Lähi-infrapunalla tarkoitetaan infrapunan aluetta, joka sijaitsee lähellä näkyvää valoa (700 – 2500 nm). Lähi-infrapunaspektroskopiassa eli NIRS:ssä (Near-infrated spectroscopy) hajotetaan lähi-infrapunasäteilyä eri aallonpituuksille tai taajuuksille, ja tätä tuotosta sanotaan spektriksi. Menetelmän avulla pystytään tutkimaan, kuinka jokin aine imee (absorboi) itseensä energiaa lähi-infrapunasta sen eri aallonpituuksilla. Sillä pystytään esimerkiksi tunnistamaan aineesta molekyylejä sekä niiden lukumääriä. Tunnistaminen perustuu jokaiselle aineelle ominaiseen niin kutsuttuun sormenpääalueeseen (engl. Fingerprint region) lähi-infrapuna-aallonpituusalueella. Lähi-infrapuna-alue soveltuu erityisesti biologisten aineiden analysointiin, ja siksi sitä hyödynnetään mm. lääkinnällisessä käytössä. Sen avulla pystytään paikallistamaan aivojen verenkiertohäiriöitä ja tehostamaan suusyövän varhaista diagnosointia.

Lähi-infrapunaa käytetään monissa käytännön sovellutuksissa, ja koska sen säteily (tai infrapunasäteily yleisesti), spektri sekä absorptio ovat ihmisen näköaistin saavuttamattomissa olevia ilmiöitä, tulisi niitä kuitenkin pystyä analysoimaan visuaalisesti. Visualisoinnilla tarkoitetaan tiedon muuttamista muotoon, josta ihminen pystyy havainnoimaan ja tulkitsemaan tietoa näköaistin avulla. Graafit, kaaviot ja diagrammit ovat tekniikoita, joiden avulla pystyy esittämään tietoa visuaalisesti. Lähi-infrapunan hyödyntäminen diagnostisissa menetelmissä edellyttää, että sen spektriä ja aineen absorptiota pystyy esittämään visuaalisesti, jotta asianmukaiset asiantuntijat (esim. lääkäri tai bioanalyytikko) pystyvät tekemään tarvittavia johtopäätöksiä analysoitavasta kohteesta.

NIRS:n data koostuu kahdesta muuttuvasta jäsenestä: aallonpituudesta sekä absorptiosta kyseisellä aallonpituudella. Absorptio on arbitraarinen suure, joten havaitut absortiot eri valmistajien laitteiden välillä ei ole kvalitatiivisesti vertailukelpoisia. Kun dataa on hankittu ja järjestetty koko lähi-infrapunaspektrin väliltä, puhutaan tällöin spektroskopiasta, josta näkee, kuinka aine esim. vesi absorboi itseensä energiaa eri aallonpituuksilla. Tällaiseen visualisointiin soveltuu parhaiten perinteinen viivakaaviomenetelmä, sillä NIRS:ssä mitataan aallonpituutta absorption funktioina, ja kyseisellä kaaviolla pystyy helposti analysoimaan absorption muutosta eri aallonpituuksien väliltä.

Esimerkiksi suusyövän diagnostiikassa NIRS:aa voidaan hyödyntää mittaamalla spektri potilaan sylkinäytteestä. Spektristä voidaan havainnoida muutoksia verrattuna terveisiin verrokkeihin. Suusyöpäpotilaiden syljistä on havaittu suusyövälle ominaisten biomarkkerien L-fukoosin ja L-proliinin pitoisuuksien muutoksia. Syljessä L-fukoosin pitoisuuden on havaittu kohonneen verrattuna terveisiin verrokkeihin, kun L-proliinin pitoisuus on madaltunut verrattuna terveisiin verrokkeihin. Näitä pitoisuuksien muutoksia voidaan havainnoida vertaamalla syöpäpotilaan syljen spektriä terveen verrokin syljen spektrissä havaittaviin absortioihin eri aallonpituusalueilla.

Suusyövän diagnostiikka vaikeuttaa muunmuassa syövän aiheuttamien limakalvomuutosten ja –kasvainten visuaalinen havainnointi, kun syöpä on jo myöhäisessä vaiheessa. Varhaisvaiheen syöpämuutoksia ei yleensä havaita paljain silmin, jolloin ei osata epäillä tautia eikä siten ottaa tarvittavia biopsianäytteitä. Visualisointityökalua voidaan hyödyntää rutiininomaisissa hammas- tai yleislääkärin tai suuhygienistin tarkastuksissa. Suun limakalvoilta ja sen pinnalla olevasta syljestä voidaan mitata NIR-spektri suuonteloon sopivaa spektroskopia-anturia käyttäen. Mitattua spektriä voidaan verrata terveistä verrokeista sekä suusyöpäpotilaiden spektreistä rakennettuun kirjastoon. Visualisoidun spektrin avulla käyttäjä näkee mahdolliset muutokset absorptiossa, ja näin potilas voidaan tarvittaessa ohjata lisätutkimuksiin.

NIRS diagnostiikka -työkalun kehityksessä tulisi visualisointimenetelmän (viivadiagrammin) lisäksi keskittyä sen potentiaalisen hyödyn ja hyvän käytettävyyden saavuttamiseen. Jotta ratkaisu olisi tehokas ja hyödyllinen käyttäjälleen, pitäisi sen käyttö vaatia mahdollisimman vähän toimia käyttäjältä visualisointia varten. Tämä edellyttää sitä, että datan käsittelyyn liittyvien prosessien tulisi olla automatisoituja ja niiden pitäisi tapahtua käyttäjän huomaamatta eli työkalun käytön taustalla. Visualisointityökalun tulisi olla mahdollisimman helppokäyttöinen loppukäyttäjälle, siksi sen toiminta pitäisi olla selkeä ja helposti ymmärrettävä. Tämän saavuttamiseksi voitaisiin hyödyntää graafisia käyttöliittymiä, joiden kautta visualisointityökalua käytettäisiin. Tyypillisesti dataa, jota halutaan visualisoida, säilötään tiedostossa esim. Excel- tai CSV-muodossa. Tätä varten työkaluun pitäisi lisätä toimintoja ja graafisia elementtejä, joiden avulla käyttäjä pystyy helposti määrittämään visualisoitavan tiedoston. Koska työkalua ensisijaisesti tullaan käyttämään spektrianalyysin tukena, siihen olisi hyvä lisätä tätä helpottavia toimintoja, kuten suodatustoiminto spektrin aallonpituuksille.

Lähteet

Hurskainen, M. O. ym., 2021. Feasibility of Near-Infrared Spectroscopy for Identification of L-Fucose and L-Proline—Towards Detecting Cancer Biomarkers from Saliva. Applied Sciences, 9662 (11(20)).