„Teaduse juures köidab mind võimalus otsida vastuseid küsimustele, mida pole veel lahendatud, ja jõuda tulemusteni, millest võib ühiskonnale päriselt kasu olla,“ ütleb füüsiku ja rakendusmatemaatika taustaga TalTechi teadlane Elli Valla, kes doktorikraadi kaitses IT-valdkonnas.
TalTechi tervisetehnoloogiate instituudi teadur Elli Valla. Foto TalTech
Artikkel ilmus Delfi Fortes.
Tema doktoritöö keskendus masinõppe kasutamisele haiguste varajases diagnostikas, täpsemalt Parkinsoni tõve märkide tuvastamisele käekirja põhjal. Samuti peab ta oluliseks tervishoiutöötajate AI-kirjaoskuse parandamist, et nad oskaksid tehnoloogia arendamisel kaasa rääkida.
Nimi: Elli Valla
Amet: teadur ja õppejõud, Tallinna Tehnikaülikooli tervisetehnoloogiate Instituut, E-tervise keskus. PhD arvutiteadustes.
Peamised uurimissuunad:
- AI-põhine kliiniline diagnostika: nt Parkinsoni tõve tuvastamine käekirja mikrokinemaatilisest analüüsist masinõppe meetoditega.
- Masinnägemine ja nutiseadmed rehabilitatsioonis ning jämemotoorika hindamises.
- Vestluspõhise AI-avatari arendus kardioloogilises rehabilitatsioonis ja eestikeelsete kliiniliste suurte keelemudelite valideerimine.
- Vastutustundlik AI tervishoius: koolitused, juurutamine, ökosüsteemi arendamine.
Teadlase profiil ETISes: https://www.etis.ee/CV/elli_valla/est/
Kust sa pärit oled ja kui kaua oled teadusvaldkonnas tegutsenud?
Olen pärit Tallinnast ja doktorantuuri astusin 2020. aasta novembris.
Kuidas sa teadusesse sattusid ja mis sind teaduse juures köidab?
Masinõpe haaras mind umbes kaheksa aastat tagasi. Selleks oli hea vundament olemas: magistrikraad tehnilises füüsikas ja rakendusmatemaatikas. Ehk matemaatika masinõppe taga ei olnud pelgalt must kast, vaid midagi, mille sees sain liikuda. Mind ei juhtinud aga puhas teooria, tahtsin teha midagi rakenduslikku, ja tervishoid oli see valdkond, mis paelus kõige rohkem. TalTechis sain selleks õige koha: masinõppe meetodite kasutamine varajases diagnostikas, konkreetsemalt Parkinsoni tõve tuvastamises käekirja-analüüsist.
Teaduse juures köidab mind see, et saan tegeleda küsimustega, millele veel ei ole vastust. Ja kui lahendus tuleb, on sellel reaalne potentsiaal jõuda ühiskonda tagasi. Tervishoius tunnen seda eriti tugevalt, sest ilma terviseta kaotab kõik muu tähenduse. Minu missioonitunne on siin selge: teha elu paremaks nii patsientide kui ka tervishoiutöötajate jaoks.
Milline on praegu käsil olev uurimisprobleem ja miks sellega tegelemine oluline on?
Kogu minu töö katusküsimus on see, kuidas rakendada masinõpet tervishoius madala riski ja kõrge kasuga. See lahendus ei tule ühestainsast mudelist, vaid oskusest leida üles need kohad, kus AI toetab protsesse ilma kliinilist vastutust endale võtmata. Minu töös on selleks kolm konkreetset suunda.
Ennetus. Nutiseadmed ja igapäevased signaalid: käekiri telefonis, liikumismustrid, võivad anda varase märguande, et tasub arsti poole pöörduda. Parkinsoni mikrokinemaatilised tunnused, mida silmaga ei näe, on selle hea näide: mudel ei pane diagnoosi, vaid tõstab punase lipu üles ja suunab inimese oma tervise koha lisainfot uurima: "Anomaalsed signaalid 🚩 pöördu lisauuringuteks neuroloogi poole."
Otsustusabi. Siia mahub ka kõige praktilisem asi, mille vastu on arstidel täna üha suurem vajadus - automatiseeritud dokumenteerimine. Suured keelemudelid saavad seda märkimisväärselt lihtsustada ja jätta arstile rohkem aega patsiendiga tegelemiseks. Samuti otsustuse tugi konkreetsetes kliinilistes ülesannetes, kus mudel pakub teist arvamust või kontrollib, et midagi olulist ei jääks märkamata.
Rehabilitatsioon. Siin on eesmärk teha patsiendi teekond objektiivsemaks ja läbipaistvamaks. Masinnägemine ja sensorid loevad videost välja mustreid, mida visuaalne vaatlus subjektiivselt ei pruugi tabada. Hindamise saab teha video teel, ilma et patsient peaks iga korra kliinikusse tulema, ning ilma kalli liikumislaborita. Samal ajal uurime keelemudeleid kui asünkroonset tuge patsiendile - et ta saaks ravijuhistest aru ka siis, kui kliinik on suletud.
Eesmärk on jõuda uurimisartiklist kaugemale ja päriselt ka kliinikusse. Selleks otsin teed, kus riskid on hallatavad ja kasu päriselt mõõdetav.
Mis on sinu teadusvaldkonnas seni suurimat ühiskondlikku mõju avaldanud avastused?
Sellele küsimusele vastates ei saa üle ega ümber keelemudelitest. Lähtepunkt oli 2017. aastal Google teadlaste avaldatud artikkel transformer-tüüpi närvivõrkude kohta, mis rajas teed tänaseks tuttavatele ChatGPT-le (T - Transformer), Claude’ile, Geminile ja teistele suurtele keelemudelitele. ChatGPT-l üksi on tänaseks üle 900 miljoni nädalase aktiivse kasutaja. Keelemudelid ei ole enam arvutiteadlaste pärusmaa, vaid sadade miljonite inimeste igapäevane tööriist.
Oleks seega lühinägelik mitte uurida, kuidas neid enda kasuks tööle panna. Patsiendid ja arstid kasutavad neid niikuinii - meie ülesanne ongi välja selgitada, kus on kõige väiksema riski ja suurima kasuga kasutusjuhud.
Mis on sinu uurimisvaldkonnast lähtudes tänases Eestis või maailmas kõige olulisem probleem?
Käärid tehnoloogia kiire arengu ja regulatiivse suutlikkuse vahel tervishoius. Mudeleid luuakse laborites ja ülikoolides murrangulisel kiirusel, kuid reaalsesse kliinilisse tööprotsessi jõuab neist vaid murdosa.
Tehisaru valideerimiseks on vaja reaalseid, tundlikke kliinilisi andmeid. Sellega kaasneb aga sedavõrd range regulatiivne kadalipp, et arendajate ressurss kulub sammu pidamise asemel bürokraatia ületamisele. Me raiskame väärtuslikku ressurssi ajal, mil tehnoloogia areneb päevadega. Nii riskimegi olukorraga, kus jääme oma arendustega hiljaks ja peame lõpuks sõltuma kolmandate osapoolte mudelitest.
Teadustöö tulemus, mille üle oled eriti uhke?
Tooksin välja kaks omavahel seotud suunda, mille tulemuste üle on mul kõige suurem hea meel.
Esiteks minu doktoritöö, kus arendasime mikrokinemaatilist analüüsi ja masinõppe mudeleid Parkinsoni tõve diagnostikas. Suutsime näidata, et patsiendi käekirjast on võimalik välja lugeda peeneid liigutusmustreid, mis aitavad haigust tuvastada. Sellel on potentsiaal anda inimesele varajane ohusignaal, et tema motoorika vajab täpsemat uurimist ja kliinilist sekkumist.
Teiseks suunaks on AI-kirjaoskuse edendamine haiglates ja ülikoolis tervishoiutöötajate seas, õpetades neile nii AI tööriistade kasutust kui ka päris oma masinõppe mudelite treenimist. See on oluline samm, sest koolitatud tervishoiutöötajad ei ole lihtsalt tehnoloogia tarbijad, vaid võrdsed vestluspartnerid IT-arendajatele. Nii saame kindlustada, et loodavad lahendused vastavad haigla tegelikele vajadustele.
Mida sa oma teadustöös veel korda sooviks saata?
Minu soov on luua lahendusi, mis vähendavad tervishoiutöötajate koormust ja annavad neile tagasi aja patsientide ning iseenda jaoks.