Pārlekt uz galveno saturu

Īsumā par studiju kursu

Struktūrvienība: Mūžizglītības centrs
Kursa vadītājs:Maija Radziņa
Valoda:Latviešu
Laiks:pēc pieprasījuma
Vieta:Rīga, Hipokrāta iela 2, RAKUS, RSU studiju centrs
Kursa apjoms:32 tālākizglītības stundas

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.

Norises laikspēc pieprasījuma
Norises vietaRīga, Hipokrāta iela 2, RAKUS, RSU studiju centrs
Dalības maksabez maksas
Programmas apjoms32 tālākizglītības stundas
Programmas vadītājsMaija Radziņa
Programmā iesaistītie docētājiMaija 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

 

Tematika

  • Kas ir mākslīgais intelekts
  • Mākslīga intelekta strukturālie elementi, metrikas un terminoloģija
  • Datu apstrāde
  • Praktiskais seminārs par datu apstrādi un mākslīga intelekta apmācību I–II
  • Ievads tehnoloģijās, radioloģijas anatomijā un patoloģijā
  • Mākslīgā intelekta lietojums darba organizācijā, attēlu ieguvē un analīzē
  • MI ētiskie aspekti
  • MI skrīningizmeklējumos
  • Strukturētie apraksti medicīnā, radioloģijā un to nozīme mākslīgajam intelektam
  • MI iepazīšana
  • Klīniskie gadījumi, MI lietojums I–VI

 

Priekšzināšanas

Informātika, anatomija.

 

Rezultāti

Zināšanas

  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.

Prasmes

  1. Praktiska studējošo iesaiste fokusētos semināros ar mērķi atpazīt atbilstošus potenciālus MI lietojumus veselības datu apstrādē.
  2. Sapratne par to, kā atšķirt dažādas datiem lietojamas apstrādes metodes (atšķirības izpratne starp paredzēšanu un kauzālas sakritības pieejām).

Kompetences

  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 lietot 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 lietots veselības datu apstrādē – attēldiagnostikā un standartizētu slēdzienu veidošanā.
  3. Analizē patoloģijas un struktūras DICOM formātā, kas tiek diagnosticētas, izmantojot MI programmatūras.
  4. Piemēro datu drošības normatīvos aktus noteiktai klīniskai situācijai.