Käisin 26. oktoobril Tartu Ülikooli Delta keskuses teadusõhtul, kus räägiti tehisintellektist meditsiinis. Kõige rohkem jäi mulle mõttesse Saksamaalt tulnud professor Lars Kaderali ettekanne. Neil on juba väga huvitavaid lahendusi, aga nende haiglatöös kasutamine käib kohati üle kivide ja kändude.
Üks põhjus on AI kiire areng ise. Saad süsteemi tööle, kontrollid selle tulemused ära ja siis tuleb uus mudel. Tavakasutajana tahaks kohe proovida, kas see on parem. Haiglas tekib aga küsimus: mis meie senises lahenduses selle vahetusega muutub ja kuidas me teame, et tulemust saab endiselt usaldada?
Teadusõhtu „AI at the Frontier of Medicine: Genomics, Imaging & Decision-Making” tõi kokku Greifswaldi ülikooli meditsiinikeskuse bioinformaatika professori Lars Kaderali ning Tartu Ülikooli teadlased Burak Yelmeni ja Ali Zeynalli. Mina olin kuulamas. Mind huvitas, kuidas jõutakse andmetest ja katsetest tööriistadeni, millest arstidel abi võiks olla.
Lars Kaderali: haiglas on AI ümber terve töövoog
Kaderali näited aitasid hästi aru saada, mida meditsiinilise AI ehitamine tähendab. Ühes otsas on patsiendi kohta kogutud andmed, teises arsti otsus. Nende vahel võib olla dokumentide töötlemine, teaduskirjanduse otsing, eri andmeallikate ühendamine ja mudeli koostatud selgitus.
Seda etappide jada nimetatakse sageli pipeline’iks. Eesti keeles võib öelda töötlemisahel või töövoog. Kui selle keskel mudel ära vahetada, tuleb kontrollida, kuidas muutunud osa mõjutab kogu tulemust. Ladusam vastus ei pruugi ju tähendada täpsemat vastust.
Larsi jutust jäi mulle eriti meelde just see uuesti kontrollimise koormus. Kui juba katsetatud süsteemi oluline osa muutub, on vaja uut kindlust selle kohta, mida süsteem teeb. Minu jaoks muutis see arusaadavaks, miks haigla ei saa liikuda täpselt samas tempos nagu AI-rakenduse kasutaja, kes valib menüüst järgmise mudeli.
Siin tuleb hoida lahus tulemuste uuesti testimine ja ametlik vastavushindamine. Nende ulatus sõltub konkreetsest lahendusest ning muudatusest. Ma ei võtaks ettekandest kaasa reeglit, et iga uuendus nõuab alati kogu sertifitseerimise nullist läbimist. Küll aga jäi väga selgelt kõlama, et varem kontrollitud tulemused ei tõenda automaatselt uue versiooni toimimist.
ONCODE ja OncoSage: abi teaduskirjanduse läbitöötamisel
Üks konkreetne näide oli ONCODE, kohapeal töötav AI-tööriist teadusliku tõendusmaterjali leidmiseks ja selle tugevuse liigitamiseks. Kaderali näitas seda onkoloogia kontekstis, kus patsiendi haiguse ja molekulaarsete leidudega tuleb kokku viia suur hulk teadusinfot.
Sellega seostus OncoSage, mis ühendab patsiendi konteksti ja biomeditsiinilised teadmised. Lihtsalt öeldes püütakse aidata spetsialistil leida tema küsimusega seotud infot ning aru saada, millele võimalik järeldus toetub.
Mulle meeldis, et näidati konkreetset tööd, mille tegemiseks AI-d ehitatakse. Teaduskirjandus kasvab, andmeid tuleb juurde ja keegi peab need omavahel kokku viima. Sellise otsingu ja võrdlemise juures on AI abist lihtne aru saada. Samal ajal ei tähenda süsteemi koostatud kokkuvõte veel kinnitatud raviotsust.
Kaderali näitas ka RareDexi. Selle slaidil algas töö arsti sisestatud sümptomitest, liikus nende ühtlustamise ja sarnaste haigusjuhtude otsinguni ning jõudis võimalike diagnooside põhjendatud võrdluseni. Arst jääb selle ahela lõppu otsustama. Nii ehitatakse üsna täpselt piiritletud ülesande jaoks terve abisüsteem.
Majasisene AI hoiab andmed lähedal, aga vajab ka oma tööd
Kaderali näidatud lahenduses töötas avatud keelemudel asutuse enda keskkonnas. Slaidil oli see väga selgelt välja joonistatud: patsiendiandmed, töötlemine ja mudel jäävad samasse kohalikku taristusse. Tundlikke andmeid ei saadeta sellest keskkonnast välja.
See annab rohkem kontrolli, aga tähendab ka seda, et süsteemi tuleb ise käigus hoida. Mudel, serverid, ligipääsud ja uuendused vajavad haldamist. Ettekannet kuulates jäi mulle mulje, et huvi ja vajadus selliste lahenduste järele on suur, kuid tee kasutatava süsteemini on palju pikem kui esimese toimiva katsetuseni.
Sellest ei järeldu, et kõik kommertsmudelid oleksid meditsiinis keelatud. Nende näide rääkis sellest, kuidas nad oma tundlike andmete ja kontrollivajadusega tegelevad. Väline teenus ja asutuse sees töötav mudel on erinevad korralduslikud valikud; kumbki nimi üksi ei kinnita lahenduse sobivust.
Mulle jäi Larsi jutust meelde ka soov tugevama Euroopa enda AI-võimekuse järele ja mure sõltuvuse pärast USA teenusepakkujatest. Võtsin seda eelkõige küsimusena, kui palju saab haigla oma töövahendite tuleviku üle ise otsustada. Kus andmed paiknevad, kes otsustab mudeli muudatuste üle ja mis saab siis, kui senine võimalus kaob?
Sarnane mudelisõltuvuse teema tuli üles ka Tallinn Data Weeki seminaril. Meditsiini näiteid kuulates sai sellele juurde veel üks väga oluline mõõde: iga tehnilise muudatuse mõju patsiendiga seotud tööle tuleb mõista.
Burak Yelmen: AI aitab uurida inimese genoomi
Tartu Ülikooli genoomika instituudi kaasprofessori Burak Yelmeni ettekanne puudutas süvaõpet ja inimeste genoomset varieeruvust. Teisisõnu seda, kuidas meie pärilikud erinevused seostuvad tunnuste, haigusriskide ja evolutsiooniga ning kuidas neid seoseid mudelite abil uurida.
Minu jaoks avardas see õhtu pilti. Meditsiinilise AI all on lihtne mõelda ainult vestlusrobotile või pilti analüüsivale programmile. Siin räägiti ka teadustööst, mis aitab paremini mõista haiguste tausta. Sellest võib kasvada teadmine täppismeditsiini jaoks, kuid teadusuuringu tulemusest konkreetse inimese ravini on veel mitu sammu.
Ali Zeynalli: neerukasvajate AI näide tuleb Tartust
Ali Zeynalli Tartu Ülikooli arvutiteaduse instituudist rääkis biomeditsiinilisest pildianalüüsist. Näited ulatusid mikroskoobi all nähtavatest rakkudest radioloogiliste uuringuteni. Tema esitluses tutvustatud laborit juhib Dmytro Fishman ning töös põimuvad arvutiteadus ja meditsiin.
Kõige konkreetsemalt jäi mulle meelde BMVision Kidney. Slaidil oli näha töövoog: kompuutertomograafia ehk KT-uuring, kasvaja piiritlemine pildil, mõõtmised ja raport. See on Better Medicine’i arendatud abivahend radioloogile. Oluline täpsustus: see neerukasvaja näide puudutas KT-d, mitte MRT-d.
Sellele annab tausta ka Kliinikumi enda 26. augusti 2026 ülevaade. BMVision Kidney töötas kuus kuud radioloogide tavapärase töö kõrval. Analüüsiti 4276 patsiendi kõhuõõne KT-uuringut ning neljal juhul juhtis AI tähelepanu neerukolletele, mida esmasel hindamisel polnud kirjeldatud. Need olid esialgsed tulemused; põhjalikum analüüs jätkus.
Samas ülevaates oli kirjas ka plaan korrata katset uuendatud mudeliga. See seob Tartu näite väga hästi Larsi jutuga: uue versiooni tulemuslikkust tahetakse uuesti hinnata. Kliinikum kirjeldab tööriista kliinilise kasutusloaga abivahendina, mille mõju ja nõrku kohti jätkuvalt uuritakse.
Mulle meeldis väga näha, et selline töö käib siin Tartus. See muudab teema palju lähedasemaks. Räägime lahendusest, mida radioloogide töö kõrval juba katsetatakse, ja inimestest, kes tegelevad selle arendamisega siinsamas.
MRT-piltide analüüsi näidet näitas sellel õhtul Kaderali. See oli teine uuringumeetod ja eraldi näide.
Mida ma sellest õhtust kaasa võtsin
Larsi ettekanne meeldis mulle kõige rohkem seetõttu, et lahenduste kõrval rääkis ta ka nende kasutamise raskustest. AI võimalused meditsiinis on väga põnevad. Samavõrd huvitav oli kuulata, kui palju tööd on vaja, et need võimalused haigla igapäevaellu sobiksid.
Ühe õhtu jooksul sai näha teaduskirjanduse otsingut, harvikhaiguste käsitlemise tuge, genoomiuuringuid ja meditsiiniliste piltide analüüsi. Nende taga on erinevad ülesanded ja erinevad mudelid. Kõige olulisem küsimus tundus mulle aga ühine: kuidas kontrollida, et sellest abist oleks konkreetses töös kasu?
Läksin kuulama, mida meditsiinis AI-ga tehakse. Tulin tagasi palju parema arusaamisega sellest, miks hea lahenduse ehitamine ja selle usaldusväärne kasutamine on mõlemad suur töö. Selliseid ettekandeid kuulaks hea meelega veel.
Fotod: Anti Soosaar, 26. oktoober 2026. Slaidid on vastavate esinejate esitlustest. Lugu kajastab minu tähelepanekuid kuulajana; lisatud allikaviited aitavad eristada ettekandel nähtut hilisemast taustainfost.