Algoritmi vakoilee sydäntäsi – varoittaa rytmihäiriöstä ennen kuin huomaat mitään

Joka vuosi yli seitsemän miljoonaa ihmistä kuolee sydämen rytmihäiriöihin. Mitä aikaisemmin rytmihäiriöt todetaan, sitä paremmin niitä voidaan hoitaa. Jatkuvasti sydäntä tarkkailevat rannekkeet, kellot ja muut laitteet auttavat rytmihäiriöiden aikaisessa tunnistamisessa, mutta ilman rytmiä analysoivaa algoritmia eivät laitteet toimi lainkaan.

Jokaisen sydämen syke on erilainen, ja myös meidän jokaisen pienet poikkeamat normaalista ovat hyvin henkilökohtaisia. 

Koneoppimisen menetelmillä voidaan kuitenkin paljastaa terveen sydämen sykkeen pohjalta erilaisia potentiaaliset poikkeamia ja siten tunnistaa rytmihäiriöt heti.

Tampereen teknillisen yliopiston signaalinkäsittelyn tutkijat ovat kehittäneet yhdessä Qatarin yliopiston ja Izmir University of Economicsin tutkijoiden kanssa menetelmän, jolla voidaan havaita jo hyvin varhaiset sydänoireet.

Rytmihäiriöitä on yritetty ennustaa ennenkin, mutta globaalit menetelmät eivät ole osoittautuneet luotettaviksi. Nyt kehitetyn, patentoidun menetelmän tunnistusvarmuus on tällä hetkellä 99,4 prosenttia.

"Terveillä ihmisillä tunnetaan vain heidän normaali sykkeensä. Mistä voidaan tietää, millainen syke on rytmihäiriössä? Tutkimuksessamme selvisi, että terveen sydämen sykkeen pohjalta on koneoppimisen menetelmillä mahdollista generoida kaikki erilaiset potentiaaliset poikkeamat", sanoo professori Serkan Kiranyaz Qatarin yliopistosta.

Hän on tehnyt tutkimusta yhdessä TTY:llä professori Moncef Gabboujin kanssa. Heidän lisäkseen ryhmään kuului myös Izmirin Talousyliopiston Turker Ince.

Tutkijat hyödynsivät työssään aiemmissa ECG-tutkimuksissaan keräämäänsä materiaalia erilaisista sykkeistä ja rytmihäiriöistä.

"Kehittämämme järjestelmä räätälöidään jokaiselle käyttäjälle henkilökohtaisesti", Kiranyaz jatkaa. "Siihen syötetään tiedot terveen ihmisen sydämen sykkeestä sekä sen pohjalta generoidut synteettiset virhelyönnit. Näin järjestelmä opetetaan seuraamaan potilaan sykettä ja havaitsemaan rytmihäiriöt heti sellaisten ilmaantuessa."

Kyse ei ole mistään pikkuasiasta, sillä sydämen rytmihäiriöt ovat yksi yleisimmistä kuolinsyistä maailmassa. Niitä aiheuttavat perinnöllisten syiden lisäksi esimerkiksi korkea verenpaine, diabetes, tupakointi, alkoholi ja stressi. Alkuun rytmihäiriöt ovat usein satunnaisia, mutta voivat muuttua hengenvaaralliseksi myöhemmin.

Professori Moncef Gabbouj TTY:n signaalinkäsittelyn laboratoriosta.

Kuluttajan saataville ehkä nopeallakin aikataululla

Uusi järjestelmä olisi mahdollista laittaa esimerkiksi nyt käytössä oleviin oman terveydentilan seurantaan käytettäviin rannekkeisiin tai mittareihin.

"Nyt käytössä olevat laitteet saattavat mitata ja seurata sykettä, mutta eivät osaa havaita poikkeamia", toteaa Kiranyaz.

"Käymme tällä hetkellä neuvotteluja eri yritysten kanssa järjestelmän kaupallistamisesta. Kun sopiva yritys on löytynyt, uskon, että järjestelmä saadaan markkinoille hyvinkin nopealla aikataululla."

Käyttäjälle menetelmän käyttö on tutkijoiden suunnitelmien mukaan hyvin yksinkertaista. Omat tiedot ladataan palvelimelle, josta tiedot mahdollisista poikkeamista sykkeessä siirretään kannettavaan laitteeseen. Rytmihäiriön ilmaantuessa käyttäjä saa välittömästi ilmoituksen.

"Tietoja on sitten mahdollista käydä läpi yhdessä lääkärin kanssa", Kiranyaz sanoo.

*

Juttu perustuu Tampereen teknillisen yliopiston tiedotteeseen, jonka on kirjoittanut Sanna Kähkönen.

Mitä kuvassa näkyy? Matematiikka kertoo ja sinä nautit tuloksista.

Astun ulos hissistä Tampereen teknillisessä yliopistossa ja edessäni on tyypillinen tutkimuslaitoksen käytävä: se on pitkä ja sen kummallakin puolella on ovia, joiden vieressä on nimikylttejä sekä erilaisia papereita seinälle kiinnitettyinä. On ilmoitustaulu, ikkuna käytävän päässä, porraskuilu vieressä sekä muutamia ihmisiä.

Pystyn hahmottamaan nopeasti ympärilläni olevat kohteet ja erottamaan niistä aiemmin näkemäni kuvan perusteella akatemiaprofessori Moncef Gabbouj’n, mutta kameran kautta maailmaa kuvaava tietokone olisi hyvin hämillään. Konenäöllä olisi vaikeuksia erottaa toimistojen ovia muista neliskanttisista kohteista ja ihmisiä toisistaan – saati  yhdistää näkemänsä kuva muistissaan olevaan kuvaan tietystä henkilöstä.

Tämän vuoden lopussa akatemiaprofessorikautensa päättävä Gabbouj on erikoistunut epälineaarisiin digitaalisiin suotimiin, erityisesti haluttujen kohteiden löytämiseen videokuvasta sekä älykkäisiin hakupalveluihin.

Jo nyt kameroissa käytetään kasvontunnistusta ja hakukoneet voivat etsiä tietynlaisia kuvia, mutta Gabbouj haluaa tehdä tästä tarkempaa, nopeampaa ja arkisempaa, minkä lisäksi hän laajentaa hahmontunnistusta kaikkialle tiedonlouhintaan. Siihen tarvitaan matematiikkaa, joka yleistäen on sitä monimutkaisempaa, mitä helpommalta työn halutaan vaikuttavan.

Parvella tiedon kimppuun

“Kyse on yksinkertaisesti signaalinkäsittelystä ja algoritmeista, joilla tätä käsittelyä tehdään”, aloittaa Gabbouj työnsä selittämisen.

“Kehitimme aluksi tällä alalla erilaisia tekniikoita hahmontunnistukseen ja koneoppimiseen, joita olemme soveltaneet nyttemmin laajoihin tietomääriin ja niin sanottuun big dataan.”

Tällaisia tietokantoja ovat yhtäältä esimerkiksi kuva-arkistot kuten netissä olevat kuvat, toisaalta vaikkapa lääketieteelliset kuvat tai tutkahavainnot. Usein näissä on yksittäisiä tietoja, kuvia ja havaintoja niin paljon, että niiden valikoiminen yksittäin tietyn hakukriteerin mukaan ei ole käytännössä mahdollista. Äreimmätkään tietokoneet eivät onnistu siinä.

Siksi tietojen hakua voi auttaa älykkäillä algoritmeilla, jotka seulovat tietoja ja muodostavat löytämistään tiedoista kolmiulotteisen mallin, mistä matemaattisesti voidaan löytää kaikkein osuvimmat vaihtoehdot.

Siinä missä aiemmin hakua tehtiin avainsanojen avulla, pystyy tamperelaisten niin sanottu parvioptimointialgoritmi hahmottamaan tietoa ja löytämään siitä erilaisia määreitä. Näin esimerkiksi kuvahakua Pisan kaltevasta tornista tehtäessä tuloksena ei ole kaikenlaista kaltevaa, vaan vaikuttava määrä erilaisia kuvia juuri Pisan tornista.

Samaa menetelmää voi käyttää esimerkiksi syöpäkasvaimien tai pinnanmuotojen tunnistamiseen. Tuoreimmassa tutkimusohjelmassa menetelmää käytetään taloustietojen tunnistamiseen ja louhimiseen.

“Siinä missä aiemmin puhuimme vain kuvista, on nyt kaikki tieto kiinnostavaa. Pystymme käsittelemään raakadataa, kuvia, videota ja ääntä, joista oppiva algoritmimme pystyy etsimään haluttuja asioita. Lopulta voimme jopa ennustaa tietojen perusteella tulevaisuuteen.”

Tällainen ennustava systeemi on esimerkiksi sydänkäyrää tutkiva algoritmi, joka kykenee havaitsemaan sydänkohtauksesta varoittavat merkit jo ennalta, jolloin esimerkiksi älykelloon asennettuna se voi antaa hälytyksen ja pyytää kantajaansa lepäämään. Näin kohtaus ei tulekaan tai apu voi olla matkalla jo itse kohtauksen alkaessa.

Gabbouj’n tutkimusryhmä on kehittänyt myös oppivia algoritmeja, jotka esimerkiksi sydänkäyrän tapauksessa pystyvät sopeutumaan käyttäjän omaan sydämen lyöntityyliin – jokaisella se on omanlaisensa.

Lisää sovelluksia tällaisilla älykkäillä signaalikäsittelyä, hahmontunnistusta ja koneoppimista käyttävillä systeemeillä on vaikka kuinka:  autonomisesti liikkuvien autojen ohjauslaitteiden kameroiden reaaliajassa ottamista kuvista pitää löytää nopeasti ja luotettavasti näkökentässä olevat kohteet ja valokuvia nettiin lataavia auttaisi huomattavasti älykäs ohjelmisto, joka löytäisi automaattisesti kuvassa olevat avainsanat.

Puolustus- ja turvallisuusviranomaiset ovat luonnollisesti myös hyvin kiinnostuneita järjestelmistä, jotka pystyvät seulomaan tehokkaasti suuria tietomääriä ja löytämään niistä haluttuja asioita.

Ei ihme, että tutkimusta tällä alalla tehdään nykyisin muuallakin kuin vain Tampereella.

Apua hiukkasfysiikasta

Gabbouj kertoo, että aluksi hänen ryhmänsä lähinnä sovelsi muiden tekemiä algoritmeja ja kehitti niitä eteenpäin, kunnes ryhmä halusi ottaa hyppäyksen eteenpäin ja tehdä jotain aivan uutta.

Niinpä ryhmäläiset alkoivat katsoa rohkeasti muilla aloilla olevia matemaattisia sovelluksia. Erityisen kiinnostavaksi paljastui hiukkasfysiikka, ja etenkin Schrödingerin yhtälö. Se on kvanttimekaniikassa käytetty aaltoyhtälö, joka kuvaa hiukkasta ja sen olotilaa niin sanotun aaltofunktion avulla. Samaa menetelmää voi käyttää yksittäisten tietojen ja sen ominaisuuksien kuvaamiseen. Myös silloin, kun ei tiedetä ihan täsmälleen mitä ollaan etsimässä.

Myös fysiikassa käytetty menetelmä ison ongelman ratkaisemisesta osissa oli toimiva: tuloksena oli skaalattava algoritmi, joka luokittelee tietoa semanttisiin luokkiin.

Tamperelaisten keinoin onnistuttiin ratkaisemaan myös eräs neuroverkkojen – hermosolujen toimintatapaan perustuvien keinoälysysteemien – kompastuskivi: kahden spiraalin ongelma. Siinä on sisäkkäin kaksi pisteinä piirrettyä spiraalia, ja hahmontunnistuksen pitäisi erottaa ne toisistaan. Tehtävä ei ole helppo.

Sisäkkäisten spiraalien kanssa painiminen on tyypillinen tapaus ongelmasta, joka äkkiseltään kuulostaa kaiken maailman dosenttien harrastamalta teoreettiselta pohdiskelulta, mutta jolla onkin hyvin konkreettisia ja merkittäviä sovelluksia.

“Sovelluksia ei ole ilman perustutkimusta”, toteaakin Gabbouj ja jatkaa: “Perustutkimus on kuin uutta verta, mitä ilman emme voi tulla toimeen. Voimme kehittää sovelluksia ja parantaa menetelmiämme jonkin aikaa aiemman tiedon perusteella, mutta todella uusien asioiden löytäminen ja harppausten ottaminen eteenpäin tarvitsevat perustutkimusta. Sen merkitystä ei voi aliarvioida.”