Siirto-oppiminen toiminnallisessa aivokuvantamisessa

Abstract

Neurologiset sairaudet ovat yleisiä ja niiden diagnosointia tukevat koneoppimismallit vaativat paljon opetusdataa. Sairauksien varhainen diagnosointi mahdollistaisi hoidon varhaisen aloittamisen, mutta potilasdataa on tyypillisesti saatavilla vähän. On tärkeä löytää malleja, joita pystytään opettamaan pienellä datamäärällä. Siirto-oppiminen on koneoppimisen osa-alue, jossa suuremmalla aineistolla koulutetun mallin tietoa voidaan siirtää samankaltaisen ongelman malliin.

Tässä kandidaatintyössä tutkittiin siirto-oppimisen käyttöä toiminnallisen aivo-kuvantamisdatan analyysissa keskittyen epilepsiadiagnostiikkaan ja Alzheimerin taudin havaitsemiseen. Työssä käsiteltävät aivokuvantamismenetelmät olivat aivosähkökäyrä, aivomagneettikäyrä ja toiminnallinen magneettikuvantaminen. Alalta löytyvien tulosten lisäksi työssä tarkasteltiin siirto-oppimisen soveltamisen haasteita ja hyötyjä sekä tulevaisuudennäkymiä. Työ tehtiin kirjallisuustutkimuksena.

Siirto-oppimisella opetetut mallit olivat läpikäytyjen tutkimusten mukaan tarkempia ja suorituskykyisempiä kuin muut nykytekniikan mukaiset analysointimallit. Mallien kouluttamiseen tarvittiin vähemmän opetusdataa, mikä ratkaisi vähäisen potilasdatan ongelman. Haasteita tiedon siirtämiselle aiheutui tutkittavien ongelmien keskinäisestä erilaisuudesta sekä data-aineistojen vaihtelevasta koosta ja ulottuvuuksien määrästä.

Siirto-oppiminen koettiin hyödylliseksi työkaluksi sairauksien tulkitsemisessa toiminnallisesta aivokuvantamisdatasta. Sen avulla sairauksia pystytään havaitsemaan aiemmin ja potilaille pystytään tarjoamaan toiminnan heikkenemistä estävää hoitoa ajoissa. Tulevaisuudessa siirto-oppimista tutkitaan enemmän ja todennäköisesti sille löydetään uusia sovelluskohteita.