Koneoppimisen mahdollisuudet lääketieteellisessä diagnostiikassa

Abstract

Eksponentiaalisesti kasvavan datamassan, kasvaneen laskentatehon ja jatkuvasti kehittyvien algoritmien ansiosta koneoppimismenetelmien hyötypotentiaali lisääntyy jatkuvasti lääketieteellisen päätöksenteon tukena. Koneoppimismenetelmiä onkin käytetty jo laajasti teollisuuden ja liike-elämän sovellutuksissa, mutta kliininen konteksti asettaa sen metodeille omat ainutlaatuiset haasteensa. Tässä tutkimuksessa tutustutaan kirjallisuuskatsauksen keinoin koneoppimisen hyödyntämisen nykytilaan kliinisen päätöksenteon tukena. Aluksi kirjallisuuskatsauksessa määritellään keskeiset käsitteet. Tämän jälkeen esitellään käyttötapauksia, joissa koneoppimismenetelmiä on onnistuneesti sovellettu kliinisen diagnostiikan tukena. Tämän jälkeen perehdytään osittain ainutlaatuisiin ongelmiin, joita tekoälymetodien ja koneoppimistekniikoiden käyttö tuo mukanaan lääketieteellisessä ympäristössä. Lopuksi hahmotellaan tutkimuskirjallisuudesta kehityssuuntia koneoppimismenetelmien käytössä koskien lääketieteellistä diagnostiikkaa.

Possible beneficial use cases of machine learning methods are ever growing due to data mass that is growing exponentially, growth in computational power and the constant development of algorithms. Machine learning methods have already been in use widely in the fields of industry and business, but the clinical context presents unique challenges for usage of computer aided decision-making. At first in the literary review, we define key concepts. After this, we present use cases where machine learning algorithms have been successfully applied to support clinical diagnostics. Then we present the unique problems related to the use of artificial intelligence and machine learning methods in the medicinal field. In the end, we present some ways that the usage of machine learning methods in support of clinical decision-making is changing in the future.