Väitös: Koneoppiminen voi auttaa kielisyövän hoidon suunnittelussa

Kielisyöpä on yleisin pään ja kaulan alueella esiintyvä syöpä. Se aiheuttaa paljon kuolemia ympäri maailman. Lisäksi se voi heikentää puhekykyä sekä vaikeuttaa nielemistä ja pureskelemista.

Kielisyövän suurin haaste on sen asianmukainen hoito: varhainen diagnosointi, hoidon suunnittelu ja lääkäreiden harkittu päätöksenteko.

Väitöstutkimuksessaan Alabi esittää, että koneoppimisen tekniikoiden käyttäminen voi auttaa kielisyövän tehokkaassa hoidossa. Hän on kehittänyt verkkotyökalun, joka jakaa syöpäpotilaat korkean ja matalan riskin ryhmiin.  Tämä auttaa suunnittelemaan syöpäpotilaille tehokkaan hoidon.

– Kielisyöpäpotilaiden hoito on tärkeää suunnitella oikein, jotta parannetaan annettavan hoidon laatua ja potilaiden selviytymistodennäköisyyttä, sanoo 15. huhtikuuta väittelevä Alabi.

Koneoppimistekniikat toivat parempi tuloksia kuin perinteiset menetelmät

Rasheed Alabin kehittämä ennakoivan koneoppimisen malli ennakoi 88,2 prosentin tarkkuudella, uusiutuuko kielisyöpä hoidon jälkeen. Lisäksi koneoppimisen malli ennusti kielisyöpäpotilaiden yleisen selviytymistodennäköisyyden paremmin kuin muut keinot, kuten levinneisyyden selvittäminen ja nomogrammi.

Tutkimuksessa esitetyllä mallilla pystytään lievittämään kielisyövän aiheuttamaa psykologista, sosiaalista ja taloudellista kuormitusta. Verkkopohjaisella ennakointityökalulla varmistetaan, että jokaista potilasta kohdellaan erillisenä tapauksena (yksilöllinen lääkitys), jotta voidaan suunnitella tehokas kielisyövän hoitostrategia.

Esitetty ennakointimalli voi tehdä hoidon suunnittelusta yksilöllisempää sekä auttaa välttämään tarpeettomia hoitoja, tehostamaan syöpähoitoon liittyvää päätöksentekoa, antamaan realistista neuvontaa, tekemään harkittuja päätöksiä ja parantamaan yleistä selviytymistodennäköisyyttä. Kun syövän uusiutuminen ennakoidaan varhain, kielisyöpäpotilaiden kuolleisuus laskee.

Koneoppimiseen liittyvät ongelmat päivittäisessä hoitokäytännössä

Alabi havaitsee väitöstutkimuksessaan useita huolenaiheita, jotka voivat vaikuttaa kehitetyn mallin käyttöön päivittäisessä hoitotyössä. Nämä huolenaiheet on ryhmitelty eettisiin haasteisiin, jotka liittyvät koneoppimiseen ja kliiniseen toteutukseen.

Eettisiin haasteisiin sisältyvät yksityisyys ja luottamuksellisuus, kollegoiden erimielisyys, potilaiden vapaus valita haluamansa hoitomenetelmä, jaettu päätöksenteko ja sujuvan toteutuksen oikeudellinen kehys.

Osa ongelmista johtuu koneoppimisen tekniikasta, esimerkiksi mallin toteuttaminen niin, että se on selitettävissä, sen ymmärtäminen, miten päätös tai ennuste on tehty eli tulkittavuus sekä mallin yleistettävyys.

Väitöstilaisuus

Diplomi-insinööri Rasheed Alabin tietoliikennetekniikan alaan kuuluva väitöstutkimus "Machine learning for personalized prognostication of tongue cancer" tarkastetaan torstaina 15.4.2021 klo 12 Vaasan yliopistossa.

Väitöstilaisuus järjestetään etäyhteyden kautta: https://uwasa.zoom.us/j/8515167887

Vastaväittäjänä tilaisuudessa toimii professori Simo Saarakkala (Oulun yliopisto) ja kustoksena professori Mohammed Elmusrati.

Alabi, Rasheed (2021) Machine learning for personalized prognostication of tongue cancer. Acta Wasaensia 457. Väitöskirja, Vaasan yliopisto.

• Julkaisun pdf: http://urn.fi/URN:ISBN:978-952-476-945-7

Lisätiedot

Alabi Rasheed Omobolaji on syntynyt Lagosin osavaltiossa Nigeriassa. Hän on suorittanut alemman korkeakoulututkinnon informaatioteknologiassa Helsingin Metropolia-ammattikorkeakoulussa vuonna 2013 ja diplomi-insinöörin tutkinnon (Communications and Systems Engineering) Vaasan yliopistossa vuonna 2017. Tällä hetkellä hän työskentelee tutkijana Vaasan yliopistossa.

Rasheed Alabi, puhelin 044 205 6910, sähköposti: ralabi (@) uwasa.fi ja alabi.rasheed.omobolaji (@) gmail.com

Kuva: Rasheed Alabi väittelee Vaasan yliopistossa torstaina 15. huhtikuuta. Kuva: Riikka Kalmi/Vaasan yliopisto