Koneoppiminen kariologiassa ja hampaiston määrittämisessä : mahdollisuudet, haasteet ja ihmisen rooli mallien opettamisessa
Karies eli hampaiden reikiintyminen on maailmanlaajuisesti yksi yleisimmistä
sairauksista, minkä hoitamatta jättäminen voi johtaa pahimmassa tapauksessa
hampaan menettämiseen tai verenmyrkytykseen. Tämän vuoksi karieksen havaitsemisen ja ehkäisemisen tueksi on viime vuosina tutkittu tekoälyn, erityisesti
koneoppimisen, hyödyntämistä. Koneoppimisella tarkoitetaan konetta, joka oppii ja ennustaa datasta hyödyntäen aiemmin oppimaansa. Aiemmissa alan tutkimuksissa on keskitytty koneoppimisen mallien teknisiin ominaisuuksiin ja mahdollisiin hyötyihin, mutta ihmisen osallisuutta mallin opettamisessa ei ole juurikaan tutkittu. Täten tämän tutkielman tavoitteena oli vastata kahteen tutkimuskysymykseen: ” Millä tavoin hammaslääkäri voisi hyödyntää koneoppimista
työssään kariologiassa ja hampaiston määrittämisessä?” ja ” Mikä on ihmisen
rooli koneoppimisen opettamisprosessissa, ja mitkä ovat koneoppimisen kehittämisen haasteita tällä hetkellä suun terveydenhuollossa?”. Tutkielma toteutettiin kuvailevana kirjallisuuskatsauksena ja lähteiksi valittiin erilaisia, pääasiassa
vertaisarvioituja tieteellisiä julkaisuja. Koneoppimisen mahdollisuuksiksi löydettiin kariesriskin ennustaminen potilaan esitiedoista sekä automaattinen plakin, karieksen ja hampaiston tunnistaminen ja määrittäminen erilaisista kuvista.
Ihmisen rooli edellisten mallien opettamisessa vaihteli ohjatusta opettamisesta
täysin ohjaamattomaan, riippuen mallissa hyödynnetystä teknologiasta. Lisäksi
tutkielmassa havaittiin, että suurimmat mallien kehittämiseen liittyvät haasteet
suun terveydenhuollon kontekstissa ovat henkilötietojen käsittelyyn liittyvät
lainsäädännön vaatimukset, mustan laatikon eettiset ongelmat sekä potilaiden ja
hammaslääkärien asenteista ja puutteellisista tiedoista johtuvat haasteet. Tutkielman johtopäätöksenä on, että mallien laajempaa käyttöönottoa varten tarvitaan
lisätutkimuksia sekä tietoisuuden lisäämistä ammattilaisten ja potilaiden keskuudessa. Tutkielmassa ehdotetaan jatkotoimenpiteinä toisteisten tutkimusten
tekemistä, laajempia tutkimusotantoja sekä alan yhteisten raportointistandardien luomista. Näin tutkimusten tuloksia voitaisiin tarkastella ja verrata luotettavammin keskenään, sekä mahdollistaa mallien käyttöönotto vastaanotoilla.
...
Metadata
Show full item recordCollections
- Kandidaatintutkielmat [5358]
License
Related items
Showing items with similar title or keywords.
-
Koneoppiminen radiologiassa
Patronen, Saska (2024)Koneoppiminen on kehittynyt viime aikoina nopeaa vauhtia ja sitä on sovellettu monilla eri aloilla. Tässä kirjallisuuskatsauksessa käsitellään koneoppimisen soveltamista radiologian kuvantamisessa ja siihen liittyviä ... -
Tekoälyn hyödyntäminen teollisten valmistusprosessien parantamisessa
Mauno, Topias (2023)Tämän tutkielman tarkoituksena on kuvata tekoälyn nykytilaa ja sen mahdollisia sovelluksia valmistusteollisuudessa. Tekoäly on viime vuosikymmenen aikana noussut merkittäväksi innovaation lähteeksi useilla eri teollisuudenaloilla, ... -
Tracking a rat in an open field experiment with a deep learning-based model
Kantola, Lauri (2021)New artificial neural network methods have changed the way animals are tracked in neuroscience and psychology experiments. The purpose of this thesis is to test the state-of-the-art method of animal tracking DeepLabCut and ... -
Radiosignaalien tunnistaminen neuroverkon avulla
Colliander, Jeremias (2022)Tekoäly on kehittynyt viime vuosina huimaa tahtia ja sitä on alettu soveltaa uusien haasteiden ratkaisemiseksi. Yksi tällainen haaste on pitkään ollut useiden radiosignaalien luokittelu toisistaan riittävällä tarkkuudella. ... -
Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa
Hellman, Leena (2023)Ihmisten liikkeiden tunnistusta käytetään erilaisissa valvontaan ja älykoteihin liittyvissä ratkaisuissa. Liikkeen tunnistukseen voidaan käyttää erilaisia sensoreita. Viime aikoina erityisesti tutkasensorilla tapahtuva ...