Applicability and Robustness of Deep Learning in Healthcare
| dc.contributor | Aalto-yliopisto | fi |
| dc.contributor | Aalto University | en |
| dc.contributor.advisor | Kaski, Kimmo, Prof., Aalto University, Department of Computer Science, Finland | |
| dc.contributor.author | Sahlsten, Jaakko | |
| dc.contributor.department | Tietotekniikan laitos | fi |
| dc.contributor.department | Department of Computer Science | en |
| dc.contributor.school | Perustieteiden korkeakoulu | fi |
| dc.contributor.school | School of Science | en |
| dc.contributor.supervisor | Lampinen, Jouko, Prof., Aalto University, Department of Computer Science, Finland | |
| dc.date.accessioned | 2024-02-02T10:00:48Z | |
| dc.date.available | 2024-02-02T10:00:48Z | |
| dc.date.defence | 2024-02-16 | |
| dc.date.issued | 2024 | |
| dc.description.abstract | The worldwide population is aging causing an increased demand for healthcare, motivating a goal to reduce the burden of health professionals to maintain the expected level of care. Deep learning (DL)-based methods, especially convolutional neural networks (CNNs), have achieved state-of-the-art performance in various classification and segmentation tasks on imaging data. Thus, there is an interest in applying these methods to automate routine, laborious or time-consuming clinical tasks based on medical imaging. However, the conventional DL approaches may not be trustworthy to be used in healthcare due to limited explainability combined with overconfidence and their sensitivity to distribution shifts. In this thesis, the applicability of DL approaches in healthcare are investigated in the clinical tasks of screening and medical image segmentation. The approaches are evaluated for robustness to distribution shifts with in-distribution and out-of-distribution datasets including other imaging centers, devices, and under defacing techniques. In order to improve the lack of explainability and overconfidence, approximate Bayesian neural networks with novel uncertainty measures are applied to the tasks and systematically evaluated in terms of performance and uncertainty quantification. The deep learning paradigm and its practical usage in the investigated medical imaging tasks is first introduced. The following part describes uncertainty quantification in deep learning, its downstream utilization in clinical workflow, and the current approaches of approximate Bayesian deep learning. The next part includes the summary for the included publications and related works. The last part includes the conclusion and discussion about the analysis, its limitations, and proposed future research to improve the trustworthiness and applicability of deep learning techniques for imaging in healthcare. The publications demonstrated that CNN-based DL methods have clinically acceptable performance in the evaluated tasks using in-distribution data. However, the robustness to distribution shift varied depending on the task such as robustness to other imaging devices but sensitivity to defacing in segmentation. In terms of explainability and overconfidence, the approximate Bayesian deep learning and the novel uncertainty measures demonstrated improved utility of uncertainty in comparison to conventional approaches in both tasks. | en |
| dc.description.abstract | Maailman väestö ikääntyy lisäten terveydenhuollon tarvetta, mikä asettaa tavoitteen vähentää terveydenhuollon henkilökunnan kuormitusta, että nykyinen hoitotaso voidaan säilyttää. Syväoppivat menetelmät etenkin konvoluutioneuroverkot ovat saavuttaneet huippuluokan tuloksia useissa luokitus- ja segmentointitehtävissä kuva-aineistoilla. Nämä tulokset ovat herättäneet kiinnostusta soveltaa kyseisiä menetelmä rutiininomaisiin, työläisiin tai aikavieviin kuva-aineistopohjaisiin kliinisiin tehtäviin. Tavanomaiset syväoppivat menetelmät eivät välttämättä ole riittävän luotettavia terveydenhuollon käytössä, koska niiden johtopäätökset eivät ole selitettävissä, ne voivat olla liian itsevarmoja ja ne yleistyvät heikosti aineistojakauman muuttuessa. Väitöskirjassa syväoppivia järjestelemiä tutkitaan sovellettuina kliinisiin tehtäviin seulonnassa ja lääketieteellisten kuvausaineistojen segmentaatiossa. Menetelmien sietokykyä jakauman muutoksiin arvioidaan saman jakauman aineistolla sekä vaihtoehtoisilla aineistoilla, jotka ovat esimerkiksi toisista kuvantamiskeskuksista, kuvantamislaitteista tai anonymisoituja. Menetelmien selitettävyyttä sekä liiallista itsevarmuutta tutkitaan järjestelmällisesti epävarmuutta paremmin tuottavilla likimääräisillä Bayesiläisillä neuroverkoilla sekä uusilla epävarmuusmittareilla. Työssä ensin esitellään syväoppiminen ja sen käytännöllinen sovellus lääketieteellisiin kuvausaineistoihin. Seuraavaksi kuvataan epävarmuuden tuottaminen syväoppivilla menetelmillä, sen hyödyntäminen kliinisessä työnkulussa ja kuvaillaan nykyisiä likimääräisiä Bayesiläisiä syväoppimismenetelmiä. Seuraava osa sisältää julkaisujen koosteen sekä tutkitun aiheen aiemman kirjallisuuden. Viimeinen osa sisältää analyysiin yhteenvedon sekä pohdinnan mukaan lukien analyysin rajoitteet ja ehdotus tulevista tutkimusaiheista, jotka edesauttavat syväoppivien järjestelmien luotettavuutta ja käyttöönottoa kuvantamisaineistoilla terveydenhuollossa. Julkaisussa näytettiin, että tavanomaisilla konvoluutioneuroverkoilla on riittävä kliininen suorituskyky samalla aineistojakaumalla. Menetelmien sietokykyisyys aineistojakauman muutoksiin vaihtelevaa kuten segmentaatiotehtävän sietokykyisyys toisiin kuvantamislaitteisiin mutta herkkyys anonymisoituun aineistoon. Selitettävyyden ja liiallisen itsevarmuuden kannalta, likimääräinen Bayesiläisen syväoppiminen ja uudet epävarmuusmittarit tuottivat käytettävämpää epävarmuutta, kun niitä verrattiin tavanomaisiin menetelmiin molemmissa tehtävissä. | fi |
| dc.format.extent | 97 + app. 99 | |
| dc.format.mimetype | application/pdf | en |
| dc.identifier.isbn | 978-952-64-1660-1 (electronic) | |
| dc.identifier.isbn | 978-952-64-1659-5 (printed) | |
| dc.identifier.issn | 1799-4942 (electronic) | |
| dc.identifier.issn | 1799-4934 (printed) | |
| dc.identifier.issn | 1799-4934 (ISSN-L) | |
| dc.identifier.uri | https://aaltodoc.aalto.fi/handle/123456789/126618 | |
| dc.identifier.urn | URN:ISBN:978-952-64-1660-1 | |
| dc.language.iso | en | en |
| dc.opn | Emmert-Streib, Frank, Prof., Tampere University, Finland | |
| dc.publisher | Aalto University | en |
| dc.publisher | Aalto-yliopisto | fi |
| dc.relation.haspart | [Publication 1]: Jaakko Sahlsten, Joel Jaskari, Jyri Kivinen, Lauri Turunen, Esa Jaanio, Kustaa Hietala, Kimmo Kaski. Deep Learning Fundus Image Analysis for Diabetic Retinopathy and Macular Edema Grading. Scientific Reports, Volume 9, Issue 1, Pages 10750, July 2019. Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-201908154680. DOI: 10.1038/s41598-019-47181-w | |
| dc.relation.haspart | [Publication 2]: Joel Jaskari, Jaakko Sahlsten, Jorma Järnstedt, Helena Mehtonen, Kalle Karhu, Osku Sundqvist, Ari Hietanen, Vesa Varjonen, Vesa Mattila, Kimmo Kaski. Deep Learning Method for Mandibular Canal Segmentation in Dental Cone Beam Computed Tomography Volumes. Scientific Reports, Volume 10, Issue 1, Pages 5842, April 2020. Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202004282940. DOI: 10.1038/s41598-020-62321-3 | |
| dc.relation.haspart | [Publication 3]: Järnstedt, Sahlsten, Jaskari and Kaski came up with the original idea. Jorma Järnstedt, Jaakko Sahlsten, Joel Jaskari, Kimmo Kaski, Helena Mehtonen, Ziyuan Lin, Ari Hietanen, Osku Sundqvist, Vesa Varjonen, Vesa Mattila, Sangsom Prapayasotok, Sakarat Nalampang. Comparison of deep learning segmentation and multigrader-annotated mandibular canals of multicenter CBCT scans. Scienfitic Reports, Volume 12, Issue 1, Pages 18598, November 2022. Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202211236569. DOI: 10.1038/s41598-022-20605-w | |
| dc.relation.haspart | [Publication 4]: Joel Jaskari, Jaakko Sahlsten, Theodoros Damoulas, Jeremias Knoblauch, Särkkä Simo, Leo Kärkkäinen, Kustaa Hietala, Kimmo Kaski. Uncertainty-Aware Deep Learning Methods for Robust Diabetic Retinopathy Classification. IEEE Access, Volume 10, Pages 76669-76681, July 2022. Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202208174908. DOI: 10.1109/ACCESS.2022.3192024 | |
| dc.relation.haspart | [Publication 5]: Jaakko Sahlsten, Kareem A. Wahid, Enrico Glerean, Joel Jaskari, Mohamed A. Naser, Renjie He, Benjamin H. Kann, Antti Mäkitie, Clifton D. Fuller, Kimmo Kaski. Segmentation stability of human head and neck cancer medical images for radiotherapy applications under de-identification conditions: Benchmarking data sharing and artificial intelligence usecases. Frontiers in Oncology, Volume 13, February 2023. Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202304122722. DOI: 10.3389/fonc.2023.1120392 | |
| dc.relation.haspart | [Publication 6]: Jaakko Sahlsten, Joel Jaskari, Kareem A. Wahid, Sara Ahmed, Enrico Glerean, Renjie He, Benjamin H. Kann, Antti Mäkitie, Clifton D. Fuller, Mohamed A. Naser, Kimmo Kaski. Application of simultaneous uncertainty quantification for image segmentation with probabilistic deep learning: Performance benchmarking of oropharyngeal cancer target delineation as a use-case. Submitted to Communications Medicine, May 2023 | |
| dc.relation.ispartofseries | Aalto University publication series DOCTORAL THESES | en |
| dc.relation.ispartofseries | 26/2024 | |
| dc.rev | Pahikkala, Tapio, Prof., University of Turku, Finland | |
| dc.rev | Holmes, Chris, Prof., University of Oxford, United Kingdom | |
| dc.subject.keyword | deep learning | en |
| dc.subject.keyword | approximate Bayesian deep learning | en |
| dc.subject.keyword | healthcare | en |
| dc.subject.keyword | medical imaging | en |
| dc.subject.keyword | uncertainty quantification | en |
| dc.subject.keyword | syväoppiminen | fi |
| dc.subject.keyword | likimääräinen Bayesin syväoppiminen | fi |
| dc.subject.keyword | terveydenhuolto | fi |
| dc.subject.keyword | lääketieteellinen kuvantaminen | fi |
| dc.subject.keyword | epävarmuuden mittaaminen | fi |
| dc.subject.other | Computer science | en |
| dc.title | Applicability and Robustness of Deep Learning in Healthcare | en |
| dc.title | Syväoppimisen soveltuvuus ja robustisuus terveydenhuollossa | fi |
| dc.type | G5 Artikkeliväitöskirja | fi |
| dc.type.dcmitype | text | en |
| dc.type.ontasot | Doctoral dissertation (article-based) | en |
| dc.type.ontasot | Väitöskirja (artikkeli) | fi |
| local.aalto.acrisexportstatus | checked 2024-02-16_0953 | |
| local.aalto.archive | yes | |
| local.aalto.formfolder | 2024_02_02_klo_08_15 | |
| local.aalto.infra | Science-IT |
