# Tekoäly osana lääketieteellistä kuvantamista - Savonia-AMK

> Artikkelissa käsitellään tekoälyä osana lääketieteellistä kuvantamista ja sen riskejä sekä tulevaisuuden näkymiä.

## Johdanto
Uusien teknologioiden käyttöönotto tarjoaa lääketieteelliseen kuvantamiseen uudenlaisia mahdollisuuksia. Viime vuosina erityisesti tekoäly on otettu monipuolisesti käyttöön lääketieteellisessä kuvantamisessa, eniten sitä on hyödynnetty rintakehän alueen kuvantamisessa. Uuden teknologian käyttö on lisännyt sekä röntgenhoitajien että radiologien työn tehokkuutta, mutta sen käyttö vaatii vahvaa osaamista.

## Tekoäly keuhkosyövän diagnostiikassa
Keuhkosyöpä on yksi yleisempiä syöpäkuoleman syistä ympäri maailmaa. Tekoälysovelluksilla on pyritty helpottamaan keuhkosyövän seulontaa, hoitoa ja diagnoosin tekemistä. Tekoälyalgoritmit kykenevät havaitsemaan keuhkojen muutoksia, mikä on helpottanut syövän seulontaa ja diagnosointia. Lisäksi tekoälysovelluksia on kehitetty analysoimaan tietokonetomografiakuvauksia ja rintakehän röntgenkuvia. Nämä tekoälymallit kykenevät erottamaan toisistaan hyvän- ja pahanlaatuisia muutoksia keuhkoista, mikä helpottaa radiologia tekemään tarkempia diagnooseja ja johtopäätöksiä. Tekoälyn hyötynä on lisäksi sen kyky analysoida kuvista saatua tietoa, jota ihminen ei välttämättä kykene havaitsemaan.

## Luotettavuus ja kliiniset sovellukset
Tekoälyalgoritmin luotettavuutta on tutkittu esimerkiksi Helsingin yliopistollisessa sairaalassa. Tutkimuksessa tekoälyalgoritmi pyrki tunnistamaan tietokonetomografiakuvista aivoverenvuotoja. Tekoälytyökalu tunnisti 1300 tietokonetomografiatutkimusaineistosta oikein 136/137 lukinkalvonalaista verenvuotoa. Tekoälysovelluksia on kehitetty myös moneen muuhun käyttöön, kuten esimerkiksi sepelvaltimoiden kalsiumpitoisuuden arviointiin, ahtauman tunnistamiseen sekä vakavuuden arviointiin. Tekoälyn hyödyntäminen sepelvaltimotaudin arvioinnissa on parantanut potilaan hoidon laatua.

## Tekoäly ja potilasturvallisuus
Tekoäly tuo paljon eri työtehtäviä helpottavaa tekniikkaa, mutta se ei kykene korvaamaan kokonaan ihmistä. Sen tekemät päätökset vaativat valvontaa ja huolellista tarkastamista, sillä muuten potilasturvallisuus saattaa vaarantua. Tämän lisäksi tulee varmistaa se, että tekoälyn päätökset ovat johdonmukaisia. Tekoälyä voidaan tulevaisuudessa todennäköisesti hyödyntää myös tutkimuslähetteiden, kuvantamismenetelmien ja potilastietojen tarkastamisessa. Vaikka tekoälystä voi tulevaisuudessa olla hyötyä esimerkiksi potilaan asettelussa optimaaliseen tutkimusasentoon tai potilastietojen tarkastuksessa, on röntgenhoitaja edelleen vastuussa tutkimuksen oikeaoppisesta toteuttamisesta.

## Osaamisen kehittäminen
Tekoälysovellusten käyttäminen saattaa vaikuttaa heikentävästi työntekijöiden osaamiseen, sillä uudet käytännöt tekoälyn hyödyntämisessä voivat johtaa henkilökunnan taitojen ja itsenäisen päätöksenteon heikentymiseen kuvantamisen eri vaiheissa. Lisäksi uudet teknologiat vaativat osaamista niiden käyttämiseen ja ymmärtämiseen. On tärkeää, että henkilökunta saa hyvän perehdytyksen tekoälyn tarjoamiin mahdollisuuksiin.

## Tulevaisuuden näkymät
Uudet tekoälyyn perustuvat järjestelmät lääketieteellisessä kuvantamisessa eivät todennäköisesti aiheuta suurta hämmennystä, sillä röntgenhoitajat ja radiologit ovat tottuneet sopeutumaan uusiin teknologioihin ja omaksumaan kehityksen mukanaan tuomat muutokset. Tulevaisuudessa ei ole todennäköistä, että tekoäly korvaisi terveydenhuollon ammattilaisen täysin, koska henkilökunnan ja potilaiden välistä viestintää ei voida ainakaan lähitulevaisuudessa täysin korvata.

## Kirjoittajat
* Tuomas Saranpää, röntgenhoitajaopiskelija, Savonia-ammattikorkeakoulu
* Kaija Laitinen, lehtori, Savonia-ammattikorkeakoulu

## Lähteet
* Hosny A, Parmar C, Quackenbush J, Lawrence H. Schwartz, Aerts H. 2018. Artificial intelligence in radiology. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6268174/ (Viitattu 14.10.2023)
* Bi WL, Hosny A, Schabath MB, Giger ML, Birkbak NJ, Mehrtash A, Allison T, Arnaout O, Abbosh C, Dunn IF, Mak RH, Tamimi RM, Tempany CM, Swanton C, Hoffmann U, Schwartz LH, Gillies RJ, Huang RY, Aerts HJWL. 2019. Artificial intelligence in cancer imaging: Clinical challenges and applications. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6403009/ (Viitattu 14.10.2023)
* Thanellas A, Peura H, Lavinto M, Ruokola T, Vieli M, Staartjes V, Winklhofer S, Serra C, Regli L, Korja M. 2023. Development and External Validation of a Deep Learning Algorithm to Identify and Localize Subarachnoid Hemorrhage on CT scans. https://www.neurology.org/doi/10.1212/WNL.0000000000201710 (Viitattu 19.10.23)
* Liao J, Huang L, Qu M, Chen B, Wang G. 2022. Artificial Intelligence in Coronary CT Angiography: Current Status and Future Prospects. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9247240/ (Viitattu 19.10.23)
* Schalekamp S, Klein WM, van Leeuwen KG. 2021. Current and emerging artificial intelligence applications in chest imaging: a pediatric perspective. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8409695/ (Viitattu 27.10.2023)