Väitös

Väitös: Koneoppimismenetelmistä apua huimaustautien diagnosointiin

Korvaperäisten huimaustautien diagnosointi on haastavaa huimauksen taustatekijöiden moninaisuuden ja huimauspotilasryhmien pienuuden vuoksi. Huimaustautien erottamista toisistaan vaikeuttavat myös niiden samankaltaiset ja päällekkäiset oireet. Koneoppimismenetelmillä voidaan huimaustaudeista muodostaa tautikuvauksia, joissa huomioidaan myös potilailla esiintyviä poikkeavia oireita.

Huimaustautien diagnosoinnin tueksi kehitettiin tietojenkäsittelyopin ja lääketieteen väitöstutkimuksissa 1990-luvun lopulla huimaustautien päätöstukijärjestelmä ONE (OtoNeurological Expert system). Filosofian maisteri Kirsi Varpa jatkaa Tampereen yliopistossa tarkastettavassa väitöstutkimuksessaan tämän päätöstukijärjestelmän ja sen päättelyn perustana olevan laskennallisen tietämyksen kehittämistä.

Sovellusalueen laskennallisen tietämyksen muodostamisessa käytettiin erilaisia koneoppimismenetelmiä. Tutkimuksen keskeisenä tavoitteena on parantaa huimaustautien päätöstukijärjestelmän päättelymenetelmän kykyä tunnistaa reaalimaailman huimaustapauksia.

- Alun perin päätöstukijärjestelmän päättelyn perustana olevat tautikuvaukset muodostettiin huimaustautien asiantuntijoiden tietämyksen ja kokemuksen perusteella sekä alan kirjallisuudesta, kertoo Varpa tutkimuksensa taustoista.

- Lähtökohtana pidettiin tuolloin tautien kliinisiä kuvauksia. Järjestelmää varten kerätty huimaustautiaineisto kuitenkin osoitti, että potilailla esiintyy usein oireita, jotka eivät sovi perinteiseen taudinkuvaan. Koneoppimismenetelmien avulla on mahdollista muodostaa huimausaineistosta tautikuvauksia, jotka huomioivat myös näitä huimauspotilailla esiintyviä poikkeavia oireita.

Tutkimuksen kohteena oleva päättelymenetelmä, lähimmän hahmon menetelmä, perustuu päätöstukijärjestelmän huimaustautien tautikuvauksiin. Tautikuvauksissa määritellään tautiluokittain kyseiseen tautiin liittyvät muuttujat ja niiden arvojen sopivuus tautiin. Kukin oire saa painoarvon sen mukaan, kuinka merkittävä kyseinen oire on taudin kannalta. Oireen eri arvoille määriteltävät sopivuusarvot ilmaisevat sen sopivuutta tautiin.

Tutkimuksessa käytettiin koneoppimismenetelmiä niin sopivuusarvojen kuin painoarvojen muodostamiseen. Koneopittuja ja asiantuntijoiden määrittämiä painoarvoja testattiin tutkimuksessa useammalla painotetulla päättelymenetelmällä. Niitä hyödynnettiin myös geneettisen algoritmin lähtökohtana.

Sopivuusarvotutkimus osoitti, että koneoppimismenetelmillä muodostetun laskennallisen tietämyksen (sopivuusarvot) yhdistäminen sovellusalueen asiantuntijoiden määrittämään tietämykseen (painoarvot) paransi huimaustautien tunnistamista.

- Väitöskirjassani esitellyt laskennallista tietämystä muodostavat koneoppimismenetelmät edesauttavat päätöstukijärjestelmän käyttöönottoa muillakin sovellusalueilla, koska niiden avulla voidaan luoda järjestelmän tarvitsemia tietämyskuvauksia sovellusalueelta kootusta aineistosta, kuvaa Varpa.

Filosofian maisteri Kirsi Varpan tietojenkäsittelyopin alaan kuuluva väitöskirja On Knowledge Discovery Experimented with Otoneurological Data tarkastetaan julkisesti Tampereen yliopiston informaatioteknologian ja viestinnän tiedekunnassa perjantaina 8.3.2019 klo 12. Paikkana on yliopiston Pinni B -rakennuksen auditorio 1097, Kanslerinrinne 1. Vastaväittäjänä toimii vanhempi yliopistonlehtori, tekniikan tohtori Jaakko Hollmén Aalto-yliopistosta. Tilaisuutta valvoo professori Martti Juhola. Väitöstilaisuus on suomenkielinen.

Väitöskirjaan voi tutustua osoitteessa http://tampub.uta.fi/handle/10024/105189

TAMPEREEN YLIOPISTON TIEDOTE 18.2.2019