เท่าไหร่ถึงจะเพียงพอ? เท่าไหร่มากเกินไป? คำถามเหล่านี้เป็นคำถามที่เจาะจงไปที่หัวใจของปัญหาที่ซับซ้อนซึ่งกำลังครุ่นคิดอยู่กับนักฟิสิกส์การแพทย์อาวุโสในปัจจุบัน เมื่อพูดถึงการฝึกอบรมและการพัฒนาวิชาชีพอย่างต่อเนื่อง (CPD) ของบุคลากรด้านฟิสิกส์รังสีบำบัด สิ่งที่ใช้ในการจัดการและนักการศึกษาโดยเฉพาะคือขอบเขตที่ความเชี่ยวชาญหลักและความรู้โดเมนของนักฟิสิกส์รังสีบำบัดควรมีวิวัฒนาการเพื่อสะท้อน – และในการดำเนินการดังกล่าว การสนับสนุนที่ดีที่สุด – ความก้าวหน้าอย่างไม่
หยุดยั้งของปัญญาประดิษฐ์ (AI) และเทคโนโลยีการเรียนรู้ด้วย
เครื่องภายใน ขั้นตอนการทำงานด้านมะเร็งวิทยาทางรังสีในความพยายามที่จะทำให้เกิดความชัดเจนและความเห็นพ้องต้องกันในการสนทนาร่วมกัน การประชุมประจำปี ESTRO 2022ที่กรุงโคเปนเฮเกนเมื่อเดือนที่แล้วได้นำเสนอการประชุมเชิงปฏิบัติการเฉพาะเรื่อง “นักฟิสิกส์รังสีบำบัดทุกคนควรรู้เกี่ยวกับ AI/การเรียนรู้ของเครื่อง… ด้วยผู้เข้าร่วมประชุมหลายร้อยคนในห้อง D5 ที่ Bella Center วิทยากรได้รับมอบหมายจากผู้ดูแลเซสชันให้ปกป้อง “สถานการณ์ที่เหมาะสมที่สุด” เพื่อจัดแนวความรู้ของนักฟิสิกส์การแพทย์กับโอกาส AI/การเรียนรู้ด้วยเครื่องจักรที่เกิดขึ้นใหม่ในคลินิกรังสีรักษา .
แค่พื้นฐานหรือตรงกันข้าม?
ผู้เริ่มการโต้วาทีคือWilko Verbakelนักฟิสิกส์ทางการแพทย์อาวุโสและรองศาสตราจารย์แห่ง Amsterdam UMC ในเนเธอร์แลนด์ ซึ่งเป็นผู้ตอบแบบสัมผัสเล็กน้อยต่อคำถามพาดหัวของเซสชั่น เขาให้เหตุผลว่าลำดับความสำคัญของนักฟิสิกส์การแพทย์คือการทำงานอย่างใกล้ชิดกับผู้ผลิตซอฟต์แวร์แมชชีนเลิร์นนิงเพื่อแสดงข้อมูลทางเทคนิคเพิ่มเติม โดยไม่ได้โฟกัสที่อัลกอริทึม แต่เป็นข้อมูลที่ใช้สำหรับการฝึกอบรมและใช้งานอัลกอริทึมเหล่านั้น
“สิ่งที่เราจำเป็นต้องรู้ – แค่พื้นฐาน” Verbakel อธิบาย “[นั่นหมายความว่า] ข้อมูลประเภทใดที่ใช้สำหรับการฝึกอบรมอัลกอริทึมการเรียนรู้ของเครื่อง ข้อมูลทางภูมิศาสตร์มาจากไหน และการกระจายข้อมูลผู้ป่วยได้รับการคัดเลือกอย่างดีสำหรับประชากรผู้ป่วยในศูนย์ของคุณเองหรือไม่” อย่างไรก็ตาม เขายอมรับว่าผู้ผลิตสามารถทำได้และควรทำมากกว่านี้เพื่อแบ่งปันข้อมูลที่ใช้ในการฝึกอัลกอริทึมที่เป็นกรรมสิทธิ์ของตน “ไม่ว่าในกรณีใด เราต้องทดสอบประสิทธิภาพ [ของโมเดลแมชชีนเลิร์นนิง] ในชุด
ข้อมูลของเราเอง และถามว่ามันดีแค่ไหนเมื่อเปรียบเทียบกัน”
การนำเสนอที่สมบูรณ์แบบ: วิทยากรที่ ESTRO 2022 กล่าวถึงข้อกำหนดด้านการศึกษาและการฝึกอบรมเพื่อสนับสนุนนวัตกรรม AI/แมชชีนเลิร์นนิงในการรักษาด้วยรังสี จากซ้ายไปขวา (ยืน): Charlotte Robert, Cristina Garibaldi, Wilko Verbakel และ Carsten Brink (มารยาท: โจ McEntee)
ความเห็นที่ตรงกันข้าม – โต้แย้งว่านักฟิสิกส์รังสีรักษาทุกคนควรเป็นนักวิทยาศาสตร์ข้อมูลที่มีทักษะครบถ้วนเช่นกัน – อธิบายโดย Charlotte Robert รองศาสตราจารย์ด้านฟิสิกส์การแพทย์ที่Gustave Roussy Cancer Campusในเมือง Villejuif ประเทศฝรั่งเศส จุดยืนของ Robert ยอมรับว่า AI และเทคโนโลยีแมชชีนเลิร์นนิงนั้นแพร่หลายอยู่แล้วในเวิร์กโฟลว์การรักษาด้วยรังสีในปัจจุบัน โดยมีแอปพลิเคชันที่ครอบคลุมการสร้างภาพสังเคราะห์ การทำคอนทัวร์อัตโนมัติ การวัดปริมาณรังสีแบบเร่ง การควบคุมคุณภาพผู้ป่วยอัตโนมัติ และการปรับแผนตามเวลาจริง และอื่นๆ
เมื่อเริ่มใช้งานซอฟต์แวร์ AI/แมชชีนเลิร์นนิง Robert ตั้งข้อสังเกต ดังนั้น จึงจำเป็นอย่างยิ่งที่นักฟิสิกส์ทางการแพทย์จะต้องเข้าใจข้อกำหนดทางเทคนิคของผลิตภัณฑ์ใหม่ เพื่อปรับใช้วิธีการที่มีประสิทธิภาพสำหรับการยอมรับโซลูชัน “นี่เป็นสิ่งสำคัญมากสำหรับคุณในการทำงานอย่างถูกต้อง” เธออธิบาย “[ตามที่เป็นอยู่] เสนอชุดข้อมูลอัจฉริยะเพื่อทดสอบอัลกอริทึมภายใต้เงื่อนไขที่ละเอียดถี่ถ้วนโดยมีวัตถุประสงค์เพื่อระบุค่าผิดปกติ”
ในวงกว้างมากขึ้น โรเบิร์ตสนับสนุนการสร้างโปรแกรมการศึกษาที่ปรับให้เหมาะกับแต่ละบุคคล เช่น หลักสูตรการฝึกอบรมสองทักษะ โดยเริ่มต้นที่ระดับปริญญาโท ซึ่งรวมรายละเอียดปลีกย่อยและความละเอียดอ่อนของ AI/การเรียนรู้ของเครื่องจักรไว้ในหลักสูตรหลักฟิสิกส์การแพทย์ “ด้านบวกของการเปลี่ยนแปลงนี้จะช่วยให้เกิดทักษะใหม่ๆ มากมายในการเขียนโปรแกรม การจัดการข้อมูล และวิศวกรรมข้อมูล เพื่อให้อยู่ในวงรอบ” เธอกล่าวเสริม
การศึกษา การศึกษา การศึกษา
เมื่อการพูดคุยหยุดลง การลงคะแนนเสียงแบบแสดงมือของผู้ชมแสดงให้เห็นว่ามุมมองที่เป็นเอกฉันท์ของผู้แทน ESTRO นั้นอยู่ที่ไหนสักแห่งตามความต่อเนื่องระหว่างตำแหน่งที่ Verbakel และ Robert อธิบายไว้อย่างละเอียด (ซึ่งการนำเสนอเปิดและปิดการประชุมเชิงปฏิบัติการตามลำดับ) ประเด็นสำคัญคือการนำเสนอโดย Cristina Garibaldi จากEuropean Institute of Oncology (IEO) ในเมืองมิลาน ประเทศอิตาลี ซึ่งสนับสนุนการบูรณาการการศึกษาและการฝึกอบรมที่เน้น AI เป็นมาตรฐานสำหรับหลักสูตรฟิสิกส์การแพทย์แห่งชาติทั่วยุโรป
ผู้เชี่ยวชาญด้านฟิสิกส์การแพทย์ (MPE) ระบุว่าการิบัลดีมีบทบาทสำคัญในการขับเคลื่อนการนำเทคโนโลยี AI/แมชชีนเลิร์นนิงมาใช้ทางคลินิกอย่างปลอดภัยและมีประสิทธิภาพ “สิ่งที่สำคัญอย่างยิ่ง” เธอกล่าว “สำหรับ MPE จะต้องมีความรู้พื้นฐานเกี่ยวกับเวิร์กโฟลว์ทั้งหมดสำหรับการพัฒนาและการประยุกต์ใช้โมเดลแมชชีนเลิร์นนิง [หรืออีกนัยหนึ่ง] การเลือกและจัดการข้อมูล การเลือกแบบจำลองและการทำให้เป็นมาตรฐาน การฝึกอบรมแบบจำลอง และการตรวจสอบแบบจำลองในที่สุด”
แนะนำ : รีวิวซีรี่ย์เกาหลี | ลายสัก | รีวิวร้านอาหาร | โทรศัพท์มือถือ ราคาถูก | เรื่องย่อหนัง
