Mākslīgais intelekts (MI) apvieno datu zinātni, klīnisko praksi un normatīvo vidi, piedāvājot risinājumus attēldiagnostikā, riska modelēšanā un klīniskā darba plūsmu atbalstā. Vienlaikus veselības aprūpē būtiska ir pacienta drošība, ētika, datu aizsardzība un regulatīvā atbilstība. Šīs teorētiskās daļas mērķis ir sniegt strukturētu, mācībām izmantojamu pārskatu par MI tehnoloģiskajiem pamatiem, datu ekosistēmu, pētījumu pierādījumiem, validācijas un drošības principiem, ētiku un taisnīgumu, kā arī ES un ASV regulējumu un praktiskās ieviešanas aspektiem ārstniecības iestādēs.
1. Pamatjēdzieni un tehnoloģiskie pamati
MI praksē dominē uz datiem balstītas pieejas: uzraudzītā mācīšanās (klasifikācija, regresija), neuzraudzītā mācīšanās (klasterizācija, dimensiju samazināšana), pastiprinātā mācīšanās (politiku optimizācija) un dziļā mācīšanās (konvolūciju tīkli attēliem, transformeri tekstam un multimodāliem uzdevumiem). Pieaug fundamentālo jeb lielo bāzes modeļu un daudzmodālo modeļu loma, kas pirmsapmācīti uz milzīgiem datu apjomiem un pēc tam pielāgojami konkrētiem klīniskiem uzdevumiem ar mazāku datu apjomu.
…
