Analysing the Applicability of Foundational Models for Healthcare

Thumbnail Image

Files

Ahmed_Rafat_2025.pdf (387.88 KB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-05-14

Department

Major/Subject

Tietotekniikka

Mcode

SCI3027

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

en

Pages

28

Series

Abstract

This thesis analyzes the applicability of foundational machine learning models in healthcare, focusing on three key areas: diagnosis, screening, and medical research. The study includes investigation on how these models compare to traditional AI methods and experts that manually perform these tasks in efficiency and accuracy in detecting latent diseases, during population-wide screening and streamline diagnostic processes to improve patient outcomes. It inspects the models role in medical research and discovery by enabling insights and innovations. I identify challenges associated with the implementation of foundational models in healthcare, including data restrictions, regulatory approval and ethical considerations. It further proposes potential solutions to address these barriers, such as improving data accessibility, making validation of these models more robust, and fostering collaboration between stakeholders such as medical staff, patients, researchers, regulatory bodies and healthcare payers. By analyzing current applications and limitations, this work provides an understanding of the potential of foundational models to transform healthcare while addressing the hurdles that need to be overcome for their widespread adoption.

Koneoppiminen on nopeasti kehittyvä tekoälyn osa-alue, joka voi merkittävästi parantaa terveydenhuollon diagnoosien tarkkuutta, tehostaa seulontaprosesseja ja edistää lääketieteellistä tutkimusta. Perustavat koneoppimismallit mahdollistavat suurten ja monipuolisten tietomäärien analysoinnin ja sairauksien tunnistamisen varhaisemmassa vaiheessa, mikä voi johtaa parempiin hoitotuloksiin. Tämä tutkielma tarkastelee perustavien koneoppimismallien soveltuvuutta terveydenhuollon kolmeen keskeiseen osa-alueeseen: diagnoosiin, seulontaan ja lääketieteelliseen tutkimukseen. Tarkoituksena on selvittää, kuinka nämä mallit voivat parantaa tehokkuutta ja tarkkuutta piilevien sairauksien, kuten syöpien ja kroonisten sairauksien, havaitsemisessa väestötason seulonnoissa sekä tehostaa diagnostisia prosesseja potilaiden hoitotulosten parantamiseksi. Lisäksi tutkitaan mallien roolia lääketieteellisessä tutkimuksessa ja uusien innovaatioiden mahdollistajina. Tutkielma on kirjallisuuskatsaus, jossa tarkastellaan tieteellisiä julkaisuja ja niissä raportoituja kokeellisia tuloksia. Aineistona käytettiin artikkeleita ja tutkimuksia, jotka löytyivät tutkimustietokannoista, kuten IEEE Xplore ja Google Scholar. Lähdeaineiston valintakriteereinä olivat korkea viittausmäärä sekä se, että julkaisu oli enintään viisi vuotta vanha. Tutkimuksessa tunnistettiin useita keskeisiä haasteita perustavien mallien käyttöönotossa terveydenhuollossa, kuten tiedon saatavuuteen liittyvät ongelmat, sääntelyvaatimusten noudattaminen sekä eettiset kysymykset. Näihin haasteisiin ehdotetaan ratkaisuja, kuten datan saatavuuden parantamista, mallien yleistettävyyden kehittämistä sekä yhteistyön tiivistämistä eri sidosryhmien kuten lääketieteellisen henkilöstön, potilaiden, tutkijoiden, sääntelyelinten ja terveydenhuollon maksajien välillä. Tutkimustulokset osoittavat, että koneoppimismallit voivat merkittävästi parantaa diagnoosien tarkkuutta ja seulonnan tehokkuutta. Diagnostisissa prosesseissa mallien avulla saavutettiin parempi tarkkuus verrattuna terveydenhuollon ammattilaisiin, mikä mahdollisti sairauksien havaitsemisen aikaisessa vaiheessa. Väestötason seulonnoissa mallit tunnistivat aiemmin huomaamatta jääneitä oireita ja poikkeamia potilasdatajoukoissa, mikä johti nopeampiin ja tarkempiin toimenpide-ehdotuksiin. Lääketieteellisessä tutkimuksessa perustavat koneoppimismallit auttoivat muun muassa kehityssuuntien tunnistamisessa, keskeisten löydösten poimimisessa sekä yhteenvedon luomisessa tieteellisestä kirjallisuudesta. Johtopäätöksenä todetaan, että perustavien mallien hyödyntäminen terveydenhuollon diagnostisissa ja seulontaprosesseissa voi tuoda merkittäviä parannuksia hoitotuloksiin sekä tehostaa resurssien käyttöä. Laajamittainen käyttöönotto edellyttää kuitenkin panostuksia tiedon saatavuuden parantamiseen ja sääntelykysymysten ratkaisuun. Keskeiseksi edellytykseksi innovaatioiden leviämiselle nähdään yhteistyön tiivistäminen eri sidosryhmien, kuten terveydenhuollon ammattilaisten, tutkijoiden, sääntelyelinten ja maksajien, välillä. Jatkotutkimusideoina esitetään muun muassa syvällisempien diagnostiikkamenetelmien kehittämistä, pitkäaikaisvaikutusten seurantaa käytännön hoitotyössä ja tiedon saatavuuden mahdollistamista. Näin perustavien mallien integrointi voi muodostaa perustan edistyneemmille ja potilaslähtöisemmille hoitoratkaisuille tulevaisuudessa. Analysoimalla nykyisiä sovelluksia ja rajoituksia tämä työ tarjoaa kattavan ymmärryksen perustavien mallien potentiaalista terveydenhuollon uudistamisessa sekä niistä haasteista, jotka on ratkaistava niiden laajan käyttöönoton mahdollistamiseksi.

Description

Supervisor

Savioja, Lauri

Thesis advisor

Sahlsten, Jaakko

Keywords

machine learning, foundational models, healthcare, artificial intelligence, deep learning, diagnosis

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202506034166

Collections

[kand] Perustieteiden korkeakoulu / SCI