KUMPPANUUS
Tekoäly tuo apua hammashoitoon ja leukakirurgiaan Suomessa kehitetty syväoppimiseen perustuva malli paikantaa tarkasti ja nopeasti alaleuan hermokanavan. Sen käyttö säästää radiologien ja hammaslääkärien päivittäistä työaikaa.
Teksti Marjukka Puolakka Kuvat Nature.com (CC BY 4.0) Hammasimplanttia asentavan hammaslääkärin on tiedettävä potilaan alaleuan hermokanavan tarkka sijainti, jotta hän voi suunnitella implantin koon ja asennon sekä koko toimenpiteen. Tähän tarvitaan röntgenkuvia, joista hammaslääkäri tai radiologi määrittää kanavan sijainnin manuaalisesti piste pisteeltä. Kuvien tulkinta on työlästä ja aikaavievää. Hammashoitolaitteita valmistava Planmeca, Suomen tekoälykeskus FCAI ja Tampereen yliopistollinen sairaala (Tays) yhdistivät voimansa ja kehittivät tekoälypohjaisen mallin, joka paikantaa alaleuan hermokanavan 3d-röntgenkuvista ihmistä nopeammin ja muita automatisoituja menetelmiä tarkemmin. ”Yhteistyö lähti liikkeelle kliinistä työtä tekevien asiantuntijoiden tarpeista ja siitä, kuinka voimme auttaa heidän päivittäistä työtään. Tekoälyn hyödyntäminen säästää huomattavasti potilaan hoidon suunnitteluun käytettyä aikaa”, sanoo Planmecan tutkimus- ja teknologiajohtaja Vesa Varjonen. Kehitetty menetelmä perustuu syvien neuroverkkojen kouluttamiseen suurella määrällä kliinistä dataa, joka koostui kolmiulotteisista kartiokeilatietokone tomografialla (KKTT) otetuista kuvista. ”Saimme Tampereen yliopistolliselta sairaalalta käyttöömme laajan ja monipuolisen kliinisen aineiston, joka oli tuotettu useilla 3d-kuvantamislaitteistoilla. Data jaettiin satunnaisesti niin, että osaa siitä käytettiin neuroverkkojen kouluttamiseen ja osa erotettiin kehitetyn menetelmän testaamiseen ja validointiin”, kertoo Aalto-yliopiston väitöskirjatutkija Jaakko Sahlsten.
42 / AALTO UNIVERSITY MAGAZINE 32
Tekoäly on tehokas ja väsymätön apulainen Alaleuan hermokanavassa eli mandibulaarikanavassa kulkee leuan motoriikkaa ja kasvojen tuntoa ohjaavia hermoja. Implantin asentamisen lisäksi sen paikantaminen on tärkeää esimerkiksi viisaudenhampaiden poistamisessa ja leukakirurgiassa. Leukaluun sisällä kulkevan kanavan sijainti ja reitti on jokaisella ihmisellä yksilöllinen. ”Yksi iso haaste tekoälymallin kouluttamisessa oli, että kallosta otetussa 3d-röntgenkuvassa mandibulaarikanava on hyvin pieni suhteessa koko kuvan data sisältöön. Aineistona tällainen koulutusdata on hyvin epätasapainoinen”, Sahlsten sanoo. Yhteistyö Taysin radiologien kanssa oli avainasemassa siinä, kuinka data saatiin valjastettua tekoälyn opettamiseen. ”Kun hermoverkolle syötetään iso määrä dataa, johon mandibulaarikanavan sijainti on merkitty, se oppii optimoimaan omat sisäiset parametrinsa. Oppimisen lopputuloksena syntynyt hermoverkko löytää nopeasti mandibulaarikanavan sille syötetystä yksilöllisestä 3d-datasta”, Varjonen sanoo. Hermoverkkomallin testaus tutkimusaineistosta erotetulla potilasdatalla osoitti, että malli onnistui paikantamaan mandibulaarikanavat niin, että vain 1–4 prosenttia tapauksista saattaa olla virheellisiä. ”Kliinisissä arvioissa asiantuntijat kävivät läpi mallin tuottamia tuloksia ja totesivat, että 96 prosentissa tapauksista ne olivat kliinisesti täysin käytettävissä. Meillä on vahva luottamus siihen, että malli toimii hyvin”, Sahlsten toteaa.