Programma tiek īstenota projekta Augsta līmeņa digitālo prasmju apguve Latvijā augstas veiktspējas skaitļošanas tehnoloģiju jomā ietvaros.
| Mērķauditorija | ārsti, IT speciālisti, fiziķi, matemātiķi, medicīnas inženieri, biologi u.c. interesanti. |
|---|---|
| Norises laiks | 3.–6. jūnijs plkst. 15.30-18.30, 7. jūnijs plkst. 16.30-19.30, 11.–13. jūnijs plkst. 15.30-18.30 |
| Norises vieta | Rīga, Dzirciema iela 16 (3., 6., 11.–13.06.) / tiešsaistē, Zoom (4., 5., 7.06.) |
| Dalības maksa | bez maksas |
| Darba valodas | latviešu, angļu |
| Programmas apjoms | 8 dienas |
| Tālākizglītības punkti | 32 |
| Programmas vadītāja | Maija Radziņa |
| Programmā iesaistītie docētāji | Maija Radziņa, asoc.profesore Radioloģijā, MD PhD, RSU Radioloģijas zinātniskās laboratorijas vadītāja, PSKUS radioloģe Edgars Edelmers, RSU MF Morfoloģijas katedras docētājs, MITC pētnieks un IT inženieris zinātniskajā institūtā EDI Nauris Zdanovskis, PhD, docētājs MF Radioloģijas katedra, RAKUS radiologs Juergen Biederer, viesprofesors radioloģijā, Heidelbergas universitāte, Vācija Laura Saule, zinātniskā asistente RSU Radioloģijas zinātniskā laboratorijā, rezidente radioloģijā Dāvis Sīmanis Putriņš, zinātniskais asistents RSU Radioloģijas zinātniskā laboratorijā, rezidents radioloģijā |
Programmas tematika
- Mākslīga intelekta strukturālie elementi, metrikas un terminoloģija
- Datu apstrāde
- Ievads tehnoloģijās, radioloģijas anatomijā un patoloģijā (angļu val.)
- MI ētiskie un juridiskie aspekti
- Praktiskie klīniskie gadījumi. Mammoloģija
- Praktiskie klīniskie gadījumi. Kaulu RTG un kardioloģija
- Praktiskais seminārs par datu apstrādi un mākslīga intelekta apmācību
- Mākslīgā intelekta pielietojums darba organizācijā, attēlu ieguvē un analīzē
- Strukturētie apraksti medicīnā, radioloģijā un to nozīme mākslīgajam intelektam
- Praktiskie klīniskie gadījumi. Neiro, ultrasonogrāfija un abdominālā radioloģija
- MI iepazīšana (angļu val.)
- Praktiskie klīniskie gadījumi - strukturēto aprakstu veidošana
- MI skrīningizmeklējumos (angļu val.)
- Praktiskie klīniskie gadījumi. Plaušu patoloģiju raksturošana (angļu val.)
Mērķis
Paredzēts padziļinātai izpratnei par radioloģijas datu daudzpusīgo lietojumu 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
Zināšanas
- Studējošajiem būtu jābūt spējīgiem kritiski izvērtēt informāciju par MI un būtu jāsaprot saistība starp modeļiem un klīnisko realitāti.
- Studentiem būtu jābūt vispusīgai konceptuālai sapratnei par MI un klīnisko datu zinātnes struktūru.
Prasmes
- Praktiska studējošo iesaiste fokusētos semināros ar mērķi atpazīt atbilstošus potenciālus MI lietojumus veselības datu apstrādē.
- Sapratne par to, kā atšķirt dažādas datiem lietojamas apstrādes metodes (atšķirības izpratne starp paredzēšanu un kauzālas sakritības pieejām).
Kompetences
- 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 lietot datu tipus un iesaka jaunus risinājumus anotēšanas pamatprincipiem.
- Raksturo biežākās izmeklējumu darbaplūsmas problēmas, ko var risināt ar mākslīgo intelektu (gadījumu saraksts, prioritizēšanas iezīmes, pēcapstrādes algoritmu risinājumi). Piedāvā stratēģijas, kā MI var tikt lietots veselības datu apstrādē – attēldiagnostikā un standartizētu slēdzienu veidošanā.
- Analizē patoloģijas un struktūras DICOM formātā, kas tiek diagnosticētas, izmantojot MI programmatūras.
- Piemēro datu drošības normatīvos aktus noteiktai klīniskai situācijai.
Participants
Location
