Syväoppiminen Alzheimerin taudin diagnostiikassa: Konvoluutioneuroverkot MRI- ja PET-kuvien analyysissä
Jäntti, Lauri (2025-05-05)
Syväoppiminen Alzheimerin taudin diagnostiikassa: Konvoluutioneuroverkot MRI- ja PET-kuvien analyysissä
(05.05.2025)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2025050637428
https://urn.fi/URN:NBN:fi-fe2025050637428
Tiivistelmä
Alzheimerin tauti on neurodegeneratiivinen sairaus, mikä esiintyy pääsääntöisesti yli 65-vuotiailla. Väestön ikääntymisen myötä varhaisen ja tarkan diagnosoinnin merkitys korostuu. Varhainen diagnoosi mahdollistaa tehokkaamman hoidon ja parantaa potilaiden elämänlaatua. Tässä tutkielmassa tarkastellaan konvoluutioneuroverkkojen käyttöä Alzheimerin taudin diagnostiikassa hyödyntäen MRI- ja PET-kuvantamisen avulla saatuja aivokuvia. Tutkielman tavoite on selvittää, miten konvoluutioneuroverkkoja on hyödynnetty diagnostiikassa ja kuinka tarkkoja tuloksia niiden avulla on saavutettu. Lisäksi tutkielmassa tarkastellaan, tuottaako MRI- ja PET-kuvien yhdistäminen tarkempia tuloksia kuin ainoastaan yhden kuvantamismenetelmän avulla saatujen kuvien analyysi.
Tutkielmassa havaittiin, että konvoluutioneuroverkkoja voidaan hyödyntää sekä yksinään että yhdistettynä toiseen kone- tai syväoppimismenetelmään. Konvoluutioneuroverkkoja voidaan käyttää sekä syvien piirteiden etsinnässä että luokittelussa. Toisaalta luokittelu voidaan suorittaa myös toisen kone- tai syväoppimismenetelmän avulla, jolloin konvoluutioneuroverkkojen tehtävänä on avustaa ainoastaan syvien piirteiden etsinnässä. Tutkimustulosten perusteella MRI- ja PET-kuvien yhdistäminen tuottaa pääsääntöisesti parempia tuloksia kuin ainoastaan toisen kuvantamismenetelmän käyttö. Tämä korostuu erityisesti tilanteissa, joissa luokkien väliset erot ovat hienovaraisia, kuten MCIc:n ja MCInc:n erottelussa. Poikkeuksena on kuitenkin useampia joko MRI- tai PET-kuvia hyödyntävät menetelmät, joita käyttämällä on saavutettu kilpailukelpoisia tuloksia. Tämä havainto viittaa siihen, että luokittelun tarkkuuteen voi vaikuttaa enemmän analysoitavien kuvien määrä kuin se, ovatko kuvat eri kuvantamismenetelmistä. Välttämättä ei tarvita sekä MRI- että PET-kuvia paremman tarkkuuden saavuttamiseksi, vaan jo useampi yhden kuvantamismenetelmän kuva voi parantaa mallin tarkkuutta. Lisäksi tutkielmassa havaittiin konvoluutioneuroverkkojen ongelmana niiden päätöksenteon läpinäkymättömyys. Mallit eivät perustele, mihin piirteisiin niiden päätökset perustuvat. Diagnostiikkaprosessin yhteydessä tulisi olla mahdollista perustella, mitkä kuvan alueet vaikuttavat mallin päätöksiin.
Tutkielmassa havaittiin, että konvoluutioneuroverkkoja voidaan hyödyntää sekä yksinään että yhdistettynä toiseen kone- tai syväoppimismenetelmään. Konvoluutioneuroverkkoja voidaan käyttää sekä syvien piirteiden etsinnässä että luokittelussa. Toisaalta luokittelu voidaan suorittaa myös toisen kone- tai syväoppimismenetelmän avulla, jolloin konvoluutioneuroverkkojen tehtävänä on avustaa ainoastaan syvien piirteiden etsinnässä. Tutkimustulosten perusteella MRI- ja PET-kuvien yhdistäminen tuottaa pääsääntöisesti parempia tuloksia kuin ainoastaan toisen kuvantamismenetelmän käyttö. Tämä korostuu erityisesti tilanteissa, joissa luokkien väliset erot ovat hienovaraisia, kuten MCIc:n ja MCInc:n erottelussa. Poikkeuksena on kuitenkin useampia joko MRI- tai PET-kuvia hyödyntävät menetelmät, joita käyttämällä on saavutettu kilpailukelpoisia tuloksia. Tämä havainto viittaa siihen, että luokittelun tarkkuuteen voi vaikuttaa enemmän analysoitavien kuvien määrä kuin se, ovatko kuvat eri kuvantamismenetelmistä. Välttämättä ei tarvita sekä MRI- että PET-kuvia paremman tarkkuuden saavuttamiseksi, vaan jo useampi yhden kuvantamismenetelmän kuva voi parantaa mallin tarkkuutta. Lisäksi tutkielmassa havaittiin konvoluutioneuroverkkojen ongelmana niiden päätöksenteon läpinäkymättömyys. Mallit eivät perustele, mihin piirteisiin niiden päätökset perustuvat. Diagnostiikkaprosessin yhteydessä tulisi olla mahdollista perustella, mitkä kuvan alueet vaikuttavat mallin päätöksiin.