Mākslīgais intelekts (MI) attēldiagnostikā (RAK_027)
Īsumā par studiju kursu
Mērķis
Studiju kurss “Mākslīgais intelekts attēldiagnostikā” paredzēts padziļinātai izpratnei par radioloģijas datu daudzpusīgo pielietojumu klīniskajā medicīnā, izmantojot digitalizācijas rīkus.
Līdz ar tehnoloģiju attīstību radioloģijas attēlu un datu apjoms ir strauji pieaudzis, palielinot ārstu radiologu slodzi, un prasot detalizētākus risinājumus un inovatīvas pieejas dažādu klīnisko nepieciešamību risinājumiem, tostarp datu aprites ātrumam. Šajā kontekstā mākslīgais intelekts (MI), kas mūsdienu radioloģijā tiek arvien ciešāk integrēts ikdienas praksē, piedāvā plašas iespējas, kā uzlabot radioloģijas diagnostikas procesu. MI var palīdzēt prioritizēt pacientus ar smagākām un akūtākām patoloģijām, ātrākai to diagnosticēšanai, izvēlēties piemērotus attēlu iegūšanas protokolus, automatizēt dažādu mērījumu veikšanu, attēlu analīzi un interpretāciju, salīdzināt pašreizējo un iepriekšējo izmeklējumu attēlus, automatizēt izmeklējuma apraksta veikšanu ar balss-teksta pārveides programmām un optimizēt slēdzienu standartizāciju, tādējādi, caur daudzpusīgu pieeju, mazinot resursu patēriņu un laiku līdz diagnozes iegūšanai un līdz ar to terapijas laicīgai uzsākšanai. Tas ļauj radiologiem laicīgāk pievērst uzmanību sarežģītākajiem gadījumiem un atvieglot un paātrināt diagnostikas procesu, tādējādi uzlabojot pacientu aprūpes kvalitāti. Vizuālās informācijas modelēšana individuālām vajadzībām nepieciešama arī stomatoloģijā, rehabilitācijā un traumatoloģijā-ortopēdijā, kā arī citās nozarēs, un MI risinājumi kļūst aizvien aktuālāki arī implantu un biomehānikas izvērtēšanā.
Priekšzināšanas
Informātika, Anatomija.
Rezultāti
1. Studējošajiem būtu jābūt spējīgiem kritiski izvērtēt informāciju par MI un būtu jāsaprot saistība starp modeļiem un klīnisko realitāti.
2. Studentiem būtu jābūt vispusīgai konceptuālai sapratnei par MI un klīnisko datu zinātnes struktūru.
1. Praktiska studējošo iesaiste fokusētos semināros ar mērķi atpazīt atbilstošus potenciālus MI pielietojumus veselības datu apstrādē.
2. Sapratne par to, kā atšķirt dažādas datiem pielietojamas apstrādes metodes (atšķirības izpratne starp paredzēšanu un kauzālas sakritības pieejām).
1. Izmanto un pielāgo algoritmus, kā veikt attēldiagnostikas datu segmentēšanu, automatizētu programmu iegūto rezultātu korekciju, izvēloties atbilstošāko programmu uzdevumam/ķermeņa daļai (3D slicer, Lunit, Gleamer), klasificē un prot pielietot datu tipus un iesaka jaunus risinājumus anotēšanas pamatprincipiem.
2. Raksturo biežākās izmeklējumu darbaplūsmas problēmas, ko var risināt ar mākslīgo intelektu (gadījumu saraksts, prioritizēšanas iezīmes, pēcapstrādes algoritmu risinājumi). Piedāvā stratēģijas, kā MI var tikt pielietots veselības datu apstrādē – attēldiagnostikā un standartizētu slēdzienu veidošanā.
3. Analizē patoloģijas un struktūras DICOM formātā, kas tiek diagnosticētas ar MI programmatūru palīdzību.
4. Piemēro Datu drošības normatīvos aktus noteiktai klīniskai situācijai.
Plānojums
| Studiju programma | Studiju semestris | Programmas līmenis | Studiju kursa kategorija | Docētāji | Grafiks |
|---|---|---|---|---|---|
| Medicīna, MF | 8 | Maģistrs | Ierobežota izvēle | Edgars Edelmers, Maija Radziņa, Nauris Zdanovskis, Laura Saule, Juergen Biederer , Dāvis Sīmanis Putriņš | |
| Medicīna, SSNMF | 8 | Maģistrs | Ierobežota izvēle | Edgars Edelmers, Maija Radziņa, Nauris Zdanovskis |
| Studiju programma | Studiju semestris | Programmas līmenis | Studiju kursa kategorija | Docētāji | Grafiks |
|---|---|---|---|---|---|
| Medicīna, SSNMFz | 8 | Maģistrs | Ierobežota izvēle | ||
| Medicīna, SSNMF | 7 | Maģistrs | Ierobežota izvēle | ||
| Medicīna, MF | 7 | Maģistrs | Ierobežota izvēle |
