritelmän mukaan silmänpohjan kuvantamista.

Erilaisia yllämainitun määritelmän toteuttavia silmänpohjan kuvantamistapoja on esitettynä taulukossa 1.

Luvussa 2.2 mainitut mahdolliset retinopatiasta johtuvat silmän verkkokalvon muutokset ovat tunnistettavissa silmänpohjan kuvantamisella. Selvimpiä retinopatian aiheuttamia muutoksia ovat mikroaneurysmat, verenvuodot ja mikroinfarkit. Kuvio 2 auttaa havainnollista- maan proliferatiivisen retinopatian tunnusmerkit täyttävän silmän. Kuvasta on havaittu muun muassa retinopatialle ominaista verenvuotoa, sekä proliferatiivisen retinopatian yksi tunnus- merkeistä, uudissuonia.

Kuvio 2. Proliferatiivisen retinopatian aiheuttamat muutokset oikeassa silmässä (Summanen, Hietala ja von Wendt 2021)

(12)

Silmänpohjakuvauksen tapa Yksityiskohtaisempi selitys tavasta Perinteinen silmänpohjakuvaus Kuvan eri intensiteetit edustavat tietyn

aaltoalueen heijastuneen valon määrää Värillinen silmänpohjakuvaus Kuvan eri intensiteetit edustavat punai-

sen, vihreän ja sinisen aaltoalueen määrää anturin spektriherkkyydessä

Stereo silmänpohjakuvantaminen Kuvan eri intensiteetit edustavat kahden tai useamman kuvakulman aaltopituuden heijastuneen valon määrää syvyyskuvassa Hyperspektrikuvantaminen Kuvan eri intensiteetit edustavat monen eri aaltopituuden heijastuneen valon mää- rää

Skannaava laser-oftalmoskopia Kuvan eri intensiteetit edustavat yhden aallonpituuden laservalon määrää tietyn ajanjakson aikana

Adaptiivisen optiikan skannaava laser-oftalmoskopia Kuvan eri intensiteetit edustavat heijastuneen laservalon määrää, joka on optisesti korjattu mallintamalla sen aaltorintaman poikkeavuuksia

Fluoreseiiniangiografia ja

indosyaniinivihreä angiografia Kuvan eri intensiteetit edustavat fluore- seiinin tai indosyaniinin vihreän fluorofo- rin emittoimien fotonien määriä, jotka in- jektoitiin kuvattavan verenkiertoon Taulukko 1. Erilaisia keinoja kuvata silmänpohja

(13)

3 Koneoppiminen

Koneoppiminen on keino opettaa kone tunnistamaan, ennustamaan ja luokittelemaan ilmiöi- tä sille annetun datan perusteella (Bishop 2006). Koneoppiminen on laaja käsite, minkä takia tässä tutkielmassa käsitellään vain murto-osaa koko kirjosta. Luvussa 3.1 käydään läpi neuroverkko, joka on yksi koneoppimisen tunnetuimmista osa-alueista. Neuroverkko puretaan kuvainnollisesti atomeiksi, sillä luvussa käydään läpi myös perinteisen neuroverkon yksittäi- sen neuronin toimintaa. Koska perinteiset neuroverkot eivät sovellu kaikkeen, alaluvussa 3.2 käydään lyhyesti konvoluutioverkot läpi ja miten ne eroavat normaaleista neuroverkoista, sillä konvoluutioverkkoja käytetään laajalti varsinkin konenäön parissa. Lopuksi luvun vii- meisessä alaluvussa 3.3 otetaan tarkasteluun, mitäoppiminenkoneoppimisessa käytännössä on, ja minkälaisia erilaisia oppimismalleja ja koneoppimisparadigmoja on. Lisäksi perehdy- tään itse mallin tekemään luokitteluun ja sen arviointiin, esimerkiksi minkälaisia laatukritee- reitä luokittelulle voi olla.

3.1 Neuroverkko

Neuroverkko on yksinkertainen mallinnus ihmisaivojen toiminnasta (Feindt ja Kerzel 2006;

Dutta ym. 2018). Neuroverkot ovat saavuttaneet massiivisen suosionsa niiden suuren oppi- miskyvynsä ansiosta. Neuroverkko rakentuu kerroksista (engl.layer), joita ovat syötekerros, piilokerrokset ja ulostulokerros. Ulostulokerros luokitteluongelmissa koostuu mahdollisista luokista, eli toisin sanoen mahdollisista vaihtoehdoista neuroverkolle päättää, mitä luokkaa sen saama syötedata sen mielestä edustaa. Diabeettisen retinopatian tunnistamisessa neuroverkolla olisi ihannetapauksessa viisi ulostuloneuronia, jotka mukailisivat viittä vaikeusta- soa, jotka on esitelty aikaisemmin luvussa 2.2. Esimerkki kuvion 3 tapauksessa voisi ulostu- lokerroksien neuronien viittaavan esimerkiksi taustaretinopatiaan, preproliferatiiviseen retinopatiaan ja proliferatiiviseen retinopatiaan.

Yleensä neuroverkkoja havainnollistavia kuvia luetaan vasemmalta oikealle. Kuviossa 3 esitetty neuroverkko tulkitaan myös niin, että vasemmalla on syötekerros, keskellä piilokerrokset ja viimeisimpänä oikealla ulostulokerros. Nämä kerrokset taas koostuvat yksittäisistä

(14)

neuroneista (engl. neuron), joista yksi, esimerkiksi kuviossa esitetty piilokerroksen neuroni voisi vastata syötedatasta yhtä tunnistettua piirrettä. Tämä voitaisiin retinopatian tunnis- tuksen kannalta yksinkertaistaa ajattelemalla tilanne, missä yksi neuroni aktivoituisi kuviossa 2 nähtävän verenvuodon pohjalta, ja sen seurauksena ulostulokerroksella sairautta vastaava neuroni aktivoituisi. Ulostuloneuronin aktivaatio kertoisi mallia käyttävälle ihmisel- le yllämainitussa esimerkissä, että potilaalla olisi esimerkiksi taustaretinopatiaan viittaavia muutoksia silmänpohjassa. Luokittelu varsinkin kuvien pohjalta on paljon monimutkaisempi prosessi, ja se tapahtuu yleisesti konvoluutioverkkojen avulla. On kuitenkin hyvä käydä läpi myös perinteisten neuroverkkojen toimintaa, sillä ne ovat monimutkaisempienkin verkkojen taustalla toimiva ajatusmalli. Seuraavaksi käydään yksittäisen neuronin toimintaa perintei- sessä neuroverkossa.

Kuvio 3. Yksinkertainen esitys neuroverkosta

Perinteisessä neuroverkossa jokaisella neuronilla on oma joukko mukautuvia parametreja, joita kutsutaan painokertoimiksi. Yksinkertaisimmillaan yhdellä neuronilla on jokaista saamaansa syötettä vastaava painokerroin. Painojen lisäksi jokaisella neuronilla on niin sanottu kynnystermi (engl.bias) (Sarle 1994). Abdi ym. (1999) ovat kuvallistaneet yllämainitun

(15)

neuronin toiminnan, ja sitä on havainnollistettu mukailevassa kuviossa 4.

Kuvio 4. Neuroni (Abdi ym. 1999)

Saaduista syötteistä ja painoista neuroni laskee lineaarikombinaation, joka on esitetty formaalimmin alla.

a=

I

∑

i

w_ix_i=w₁x₁+w₂x₂+...+w_ix_i+...+w_Ix_I (3.1) Lineaarikombinaatiosta saatuun tulokseen lisätään lisäksi edellä mainittu kynnystermi. Näi- den toimenpiteiden jälkeen neuronille annetaan jokin aktivaatiofunktio, jota lineaarikombinaatiosta saatuun vastaukseen sovelletaan (Anthony ja Bartlett 2009, s. 76). Neuronin an- tamaa vastausta, joka on lineaarikombinaation ja aktivaatiofunktion tulos, voidaan käyttää päätöksen tekemiseen.

Yksi yleisimmistä aktivaatiofunktioista on niin kutsuttu Heavisiden funktio tai yksikköas- kelfunktio (engl. Unit Step Function), ja sen voikin havaita kuvion 4 kohdasta Aktivaatio.

Yksikköaskelfunktio on epäjatkuva funktio, joka saa arvon nolla, kunaon pienempi kuinθ, jossaθ on jokin ennalta määrätty kynnys. Toisaalta funktio saa arvon yksi, kunaon suurempi kuinθ.

YksikköaskelfunktioH(a)voidaan määritellä seuraavasti:

(16)

H(a) =







0,a<θ 1,a≥θ

(3.2) , jossaθ, kuten mainittua, on ennalta määrätty kynnys. Yleisimmin θ kuitenkin määrätään nollaksi, joka luonnollisesti tarkoittaa sitä, että yksikköaskelfunktio saa arvon nolla, kun a on negatiivinen, ja arvon yksi, kunaon positiivinen.

Toinen hyvin yleinen varsinkin konvoluutioverkkojen yhteydessä käytettävä aktivaatiofunktio on korjattu lineaarinen funktio (engl.rectified linear unit, lyh. ReLU), ja sen voikin huomata esimerkiksi kuviosta 5. ReLU-funktio käytännössä toimii siten, että jos sille syötteenä annettu arvo on suurempi tai yhtä suuri kuin nolla, palauttaa se syötearvon sellaisenaan.

Toisaalta jos syötearvo on nollaa pienempi, eli negatiivinen, se palauttaa nollan. ReLU- aktivaatiofunktio on esitettynä formaalimmin alla.

y(x) =







x,x≥0 0,x<0

(3.3)

On lisäksi hyvä huomata, että jos neuronin aktivaatiofunktiona käytettäisiin identiteettifunk- tiota, eli funktiota, joka ei tee mitään ja tulostaa lineaarikombinaation sellaisenaan, on neuroni silloin käytännössä lineaariregressiomallin kanssa samanlainen. Tämä kuitenkin neuro- verkoissa on harvinaista, sillä se ei juurikaan tuo lisäarvoa laskennalle. Edellä esitetty neuroverkon rakenne on perinteisen ja yksinkertaisen eteenpäin kytketyn (engl.feed forward) neuroverkon rakenne, joka eroaa tietyiltä osin seuraavaksi esitettävän konvoluutioverkon rakenteesta.

3.2 Konvoluutioverkko

Konvoluutioverkko on keinotekoisten neuroverkkojen luokka, ja sitä käytetään yleisimmin visuaalisten taltioiden analysoimiseen (Valueva ym. 2020).Perinteisen neuroverkon tavoin myös konvoluutioverkko koostuu syöte-, piilo- ja ulostulokerroksista. Konvoluutioverkko eroaa kuitenkinperinteisestäneuroverkosta siten, että sen piilokerrokset koostuvat konvoluu- tiokerroksesta (engl. convolution layer), koontikerroksesta (engl. pooling layer), sekä täysin

(17)

kytketyistä (engl. fully connected) kerroksista. Viimeisimmät, eli täysin kytketyt kerrokset, käytännössä suorittavat luokittelemisen aikaisempien kerroksien keräämien ominaisuuksien pohjalta. (Valueva ym. 2020) Yksinkertaisen konvoluutioverkon kerrokset ovat havainnollistettu kuviossa 5.

Konvoluutioverkko käsittelee saamaansa taltiota pikseleistä koostuvana matriisina. Jokainen pikseli matriisissa vastaa yhtä neuronia. Neuroneita ei kytketä kokonaan, vaan niistä luodaan syötekerrosta pienempi kerros, jossa jokainen neuroni on muodostettu sisääntulokerroksessa olevien paikallisten aluiden, eli toisiaan lähellä olevien neuronien pohjalta. Tämä pienempi kerros on niin sanottu piirrekartta (engl. feature map) (Goodfellow, Bengio ja Courvil- le 2016, s. 327-328). Kartta muodostetaan tarkastemalla kuvaa osa kerrallaan. Goodfellow, Bengio ja Courville (2016, s. 328) toteavat, että ytimen (engl. kernel) avulla voidaan et- siä kuvasta merkityksellisiä piirteitä, esimerkiksi reunoja. Konvoluutio-operaatiossa kuvaa tarkastellaan ikäänkuin ytimen läpi osa kerrallaan. Aikaisemmin mainittu neuronien paikallisten alueiden pohjalta tehtävä piirrekartan muodostaminen tapahtuu ytimen avulla. Tämän takia jokaisella piirrekartan neuronilla on samat painokertoimet ja kynnystermit. Kuviosta 5 voi huomata konvoluutiokerroksen, joka koostuu kuvion tapauksessa viidestä piirrekartasta.

Konvoluutioverkkojen toiminta perustuu siis siihen, että samoja painokertoimia käytetään monissa neuroneissa. Tämän seurauksena neuronit, joilla on sama painokerroin, oppivat tunnistamaan saman kohteen, mutta eri syötedatalla. Verkossa voi esimerkiksi retinopatian kannalta olla neuroneita, jotka tunnistavat hiussuonten pullistumia, vaikka ne olisivat eri kokoi- sia tai muotoisia.

Kuvio 5. Konvoluutioverkon arkkitehtuuri (O’Shea ja Nash 2015)

(18)

Konvoluutioverkon hyödyt verrattuna perinteiseen neuroverkkoon loistavat juurikin esimerkiksi kuvien analysoimisessa, sillä se pystyy itse tunnistamaan syötteestään luokittelussa ha- lutut piirteet. Jos perinteisellä neuroverkolla yritettäisiin analysoida kuvia, kasvaisi mallin painokertoimien määrä niin suureksi, ettei kaikkien painojen opettamiseen tarvittavaa dataa olisi tarpeeksi. Lisäksi perinteisellä neuroverkolla kuvien analysoiminen olisi vaikeaa, sillä jos haluttaisiin saavuttaa malli, joka tunnistaa kohteen kuvasta, jouduttaisiin kohde ku- vamaan kaikista mahdollisista suunnista ja kaikista mahdollisista kulmista. Konvoluutiover- kolla ei tätä ongelmaa ole, sillä kohde voidaan tunnistaa kuvasta sen sijainnista riippumatta.

Konvoluutioverkko siis käytännössä eroaa perinteisestä neuroverkosta siten, että se pystyy oppimaan ja erittelemään riittävästä datasta luokkia, joiden perusteella se voi päätellä esimerkiksi riippuvuuksia kuvan eri pikseleiden väleillä.

3.3 Luokittelu ja opettaminen

Mitä koneoppimisessa puhuttu luokittelu käytännössä siis on? Murphy (2012, s. 3) määritte- lee luokittelun toimenpiteenä, jossa tavoitteena on ikäänkuin kartoittaa syötetietojenXavul- la ulostulotietoY, jossaY ∈ {1, ...,C}, jossa taasCmerkkaa kaikkien mahdollisten luokkien määrää. JosC=2, eli syötetietona tulevalle luokiteltavalle datalle olisi vain kaksi mahdollista luokkaa, kutsuttaisiin tätäbinääriseksi luokittimeksi. Tästä diabeettisen retinopatian luokittelun kontekstissa esimerkkinä toimisi skenaario, jossa malli päättäisi vain, onko silmässä havaittavissa retinopatiaa kuvan perusteella, vai onko se täysin terve. Tällaiseen skenaarioon palaamme osittain luvussa 4.2.

Mallin tekemällä luokittelulle voidaan määrittää laatukriteereitä. Mallin luokittelua voidaan tarkastella esimerkiksi täsmällisyyden (engl. specificity) ja herkkyyden (engl. sensitivity) pohjalta. Luvussa 4 sivutaankin, että esimerkiksi diabeettisen retinopatian luokitteluun koneoppimisella on määrätty tietyt rajat standardiksi, joihin mallin suoriutumista onkin hyvä verrata tässä kontekstissa. Edellä mainituille kriteereille on myös olemassa formaalit mää- ritelmät ja kaavat. Parikh ym. (2008) mukaillen kaavat, kaavoissa käytettävät muuttujat, ja yleiset määritelmät molemmille kriteereistä ovat esitettynä alla.

• a= oikea positiivinen, eli oikein luokitellut tautiset silmät

(19)

• b= väärä positiivinen, eli väärin luokitellut taudittomat silmät

• c= väärä negatiivinen, eli väärin luokitellut tautiset silmät

• d= oikea negatiivinen, eli oikein luokitellut taudittomat

Täsmällisyys on todennäköisyys, jolla esimerkiksi retinopatiaa sisältämättömät silmänpoh- jakuvat on luokiteltu oikein.

Tasmallisyys= d

b+d (3.4)

Herkkyydellä kuvataan todennäköisyyttä, jolla esimerkiksi retinopatiaa sisältävät silmän- pohjakuvat on luokiteltu oikein.

Herkkyys= a

a+c (3.5)

Luokittimia voi oppimisen kannalta olla monenlaisia, mutta ne jaetaan yleisimmin kolmeen erilaiseen koneoppimisparadigmaan. Valvotussa oppimisessa (engl.supervised learning) malli tekee päätöksensä datan perusteella, ja vertaamalla saamaansa tulosta haluttuun tulokseen, se oppii. Ohjaamattomassa oppimisessa (engl. unsupervised learning) malli pyrkii käsittä- mään datan luonteen, sen piirteet ja rakenteen, ja pyrkii näiden avulla luomaan kuvaa uusista mahdollisista riippuvuuksista tiettyjen datan piirteiden ja ominaisuuksien välillä. Kolman- nessa, eli vahvistetussa oppimisessa (engl.reinforcement learning), mallia palkitaan ja ran- gaistaan sen suoriutumisen perusteella. (Murphy 2012, s. 2-3)

Malli pitää opettaa luokittelemaan, ennen kuin se voi toimia esimerkiksi lääkärin apuna.

Yleisesti kuvion 3 kaltaisissa eteenpäin kytketyissä verkoissa oppiminen tapahtuu neuronien välillä olevien painokertoimien päivittämisellä, jotka ovat mainittuina luvussa 3.1. Tämän vuoksi esimerkiksi valvotussa oppimisessa tarvitaan myös valmiiksi luokiteltua dataa, sillä neuroverkko vertaa omia tuloksiaan haluttuihin tuloksiin. Tuloksien pohjalta voidaan laskea virhe (engl. error) verkon luokitukselle. Virheen pohjalta voidaan vastavirtaus-algoritmin (engl. backpropagation) avulla päivittää neuronien painokertoimia. Näin virheestä siis saadaan mahdollisimman pieni ja luokittelusta parempi. (Abdi ym. 1999, s. 68-82)

Kuvien luokittelussa tarvittavien kuvien määrä riippuu paljon käyttökohteesta ja halutusta tarkkuudesta. Esimerkiksi Kermany ym. (2018) tutkimuksessaan kehittää järjestelmä tunnistamaan tiettyjä silmäsairauksia kuvien perusteella, keräsivät 207 130 OCT-kuvaa, joista

(20)

108 312 kuvaa käytettiin järjestelmän opettamiseen. Malli saavutti 97.8 % herkkyyden ja 97.4 % täsmällisyyden luokitellessaan silmäkuvista diabeettista makulaturvotusta, joka on seuraus diabeettisesta retinopatiasta. Tarkan ja yleisluontoisen mallin rakentaminen siis vaa- tii kohtuullisen määrän dataa ja optimointia. Kuitenkaan tämä ei ole nykypäivänä enää niin iso ongelma, sillä kuvien ja datan määrä lisääntyy myös terveydenhuollon alalla jatkuvasti.

Datan saatavuutta tukee muun muassa Kaggle-sivusto, jossa on jaossa monta tietoaineistoa ilmaiseksi jokaiselle halukkaalle.

Vaikka opettamiseen käytettävää dataa löytyisikin tarpeeksi, ei koneoppimismallien opettaminen kuitenkaan ole aivan suoraviivainen ja yksinkertainen prosessi. Opetettaessa koneop- pimismallia, yksi mahdollisista vastaantulevista ongelmista on mallin ylisovittaminen (engl.

overfitting). Tämä tarkoittaa käytännössä sitä, että mallille yritettäisiin opettaa syötedatas- ta jokainen pienikin variaatio, joka todennäköisesti olisi vain datan sisältämää kohinaa, eikä oikeasti arvokasta tietoa. Tämä halutaan välttää, sillä mallin luokittelu ei olisi esimerkiksi uudelle datalle yhtä laadukasta, sillä se olettaisi, että aikaisemmin huomattu kohina olisi- kin jokin tärkeä informaation palanen joka pitäisi ottaa mukaan luokitteluun. (Murphy 2012, s. 22) Tässäkin saa kuitenkin olla tarkkana. Jos esimerkiksi kohinan minimoinnin kanssa mennään liiallisuuksiin, voi verkon kanssa käydä niin, että se oppii luokittelemaan vain täy- sin kohinatonta dataa (tutkielman tapauksessa kuvia), ja sekoaakin pienimmästäkin kohinan palasesta. Siksi esimerkiksi luvussa 4.1 mainitun kuvan esikäsittelyn ja mallin opettamisen kanssa saa olla tarkkana ja pitää ikäänkuin tasapainon näiden kahden välillä mallin tulevai- suutta ajatellen.

(21)

4 Koneoppimisen soveltaminen retinopatian seulonnassa

Koneoppimismallien hyödyntäminen tuo terveydenhuollolle monia hyötyjä. Esimerkiksi Lin- da (2014) on esitellyt seitsemän eri ennustavan mallintamisen hyötyä terveyden ja hyvinvoin- nin kannalta:

1. Tarkempia diagnooseja.

2. Enemmän proaktiivista lääketiedettä.

3. Paremmat yksilökohtaiset diagnoosit, ja sitä kautta paremmat hoitomenetelmät.

4. Vakuutusmaksujen ja kustannusten ennakointi.

5. Tutkijoille mahdollisuus kehittää ennustemalleja edelleen tarkemmaksi ja pienemmäl- lä datamäärällä.

6. Mahdollistaa lääkefirmoille lääkkeiden kehittämisen tarvepohjaisesti.

7. Potilaan isompi rooli oman terveyden kehittämisessä.

Yllämainitut hyödyt ovat ajateltuna lääketieteen ja terveydenhuollon kannalta ylemmältä tasolta, mutta erityisesti kolme ensimmäistä kohtaa pätevät myös tämän tutkielman aihealu- eeseen, sillä myöhemmin tässä luvussa esiteltyjen koneoppimista hyödyntävien sovellusten tuloksista on huomattavissa samoja piirteitä. Ennen koneoppimismallin soveltamista diag- nostisessa päätöksenteossa, on luvussa 2.3 esitettyjä silmänpohjakuvia esikäsiteltävä. Siksi käydäänkin tässä luvussa kuvan esikäsittely ennen koneoppimisen sovelluksia retinopatian tunnistuksessa.

4.1 Silmänpohjakuvien esikäsittely

Silmänpohjakuvia on esikäsiteltävä, sillä ne saattavat sisältää jotain ei haluttua informaatio- ta luokittelun kannalta, joka voisi sekoittaa verkon keskittymään siihen, ja täten esimerkiksi luokittelemaan sairauden virheellisesti. Esimerkiksi Doshi ym. (2016) käyttivät tutkimuksessaan silmänpohjakuva-aineistoa, jonka kuvien koot vaihtelivat. Kooksi kaikkien kuvien osalta päädyttiin valitsemaan 512x512 pikseliä, sillä kuvien koko oli standardisoitava. Kuvien skaalaamisen lisäksi kuvien värimaailmaa oli rajoitettava, sillä normaali kuva, joka sisältää punaisen, vihreän ja sinisen värikanavan, olisi ollut tutkimuksen kannalta liian muistivaa-

(22)

tiva. Värikanavien lisäksi kuvat normalisoitiinMin-Max-normalisoinnilla, jotta vältettäisiin tilanne, jossa konvoluutioverkko ottaisi kuvien taustakohinan mukaan oppiessaan. Min-Max- normalisoinnissa kuvan piirteiden arvot skaalataan tietylle lukuvälille. Kuvan esikäsittelyn jälkeen kuvat voidaan antaa esimerkiksi konvoluutioverkoille. On kuitenkin tärkeää myös huomioida, että värikanavien rajaaminen oli vain yllämainitussa tutkimuksessa tehty päätös.

Ominaisuuksien pois jättäminen luokiteltavasta datasta hukkaa aina tietoa, ja siten voi jopa vaikeuttaa edessä olevaa luokittelua.

Roychowdhury, Koozekanani ja Parhi (2014) kehittämässä monivaiheisessa järjestelmässä, joka esitellään luvussa 4.3, oli myös esikäsittelymoduuli. Moduulissa kuvalle suoritettiin his- togrammin tasaus (engl.histogram equalization), joka tarkoittaa tekniikkaa, jolla säädetään digitaalisen kuvan kontrastitasoja ja laajennetaan intensiteettialuetta. Lisäksi eri tietokan- noista saatujen kuvien laadut vaihtelivat, joten tiettyjen kuvien tarkkuutta ja valaistusta oli parannettava.

Silmän esikäsittelyä ja analyysiä voidaan toisaalta tehdä myös koneoppimisen keinoin. Esi- merkiksi silmän verkkokalvon suonille on esitelty lukuisia erilaisia tapoja tunnistaa ne au- tomaattisesti. Yksi niistä on koneoppimisella kuvan pikseliominaisuuksien luokittelu, jossa kuvan pikseleille annetaan yhdestä moneen mahdollista luokkaa. Pikseliominaisuuksien luokittelua lähestytään useimmiten ohjatun oppimisen keinoin. (Abràmoff, Garvin ja Sonka 2010) Erilaisia opetustapoja on käyty läpi luvussa 3.3. Automaattinen verkkokalvon suo- nien tunnistaminen voisi auttaa esimerkiksi sulkemaan pois verisuonet joistain muista luo- kitteluista, joka omalta osaltaan on tavallaan kuvan esikäsittelyä. Kuten edellä mainituista tutkimuksistakin voidaan huomata, on datan esikäsittely yleistä, ja suurimmassa osassa ta- pauksista tarpeen, sillä oikeasta maailmasta saatu data, eli ei laboratorio-olosuhteissa kerätty data, ei ikinä ole konsistenttia.

4.2 Automaattinen retinopatian luokittelu

Automaattisesta diabeettisen retinopatian seulonnasta koneoppimisen avulla on tehty jo jonkin verran aikaisempia tutkimuksia. Michael D. Abràmoff, on ollut yksi aktiivisimmista tut- kijoista aihealueen ympärillä. Abràmoff ym. (2008) julkaisivat artikkelin, jonka mukaan heil-

(23)

lä oli tiettävästi ensimmäinen diabeettisen retinopatian seulontajärjestelmä, joka perustuu yksinomaan aikaisemmin julkastuihin algoritmeihin, ja jota on testattu näin isolla tietoai- neistolla (10 000 potilasta). Kuitenkin tutkimuksen tuloksissa on todettu, ettei pelkästään aikaisemmin julkastuihin algoritmeihin perustuvaa järjestelmää voida suositella kliiniseen käyttöön. Monien tutkimuksien tuloksena kehittyi IDx-DR-järjestelmä, joka osanaan käyt- tää jo aikaisemmin luvussa 3.2 mainittuja konvoluutioverkkoja.

Abràmoff ym. (2018) saivat lupaavia tuloksia aiheen tulevaisuuden ja sen jatkokehityksen kannalta. Tutkimuksessa tutkittiin IDx-DR-järjestelmän suorituskykyä pilottivaiheessa tunnistaa mahdollinen diabeettinen retinopatia diabetestä sairastavilta ihmisiltä. Järjestelmä saavutti aikaisemmin luvussa 3.3 mainittujen tunnistamisen herkkyyden ja spesifisyyden ennalta määrätyt standardit autonomiselle vakavan diabeettisen retinopatian tunnistamiselle, jotka Yhdysvaltain elintarvike- ja lääkevirasto (engl. Food and Drug Administration, lyh. FDA) oli määritellyt tällaiselle järjestelmälle. Herkkyydelle määritetty raja oli 85 %, ja vastaava raja täsmällisyydelle oli 82.5 %. Taulukosta 2 nähdään järjestelmän saavuttamat arvot.

Laatukriteeri Saavutettu arvo Ennalta määrätty raja

Herkkyys 87.2 % 85 %

Täsmällisyys 90.7 % 82.5 %

Taulukko 2. IDx-DR-järjestelmän saavuttamat arvot herkkyydelle ja täsmällisyydelle (Abrà- moff ym. 2018)

Tärkeänä sivuhuomiona on mainittava myös Abràmoff ym. (2018) huomaama oikean kuvan- tamistilanteen vaikutus järjestelmän herkkyyteen. Lähes identtisen järjestelmän herkkyys oli laboratorio-olosuhteissa 97 %, joka johtui muun muassa siitä, että kuvantamismenetelmä oli erilainen antaen järjestelmälle helpompia kuvia tulkita.

IDx-DR-järjestelmän pilottivaiheen tutkimusten tulokset johtivat osaksi myös FDA:n hyväk- symään käytön diabeettisen retinopatian seulonnassa aikuisilla, joilla on todettu diabetes, muttei retinopatiaa. Kuten luvussa 2.2 mainittiinkin, ihannetapauksessa järjestelmällä olisi viisi mahdollista luokkaa, joista yksi aina viittaisi tiettyyn retinopatian vaikeustasoon. Tämä kuitenkin olisi ihannetapaus, eikä sellaista järjestelmää ole vielä, joka antaisi suoraan vas-

(24)

tauksen retinopatian vaikeusastetasolla. Abràmoff ym. (2016) tutkimuksessa mainitaan IDx- DR-järjestelmän pystyvän luokittelemaan sairauden vakavuuden silmänpohjakuvasta seuraa- villa luokilla:

• Ei retinopatiaa tai vain lievää retinopatiaa.

• Kohtalaista retinopatiaa.

• Näköä uhkaavaa retinopatiaa.

On siis huomioitava ero siinä, millä tarkkuudella järjestelmä pystyyluokittelemaansilmän, ja millä tarkkuudella tulos luotettavasti annetaan. Abràmoff ym. (2018) mukaan järjestelmä ei anna tulosta yllämainitun kolmen vaihtoehdon väliltä, vaan se joko ilmoittaa, ettei löytä- nyt lievää retinopatiaa vakavampaa, ja tutkimus uusittaisiin vuoden päästä. Toinen vaihtoehto tulokselle on, että järjestelmä on havainnut lievää retinopatiaa vakavampaa retinopatiaa, ja kehottaa olemaan yhteydessä terveydenhuollon ammattilaisiin jatkon kannalta. Järjestelmä siis toimii virallisten ohjeiden mukaan. Ohjeiden mukaan lievää taustaretinopatiaa vaikeam- man retinopatian huomattua, pitää silmälääkärin kanssa sopia seurannasta ja mahdollisista operaatioista (Diabeettinen retinopatia: Käypähoito-suositus 2014).

FDA:n hyväksynnän lisäksi, IDx-DR-järjestelmää ovat myös arvioineet muut tutkijat. Van Der Heijden ym. (2018) pyrkivät tutkimuksessaan selvittämään laitteen kykyä havaita retinopatia tyypin 2 diabetesta sairastavilta henkilöiltä. Tutkimuksen tuloksissa päädyttiin sa- maan päätelmään kuin FDA:lla; järjestelmällä on korkea täsmällisyys ja herkkyys varsinkin tunnistaessa kohtalaista retinopatiaa. Tuloksissa myös todettiin IDx-DR-järjestelmän olevan kelvollinen kohtalaisen retinopatian tunnistamiseen, ja että sitä voidaan käyttää perustervey- denhuollossa, mikä osaltaan vähentää silmälääkärien tarvetta.

4.3 Koneoppiminen asiantuntijan tukena

Pelkästään täysin automaattisen järjestelmän kannalta ei ole aiheen parissa tutkimuksia tehty. Esimerkiksi Sayres ym. (2019) käyttivät syviä neuroverkkoja auttaakseen terveydenhuollon ammattilaisia tunnistamaan diabeettinen retinopatia silmänpohjakuvista. Ammattilaisia avustettiin siten, että opetettu malli tuotti lämpökartan silmänpohjakuvan päälle, jonka avulla ammattilaista ohjattiin katsomaan pienimpiäkin havaittuja muutoksia, joita kuvaa tulkitseva

(25)

ammattilainen ei välttämättä itse olisi edes huomannut. Tämän lisäksi kuvaan lisättiin histo- grammi, joka kertoi mitä luvussa 2.2 mainituista vaikeusasteista malli piti todennäköisimpä- nä kuvan perusteella. Tuloksista huomattin, että koneoppimismallin avun merkityksellisyy- teen vaikutti muun muassa asiantuntijan kliininen tausta. Kuitenkin tulokset kertoivat, että ammattilaiset suoriutuivat paremmin opetetun koneoppimismallin kanssa, kuin ilman. Tätä tuki tuloksista muun muassa se, että algoritminen terveydenhuollon ammattilaisen avustami- nen paranti tämän diagnostista herkkyyttä, kuitenkaan vähentämättä täsmällisyyttä. Sayres ym. (2019) tutkimuksessa esitettyä taulukkoa mukaillen, taulukko 3 esittää neljän verkkokalvon asiantuntijan diagnostista herkkyyttä, sekä koneella avustettuna että ilman. Taulukos- sa on vain pieni otanta asiantuntijoita, mutta se silti havainnollistaa mallin hyötyjä. Herkkyy- den parantamisen lisäksi malli vähensi diagnoosiin menevää aikaa, ja paransi ammattilaisten luottamusta diagnoosinsa suhteen.

Luokittelija Ilman avustusta Histogrammilla Histogrammilla ja lämpökartalla

Asiantuntija 1 93.24 % 90.14 % 94.12 %

Asiantuntija 2 72.06 % 82.43 % 73.24 %

Asiantuntija 3 92.65 % 84.51 % 95.95 %

Asiantuntija 4 77.46 % 89.19 % 89.71 %

Taulukko 3. Koneoppimismallin vaikutus asiantuntijoiden diagnostiseen herkkyyteen (Say- res ym. 2019)

Myös Roychowdhury, Koozekanani ja Parhi (2014) tutkimuksessaan kehittivät koneoppimis- järjestelmää, jonka tarkoituksena on auttaa terveydenhuollon ammattilaista diagnoosin teke- misessä ja esimerkiksi priorisoimaan hoitoja potilailla. Heidän kehittämä järjestelmä koostui kolmesta vaiheesta, aikaisemmin luvussa 4.1 mainitun esikäsittelymoduulin lisäksi. En- simmäisessä vaiheessa silmänpohjakuva jaolteltiin osiin. Kuvasta tunnistettiin näköhermon papilla ja verisuonisto. Järjestelmän toinen vaihe koostui hierarkkisesta rakenteesta, jossa luokittelu jaettiin vaihe vaiheelta pienempiin osiin. Ensin mahdolliset leesiot, eli vammat, luokiteltiin todellisiin leesioihin ja ei-leesioihin. Todelliset leesiot vielä jaettiin kirkkaisiin leesiohin ja punaisiin leesioihin. Tämän jälkeen hierarkkisen rakenteen toisessa vaiheessa kirkkaat leesiot luokiteltiin koviksi tulehdusnestekertymiksi (engl.hard exudates) ja pumpu-

(26)

lipesäkkeiksi, eli mikroinfarkteiksi. Samalla punaiset leesiot luokiteltiin mikroaneurysmiksi ja verenvuodoiksi. Luokittelujen jälkeen vaiheessa kolme kirkkaiden ja punaisten leesioiden määrät lasketaan ja yhdistetään, jonka avulla tuotetaan diabeettisen retinopatian vaikeusaste kuvasta löytyvälle silmälle. Kyseisessä tutkimuksessa järjestelmällä oli vaikeusasteita nel- jä; ei retinopatiaa, lievä retinopatia, kohtalainen retinopatia ja vaikea retinopatia. Järjestelmä ei siis tunne proliferatiivista retinopatiaa. Järjestelmä tutkimuksen mukaan pystyy luokittelemaan kuvan kuudessa sekunnissa. Tutkimuksessa järjestelmälle saavutetut täsmällisyys ja herkkyys on esitettynä taulukossa 4.

Laatukriteeri Saavutettu arvo

Herkkyys 100 %

Täsmällisyys 53 %

Taulukko 4. DREAM-järjestelmän saavuttamat arvot herkkyydelle ja täsmällisyydelle (Ro- ychowdhury, Koozekanani ja Parhi 2014)

(27)

5 Yhteenveto

Lääketieteellisellä kuvantamisella tuetulle diagnostiikalle on paljon nykypäiväistä tutkimusta, erityisesti siitä, miten diagnostiikkaa voitaisiin avustaa tai tehostaa koneoppimisen avulla.

Lääketieteen saralla on todettu, että koneavusteinen sekä diagnostiikka että myös muu työ on joiltain osin tehokkaampaa, kuin pelkästään terveydenhuollon ammattilaisen suorittamana.

Tutkielmassa kuitenkin keskityttiin diabeettisen retinopatian diagnosoimiseen silmänpohja- kuvista koneoppimisen avulla. Lisäksi tarkasteltiin millä tavoin koneoppimista on hyödyn- netty retinopatian seulonnassa.

Diabeettinen retinopatia on diabeteksen komplikaationa saatu sairaus, joka voi pahimmassa tapauksessa totaalisesti sokeuttaa potilaan. Retinopatian seulontaan terveydenhuollon ammattilaisten tueksi kuitenkin on jo jonkin verran tehty tutkimusta. Tutkimuksilla on ollut myös erilaisia näkökulmia asian ratkaisemiseen. Osa tutkimuksista on keskittynyt ikäänkuin korvaamaan kokonaan yhden tai useamman terveydenhuollon ammattilaisen hoitoketjusta.

Toisaalta on tutkittu myös sitä, miten terveydenhuollon ammattilaisten suoriutumista voitaisiin parantaa koneoppimisella, eikä niinkään korvata. Siitä huolimatta, että tutkimukset ovat verrattain nuoria, ovat ne saaneet jo jokseenkin lupaavia tuloksia, ja ainakin yksi monien tutkimuksien sarja aiheen parissa on johtanut automaattisen luokittelujärjestelmän laillista- miseen ja täten sen käyttöön terveydenhuollossa.

Kuten huomattua, koneoppiminen on jo isossa osassa nykypäiväistä lääketiedettä. Sen avulla voidaan parhaimmassa tapauksessa nopeuttaa ja sujuvoittaa potilaan hoitosuhdetta. Tutki- mukset varsinkin diabeettisen retinopatian automaattisen seulonnan osalta lisääntyvät kovaa vauhtia kokoajan, saaden ohjelmistojen ja koneiden parantuessa, yhä parempia tuloksia. Ko- neoppimisen tutkimista lääketieteessä ei olla lopettamassa, ja tulevaisuudessa sen osa diagnostista työtä tulee kasvamaan.

(28)

Lähteet

Abdi, H., H.A.D.V.B. Edelman, D. Valentin, B. Edelman, SAGE. ja inc Sage Publications.

1999.Neural Networks.Neural Networks, nro 124. SAGE Publications.ISBN: 9780761914402.

https://books.google.fi/books?id=9I6bzgEACAAJ.

Abràmoff, Michael D., Mona K. Garvin ja Milan Sonka. 2010. “Retinal Imaging and Image Analysis”. IEEE Reviews in Biomedical Engineering3:169–208. https://doi.org/10.1109/

RBME.2010.2084567.

Abràmoff, Michael D., Philip T Lavin, Michele Birch, Nilay Shah ja James C Folk. 2018.

“Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices”.NPJ digital medicine1 (1): 1–8.

Abràmoff, Michael D., Yiyue Lou, Ali Erginay, Warren Clarida, Ryan Amelon, James C Folk ja Meindert Niemeijer. 2016. “Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning”.Investigative ophthalmology

& visual science57 (13): 5200–5206.

Abràmoff, Michael D., Meindert Niemeijer, Maria S.A. Suttorp-Schulten, Max A. Viergever, Stephen R. Russell ja Bram van Ginneken. 2008. “Evaluation of a System for Automatic Detection of Diabetic Retinopathy From Color Fundus Photographs in a Large Population of Patients With Diabetes”.Diabetes Care31 (2): 193–198. ISSN: 0149-5992. https://doi.

org/10.2337/dc07-1312. eprint: https://care.diabetesjournals.org/content/31/2/193.full.pdf.

https://care.diabetesjournals.org/content/31/2/193.

Anthony, Martin, ja Peter L Bartlett. 2009. Neural network learning: Theoretical founda- tions.Cambridge University Press.

Bishop, Christopher M. 2006. “Pattern recognition and machine learning”. Springer.

(29)

Clarke, Margaret. 2011. “Diabetic retinopathy—reasons for screening”. TeoksessaDiabetic Retinopathy (Oxford Diabetes Library)Screening to Treatment.Oxford, UK: Oxford Univer- sity Press, toukokuu.ISBN: 9780191740114. https://doi.org/10.1093/med/9780199544967.

003.0002. https://oxfordmedicine.com/view/10.1093/med/9780199544967.001.0001/med- 9780199544967-chapter-2.

Diabetesliitto. 2021. Diabetesta sairastavien määrä tilastojen valossa. Saatavilla WWW- muodossa, https : / / www . diabetes . fi / diabetes / yleista _ diabeteksesta / tilastotietoa, viitattu 15.9.2021.

Doshi, Darshit, Aniket Shenoy, Deep Sidhpura ja Prachi Gharpure. 2016. “Diabetic retinopathy detection using deep convolutional neural networks”. Teoksessa 2016 International Conference on Computing, Analytics and Security Trends (CAST),261–266. https://doi.org/

10.1109/CAST.2016.7914977.

Dutta, Suvajit, BC Manideep, Syed Muzamil Basha, Ronnie D Caytiles ja NCSN Iyengar.

2018. “Classification of diabetic retinopathy images by using deep learning models”.Inter- national Journal of Grid and Distributed Computing11 (1): 89–106.

Erickson, Bradley J, Panagiotis Korfiatis, Zeynettin Akkus ja Timothy L Kline. 2017. “Mac- hine learning for medical imaging”.Radiographics37 (2): 505–515.

Feindt, M., ja U. Kerzel. 2006. “The NeuroBayes neural network package”. Proceedings of the X International Workshop on Advanced Computing and Analysis Techniques in Physics Research, Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment 559 (1): 190–194. ISSN: 0168-9002.

https://doi.org/https://doi.org/10.1016/j.nima.2005.11.166. https://www.sciencedirect.com/

science/article/pii/S0168900205022679.

Goodfellow, Ian, Yoshua Bengio ja Aaron Courville. 2016. Deep Learning. http : / / www . deeplearningbook.org. MIT Press.

Kanski, Jack J, ja Brad Bowling. 2011.Clinical ophthalmology: a systematic approach.El- sevier Health Sciences.

(30)

Kermany, Daniel S., Michael Goldbaum, Wenjia Cai, Carolina C.S. Valentim, Huiying Liang, Sally L. Baxter, Alex McKeown ym. 2018. “Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning”. Cell 172 (5): 1122–1131.e9. ISSN: 0092-8674.

https://doi.org/https://doi.org/10.1016/j.cell.2018.02.010. https://www.sciencedirect.com/

Linda, A. Winters-Miner. 2014. “Seven ways predictive analytics can improve healthcare”.

Elsevier.

Liu, Xiaoxuan, Livia Faes, Aditya U Kale, Siegfried K Wagner, Dun Jack Fu, Alice Bruyn- seels, Thushika Mahendiran ym. 2019. “A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis”. The Lancet Digital Health 1 (6): e271–e297. ISSN: 2589-7500. https : //doi.org/https://doi.org/10.1016/S2589-7500(19)30123-2. https://www.sciencedirect.com/

Murphy, Kevin P. 2012.Machine learning: a probabilistic perspective.MIT press.

O’Shea, Keiron, ja Ryan Nash. 2015. “An introduction to convolutional neural networks”.

arXiv preprint arXiv:1511.08458.

Parikh, Rajul, Annie Mathai, Shefali Parikh, G Chandra Sekhar ja Ravi Thomas. 2008. “Un- derstanding and using sensitivity, specificity and predictive values”.Indian journal of opht- halmology56 (1): 45.

Rajkomar, Alvin, Jeffrey Dean ja Isaac Kohane. 2019. “Machine Learning in Medicine”.

PMID: 30943338,New England Journal of Medicine380 (14): 1347–1358. https://doi.org/

10.1056/NEJMra1814259. eprint: https://www.nejm.org/doi/pdf/10.1056/NEJMra1814259.

https://www.nejm.org/doi/full/10.1056/NEJMra1814259.

Roychowdhury, Sohini, Dara D. Koozekanani ja Keshab K. Parhi. 2014. “DREAM: Diabetic Retinopathy Analysis Using Machine Learning”. IEEE Journal of Biomedical and Health Informatics18 (5): 1717–1728. https://doi.org/10.1109/JBHI.2013.2294635.

Sarle, Warren S. 1994. “Neural networks and statistical models”. Citeseer.

(31)

Sayres, Rory, Ankur Taly, Ehsan Rahimy, Katy Blumer, David Coz, Naama Hammel, Jonat- han Krause ym. 2019. “Using a Deep Learning Algorithm and Integrated Gradients Expla- nation to Assist Grading for Diabetic Retinopathy”.Ophthalmology126 (4): 552–564.ISSN: 0161-6420. https://doi.org/https://doi.org/10.1016/j.ophtha.2018.11.016. https://www.

sciencedirect.com/science/article/pii/S0161642018315756.

Summanen, Paula, Kustaa Hietala ja Gunvor von Wendt. 2021.Tunnetko diabeettisen retinopatian? Saatavilla WWW-muodossa, https : / / www . oppiportti . fi / op / dvk00099, viitattu 09.12.2021. Kustannus Oy Duodecim, verkkokurssi.

Summanen, Paula, ja Gunvor von Wendt. 2007. “Diabeettisen retinopatian luokittelu” [kie- lellä suomi].Duodecim2007/123:2641–2647.ISSN: 0012-7183.

.Silmänpohjan neljännekset.https://www.kaypahoito.fi/imk00024.

Suomalaisen Lääkäriseuran Duodecimin, Suomen Silmälääkäriyhdistyksen ja Diabeteslii- ton lääkärineuvoston asettama työryhmä. 2014. “Diabeettinen retinopatia. Käypä hoito - suositus.” Viitattu 17.10.2021. Suomalainen lääkäriseura Duodecim, Helsinki, www . kayp ahoito.fi.

Suomalaisen Lääkäriseuran Duodecimin, Suomen Sisätautilääkärien yhdistyksen ja Diabe- tesliiton Lääkärineuvoston asettama työryhmä. 2020a. “Insuliininpuutosdiabetes. Käypä hoi- to -suositus.” Viitattu 17.10.2021. Suomalainen lääkäriseura Duodecim, Helsinki, www . kaypahoito.fi.

. 2020b. “Tyypin 2 diabetes. Käypä hoito -suositus.” Viitattu 17.10.2021. Suomalai- nen lääkäriseura Duodecim, Helsinki, www.kaypahoito.fi.

Uusitalo, Hannu, Matti Ojamo, Pekka Puska, Esko Jantunen, Teuvo Ruponen, Päivi Lin- dahl, Terho Latvala, Paula Summanen, Tanja Rentto ja Ali Kinnunen. 2015.Näkövammare- kisteri 30 vuotta : pieni juhlakirja.Luku Diabeettisen retinopatian näkymät. Näkövamma- rekisterin julkaisusarja. Näkövammarekisterin 30-vuotisjuhlaseminaari Hotelli Presidentissä 18.10.2013. Helsinki: Näkövammarekisteri.

(32)

Valueva, Maria V, NN Nagornov, Pavel A Lyakhov, Georgii V Valuev ja Nikolay I Cher- vyakov. 2020. “Application of the residue number system to reduce hardware costs of the convolutional neural network implementation”.Mathematics and Computers in Simulation 177:232–243.

Van Der Heijden, Amber A, Michael D. Abramoff, Frank Verbraak, Manon V van Hecke, Albert Liem ja Giel Nijpels. 2018. “Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System”. Wiley Online Library,Acta ophthalmologica96 (1): 63–68.

Yki-Järvinen, Hannele, ja Tiinamaija Tuomi. 2021. “Diabeteksen määritelmä, erotusdiag- noosi ja luokitus.” Viitattu 13.10.2021. Kustannus Oy Duodecim. https://www.terveysportti.

fi.