Syväoppivia neuroverkkoja voidaan hyödyntää lääketieteellisten kuvien muodostamisessa, analysoinnissa ja tulkinnassa. Yksi syväoppivien neuroverkkojen käyttökohteista on etsiä ja luokitella radiologisesta kuvadatasta mielenkiinnon kohteina olevia rakenteita.
Aortta on sydämestä happipitoista verta kehon eri osiin vievä valtimo. Aortan seinämän sisäkalvo voi revetä, jolloin aortan seinämän sisään muodostuu joko hyytyneen tai nesteisen veren täyttämä tila. Sisäkalvon repeämää ja seinämään muodostunutta tilaa kutsutaan aortan dissekoitumaksi. Aortan dissekoitumaan sairastuneita potilaita seurataan aortan tietokonetomografia- tai magneettikuvauksin, jotta nähdään, tapahtuuko aortassa epätoivottua laajenemista.
Koulutamme syväoppivaa neuroverkkoa potilaita hoitavien lääkäreiden avuksi mittaamaan aortan dissekoitumaan liittyviä keskeisiä muuttujia tietokonetomografiatutkimuksista. Aortan dissekoituman tunnistavia neuroverkkoja on jo kehitetty, mutta tähän mennessä neuroverkkojen avulla ei ole pystytty tunnistamaan luotettavasti aortan seinämän ulkoreunaa eikä dissekoitumiin liittyvää seinämän sisäistä verihyytymää. Aortan ulkopoikkimittojen ja seinämän verihyytymien muutokset seurannan aikana ovat merkityksellisiä tietoja potilaan hoidon kannalta.
Kehittämämme syväoppivan neuroverkon avulla on tavoitteena saada nykyistä tarkempaa tietoa aortan tilavuudesta, halkaisijasta ja seinämän verihyytymistä. Tällöin potilasta hoitavalla lääkärillä olisi käytössään aiempaa kattavammat tiedot aortan tilasta ja sen muutoksesta seurannan aikana hoitopäätösten tueksi. Neuroverkko on tavoitteena integroida osaksi potilaiden kuvantamisprosessia instituutiossamme ja neuroverkkoa on tavoitteena kehittää jatkuvasti paremmaksi kuvantamisdatan karttuessa. Kuvaamme neuroverkon kehitysprosessin ja raportoimme tulokset yksityiskohtaisesti kansainvälisissä julkaisusarjoissa, mikä mahdollistaa vastaavien neuroverkkojen kehitystyön myös muissa tekoälykeskuksissa. Fuugin säätiön apurahalla hankitaan piirtokäyttöön soveltuva kannettava tietokone, jonka käyttö nopeuttaa merkittävästi tekoälyn koulutusprosessia tavanomaiseen tietokoneeseen verrattuna.
