• koneoppiminen
• LSTM
• silmätaudit

Tulokset vaikuttavat yllättävän hyviltä synteettisellä datalla. Maailman mittakaavassa se on uutta, koska tulokset olivat samanlaisia kuin alkuperäisellä datalla on saatu toisella menetelmällä.

– BCB Medical Oy

Long short-term memory-menetelmän merkittävät tulokset

Opinnäytetyötä varten nesteisen silmänpohjan ikärappeumapotilaiden (wAMD) synteettistä dataa esikäsiteltiin sopivaksi long short-term memory-koneoppimismenetelmää (LSTM) varten. Data jaettiin 67 % oppimiseen käytettävään treenidataan ja 33 % validointiin käytettävään testidataan. Testidataa koneoppimismalli ei nähnyt oppimisen aikana. Sitä käytettiin mallin tarkkuuden määrittämiseen, jolloin malli yritti hyödyntää oppimaansa tietoa treenidatasta uuteen näkemäänsä dataan.

Kokeiluilla päädyttiin siihen, että LSTM-malli näkee kyseisen treenidatan n. 10 kertaa oppimisen aikana (epoch). Nähdään, että itse koneoppimista on tosiaankin tapahtunut, jolloin LSTM-mallin tarkkuusprosentti paranee ja tappioprosentti laskee jokaisella oppimiskierroksella. Testidatalla saatu tarkkuus- ja tappioprosentti ovat erittäin tärkeitä koneoppimismallin luotettavuuden kannalta. Testidatalla se saavutti 90 %:n tarkkuuden ja noin 0,08 %:n tappion, mikä on merkittävä tarkkuus millä tahansa koneoppimismenetelmällä.

Confusion matrix esittää oikein ja väärin luokitellut eli ennustetut arvot (predicted label) testidatalla. Tämän vertailuna ovat halutut oikeat arvot (true label) testidatassa. Kuviossa ennustustarkkuudet prosentteina ennustettaessa potilaan tilaa huonoksi (0) ja hyväksi (1). LSTM-malli ennusti potilaan tilan nollat nollana 94 % oikein ja ykköset ykkösinä 82 % oikein. Väärin se ennusti ykkösen nollaksi 18 % ja nollan ykköseksi 6 %. Tulos on tärkeä potilaan tilan kannalta. Jos tila on jatkossa hyvä, ei lisätoimia vaadita jos taas tila on jatkossa huono, tarvitaan hoidon tehostamista lääkärin arvion mukaan.

Silmänpohjan ikärappeuma (AMD) maailmanlaajuisena vaivana ikääntymisen yhteydessä

AMD on maailmalla yleisin sokeutta aiheuttava tauti:

• n. 7–8 % maailman sokeista (Wong ym. 2014)
• maailman kustannukset yli 340 miljardia dollaria, joista yli 250 miljardia dollaria suoria terveydenhoitokustannuksia (BrightFocus Foundation 2021)
• kärsiviä arvioitu 196 miljoonaa, ennustetaan nousevan 288 miljoonaan vuoteen 2040 (Wong ym. 2014; BrightFocus Foundation 2021)
• Euroopassa 67 miljoonaa, ennustetaan nousevan 10 miljoonalla vuoteen 2050 (Li ym. 2022)
• Suomessa näkövammaisdiagnooseista yli 60 % (Ojamo & Tolkkinen 2020, 20–29, 40–43)
• kehitysmaiden yleisin näkövammaisuutta aiheuttava tauti (Fimea 2020, s. 4)

Tilastoja selittävät merkittävimmät riskitekijät:

• ikääntyminen
• geenit
• tupakointi
• sydän- ja verisuonitaudit. (Seitsonen 2009; Seppänen 2021.)

Nesteisen silmänpohjan ikärappeuman hoidot parantuneet ja lisääntyneet merkittävästi

Tautia esiintyy kuivana (dry AMD) ja nesteisenä muotona (wAMD). Vuosissa etenevää kuivaa muotoa esiintyy n. 80 %. Siihen ei kuitenkaan ole olemassa varsinaista parantavaa hoitokeinoa. Nesteinen muoto etenee päivissä tai viikoissa, jolloin suonikalvoston verisuonet kasvavat hallitsemattomasti ja tihkuvat nestettä tarkan näön alueelle. Hoito tapahtuu lasiaisinjektioilla, verisuonikasvuestäjillä. Näillä pyritään säätelemään uudissuonimuodostuksia, jolloin näön heikkeneminen hidastuu. (Seppänen 2021.)

Suomessa:

• annettu yli 150 000 lasiaisinjektiota vuosina 2010–2016 (Loukovaara & Haukka 2021).
• hoitotulokset parantuneet, sillä injisointimäärät ovat 100-kertaistuneet 13 vuodessa
• kasvattaneet kuormitusta silmäklinikoilla (Jørstad ym. 2020; Kivinen & Kaarniranta 2021.)

LSTM-menetelmä muistaa tärkeitä asiayhteyksiä pitkiltä ajoilta

Takaisinkytketyt neuroverkkokoneoppimismenetelmät eivät muista pitkiä aikavälejä (Bengio ym. 1993). Ongelmaa voidaan verrata kirjan lukemiseen. Lukija muistaa tekstin kontekstin edellisistä lauseista, jolloin on helpompi omaksua tulevien lauseiden asiayhteydet. Kirjan lopussa voidaan muistaa tärkeitä asioita kirjan alusta. Muistamisongelman ratkaisuna on LSTM-menetelmä, joka käyttää muistisoluja muistamaan relevantit asiat pitkiltäkin aikajaksoilta (Olah 2015).

Potilaan eliniän aikana potilastietoihin tallennetaan tehtyjä toimenpiteitä hoito- ja seurantakäynneillä. Tietoja ovat esimerkiksi, onko potilaalle annettu lääkettä ja potilaan tilan kehittyminen parempaan tai huonompaan suuntaan edelliseen käyntikertaan nähden. Näiden välillä voi olla myös pitkiä käyntikerrottomia aikajaksoja. wAMD-potilastiedot luovat hyvän pohjan koneoppimiselle.

Jatkokehitysehdotukset

LSTM-menetelmä saavutti merkittävän tarkkuuden isolla synteettisellä datalla. Tämän perusteella sitä voi kokeilla alkuperäiseen aitoon dataan. Jatkokehityksenä LSTM-mallia voidaan kehittää lääkärin tueksi potilaan tilan kehityksen ennustamiseen seuraavaan hoito- ja seurantakertaan. Toisena jatkokehitysehdotuksena voidaan kokeilla pistoshoitolääkkeen valitsemiseen potilaalle ja kolmantena hoitokustannusten ennustamiseen muutaman vuosikymmenen päähän.

Kaasikoja, Kaspar. 2022. Silmätautipotilaiden tilan ennustaminen long short-term memory-menetelmällä. Opinnäytetyö (AMK). Tieto- ja viestintätekniikan koulutus, terveysteknologia. Turku: Turun ammattikorkeakoulu. https://urn.fi/URN:NBN:fi:amk-2022052712520.

Lähteet

Bengio, Y., Frasconi, P. & Simard, P. 1993. The Problem of Learning Long-Term Dependencies in Recurrent Networks. IEEE International Conference on Neural Networks. San Francisco, CA, USA. 28.3-1.4.1993. 1183–1188. Haettu 27.5.2022 osoitteesta https://www.researchgate.net/publication/224663746_Problem_of_learning_long-term_dependencies_in_recurrent_networks.

BrightFocus Foundation 2021. Age-Related Macular Degeneration: Facts & Figures. Macular Degeneration Research. Haettu 27.5.2022 osoitteesta https://www.brightfocus.org/macular/article/age-related-macular-facts-figures.

Härkönen, U. & Kiviniemi, V. 2020. Brolusitsumabi. EUnetHTA-raportin yhteenveto ja kustannusten arviointi. Lääkealan turvallisuus- ja kehittämiskeskus Fimea. 18 s. Haettu 27.5.2022 osoitteesta https://www.fimea.fi/documents/160140/1454401/Brolusitsumabi_yhteenveto.pdf.

Jørstad, Ø.K., Steffensen, L.A., Eriksen, K., Bragadóttir, R. & Moe, M.C. 2020. Thirteen years of intravitreal anti-vascular endothelial growth factor therapy: the promises and burdens of a paradigm shift told from the perspective of the largest retina service in Norway. Acta Ophthalmologica. John Wiley & Sons, Inc. Vol. 98, No. 8, 774–779. Haettu 27.5.2022 osoitteesta https://onlinelibrary.wiley.com/doi/10.1111/aos.14177.

Kivinen, N. & Kaarniranta, K. 2021. Lasiaisinjektiot mullistivat silmänpohjan kostean ikärappeuman hoidon. Suomen Lääkärilehti. Helsinki: Suomen Lääkäriliitto. Vol. 77, 2055–2058. Haettu 27.5.2022 osoitteesta https://www.laakarilehti.fi/tieteessa/katsausartikkeli/lasiaisinjektiot-mullistivat-silmanpohjan-kostean-ikarappeuman-hoidon/?public=2e4a8c085da88f06ec826c24daec1a5b.

Li, J.Q., Welchowski, T., Schmid, M., Mauschitz, M.M., Holz, F.G. & Finger, R.P. 2020. Prevalence and incidence of age-related macular degeneration in Europe: a systematic review and meta-analysis. British Journal of Ophthalmology. London, United Kingdom: BMJ Publishing Group Ltd. Vol. 104, No. 8, 1077–1084. Haettu 27.5.2022 osoitteesta https://bjo.bmj.com/content/104/8/1077.

Loukovaara, S. & Haukka, J. 2021. Silmätoimenpiteet Suomessa vuosina 2010–2016. Suomen Lääkärilehti. Helsinki: Suomen Lääkäriliitto. Vol. 77, 2487–2496. Haettu 27.5.2022 osoitteesta https://www.laakarilehti.fi/tieteessa/alkuperaistutkimukset/silmatoimenpiteet-suomessa-vuosina-2010-ndash-2016/.

Ojamo, M. & Tolkkinen, L. 2020. Näkövammarekisterin vuosikirja 2020. 56 s. Haettu 27.5.2022 osoitteesta https://cms.nkl.fi/sites/default/files/2021-09/N%C3%A4k%C3%B6vammarekisterin%20vuosikirja%202020.pdf.

Olah, C. 2015. Understanding LSTM Networks. Haettu 27.5.2022 osoitteesta http://colah.github.io/posts/2015-08-Understanding-LSTMs/.

Seitsonen, S., Onkamo, P., Immonen, I. & Järvelä, I. 2009. Silmänpohjan ikärappeuman alttiusgeenien tunnistaminen – molekyyligenetiikan menestystarina. Lääketieteellinen aikakauskirja Duodecim. Helsinki: Suomalainen Lääkäriseura Duodecim. Vol. 125, No. 21, 2360–2364. Haettu 27.5.2022 osoitteesta https://www.duodecimlehti.fi/duo98402.

Seppänen, M. 2021. Silmänpohjan ikärappeuma (makuladegeneraatio). Lääkärikirja Duodecim. Duodecim Terveyskirjasto. Helsinki: Kustannus Oy Duodecim. Haettu 27.5.2022 osoitteesta https://www.terveyskirjasto.fi/dlk00922.

Wong, W.L., Su, X., Li, X., Cheung, C.M.G., Klein, R., Cheng, C.Y. & Wong, T.Y. 2014. Global prevalence of age-related macular degeneration and disease burden projection for 2020 and 2040: A systematic review and meta-analysis. The Lancet Global Health. Elsevier Ltd. Vol. 2, No. 2, e106–e116. Haettu 27.5.2022 osoitteesta https://www.thelancet.com/journals/langlo/article/PIIS2214-109X(13)70145-1/fulltext.

Kuva: Chris Liverani on Unsplash.