Nature.com сайтына киргениңиз үчүн рахмат. Сиз колдонуп жаткан браузердин версиясында CSS колдоосу чектелүү. Эң жакшы натыйжаларга жетүү үчүн, браузериңиздин жаңы версиясын колдонууну (же Internet Explorerде шайкештик режимин өчүрүүнү) сунуштайбыз. Ошол эле учурда, үзгүлтүксүз колдоону камсыз кылуу үчүн, биз сайтты стилдештирүүсүз же JavaScriptсиз көрсөтүп жатабыз.
Клиникалык жасалма интеллекттин (ЖИ) колдонулушу тездик менен өсүп жатат, бирок медициналык окуу жайларынын учурдагы окуу программалары бул тармакты камтыган чектелүү окутууну сунуштайт. Бул жерде биз канадалык медициналык студенттерге иштеп чыгып, өткөргөн жасалма интеллект боюнча окутуу курсун сүрөттөп беребиз жана келечектеги окутуу боюнча сунуштарды беребиз.
Медицинадагы жасалма интеллект (ЖИ) жумуш ордундагы натыйжалуулукту жогорулатып, клиникалык чечимдерди кабыл алууга жардам берет. Жасалма интеллектти колдонууну коопсуз жетектөө үчүн дарыгерлер жасалма интеллект жөнүндө бир аз түшүнүккө ээ болушу керек. Көптөгөн комментарийлер ЖИ концепцияларын1, мисалы, ЖИ моделдерин жана текшерүү процесстерин2 түшүндүрүүнү жакташат. Бирок, өзгөчө улуттук деңгээлде, бир нече структуралаштырылган пландар ишке ашырылган. Пинто дос Сантос жана башкалар.3. 263 медициналык студент сурамжылоого алынып, алардын 71%ы жасалма интеллект боюнча окутууга муктаж экенине макул болушкан. Медициналык аудиторияга жасалма интеллектти окутуу көбүнчө кеңири алдын ала билимге ээ болгон студенттер үчүн техникалык жана техникалык эмес концепцияларды айкалыштырган кылдат дизайнды талап кылат. Биз медициналык студенттердин үч тобуна ЖИ боюнча бир катар семинарларды өткөрүү тажрыйбабызды сүрөттөп беребиз жана ЖИ боюнча келечектеги медициналык билим берүү боюнча сунуштарды беребиз.
Медицина студенттери үчүн беш жумалык "Медицинадагы жасалма интеллектке киришүү" семинарыбыз 2019-жылдын февраль айынан 2021-жылдын апрель айына чейин үч жолу өткөрүлдү. Ар бир семинардын графиги, курстагы өзгөрүүлөрдүн кыскача сүрөттөлүшү менен, 1-сүрөттө көрсөтүлгөн. Биздин курстун үч негизги окуу максаты бар: студенттер жасалма интеллект колдонмолорунда маалыматтар кантип иштетилерин түшүнүшөт, клиникалык колдонмолор үчүн жасалма интеллект боюнча адабияттарды талдашат жана жасалма интеллектти иштеп чыгуучу инженерлер менен кызматташуу мүмкүнчүлүктөрүн пайдаланышат.
Көк түс лекциянын темасы, ал эми ачык көк түс интерактивдүү суроо-жооп мезгили болуп саналат. Боз бөлүм кыскача адабияттарды карап чыгуунун негизги темасы болуп саналат. Кызгылт сары бөлүмдөр жасалма интеллект моделдерин же ыкмаларын сүрөттөгөн тандалган кейс-стадилер. Жашыл түс - клиникалык көйгөйлөрдү чечүү жана моделдерди баалоо үчүн жасалма интеллектти окутуу үчүн иштелип чыккан жетектелген программалоо курсу. Семинарлардын мазмуну жана узактыгы студенттердин муктаждыктарын баалоосуна жараша өзгөрүп турат.
Биринчи семинар Британ Колумбиясы университетинде 2019-жылдын февраль айынан апрелине чейин өткөрүлүп, 8 катышуучунун баары оң пикирлерин билдиришти4. COVID-19га байланыштуу экинчи семинар 2020-жылдын октябрь-ноябрь айларында виртуалдык түрдө өткөрүлүп, ага 8 канадалык медициналык окуу жайдан 222 медициналык студент жана 3 резидент катталды. Презентация слайддары жана коддор ачык кирүү сайтына жүктөлдү (http://ubcaimed.github.io). Биринчи итерациядан алынган негизги пикир лекциялар өтө интенсивдүү жана материал өтө теориялык болгондугунда болду. Канаданын алты ар кандай убакыт алкагын колдонуу кошумча кыйынчылыктарды жаратат. Ошентип, экинчи семинар ар бир сессияны 1 саатка чейин кыскартты, курс материалын жөнөкөйлөштүрдү, көбүрөөк кейс-стадилерди кошту жана катышуучуларга код үзүндүлөрүн минималдуу мүчүлүштүктөрдү оңдоо менен бүтүрүүгө мүмкүндүк берген шаблондук программаларды түздү (1-кутуча). Экинчи итерациядан алынган негизги пикирлерге программалоо көнүгүүлөрү боюнча оң пикир жана машиналык окутуу долбоорун пландаштырууну көрсөтүү өтүнүчү кирди. Ошондуктан, 2021-жылдын март-апрель айларында 126 медициналык студент үчүн виртуалдык түрдө өткөрүлгөн үчүнчү семинарыбызда, семинардын концепцияларын долбоорлорго колдонуунун таасирин көрсөтүү үчүн интерактивдүү коддоо көнүгүүлөрүн жана долбоор боюнча пикир алмашуу сессияларын коштук.
Маалыматтарды талдоо: Маалыматтардын үлгүлөрүн талдоо, иштетүү жана жеткирүү аркылуу маалыматтардагы маанилүү үлгүлөрдү аныктоочу статистиканын изилдөө тармагы.
Маалыматтарды казып алуу: маалыматтарды аныктоо жана алуу процесси. Жасалма интеллект контекстинде бул көп учурда чоң көлөмдө болот, ар бир үлгү үчүн бир нече өзгөрмөлөр бар.
Өлчөмдүүлүктү азайтуу: Баштапкы маалыматтар топтомунун маанилүү касиеттерин сактоо менен көптөгөн жеке өзгөчөлүктөрү бар маалыматтарды азыраак өзгөчөлүктөргө айландыруу процесси.
Мүнөздөмөлөрү (жасалма интеллект контекстинде): үлгүнүн өлчөнүүчү касиеттери. Көп учурда "касиет" же "өзгөрмө" менен алмаштырып колдонулат.
Градиенттик активдештирүү картасы: Жасалма интеллект моделдерин (айрыкча конволюциялык нейрон тармактарын) чечмелөө үчүн колдонулган ыкма, ал тармактын акыркы бөлүгүн оптималдаштыруу процессин талдап, маалыматтардын же сүрөттөрдүн аймактарын өтө алдын ала айтууга жөндөмдүү деп аныктайт.
Стандарттык модель: окшош тапшырмаларды аткаруу үчүн алдын ала үйрөтүлгөн учурдагы жасалма интеллект модели.
Тестирлөө (жасалма интеллект контекстинде): моделдин мурда кездешпеген маалыматтарды колдонуп, тапшырманы кантип аткараарын байкоо.
Окутуу (жасалма интеллект контекстинде): Модель жаңы маалыматтарды колдонуу менен тапшырмаларды аткаруу мүмкүнчүлүгүн оптималдаштыруу үчүн ички параметрлерин тууралашы үчүн, аны маалыматтар жана натыйжалар менен камсыз кылуу.
Вектор: маалыматтар массиви. Машиналык окутууда ар бир массив элементи, адатта, үлгүнүн уникалдуу өзгөчөлүгү болуп саналат.
1-таблицада 2021-жылдын апрель айындагы акыркы курстар, анын ичинде ар бир тема боюнча максаттуу окуу максаттары келтирилген. Бул семинар техникалык деңгээлге жаңы келгендер үчүн арналган жана медициналык бакалавр даражасынын биринчи жылынан башка математикалык билимди талап кылбайт. Курсту 6 медициналык студент жана инженердик жогорку даражага ээ 3 мугалим иштеп чыгышкан. Инженерлер окутуу үчүн жасалма интеллект теориясын иштеп чыгышууда, ал эми медициналык студенттер клиникалык жактан тиешелүү материалдарды үйрөнүп жатышат.
Семинарларга лекциялар, кейс-стадилер жана жетектелген программалоо кирет. Биринчи лекцияда биз биостатистикадагы маалыматтарды талдоо боюнча тандалган түшүнүктөрдү, анын ичинде маалыматтарды визуализациялоону, логистикалык регрессияны жана сүрөттөмө жана индуктивдик статистиканы салыштырууну карап чыгабыз. Маалыматтарды талдоо жасалма интеллекттин негизи болгону менен, биз маалыматтарды казып алуу, маанини текшерүү же интерактивдүү визуализация сыяктуу темаларды кошпойбуз. Бул убакыттын чектелүүлүгүнө жана ошондой эле айрым студенттер биостатистика боюнча алдын ала даярдыктан өтүп, машиналык окутуунун уникалдуу темаларын камтууну каалагандыктан улам болгон. Кийинки лекцияда заманбап ыкмалар киргизилет жана жасалма интеллект көйгөйлөрүн формулировкалоо, жасалма интеллект моделдеринин артыкчылыктары жана чектөөлөрү, ошондой эле моделдерди текшерүү талкууланат. Лекциялар жасалма интеллекттин учурдагы түзмөктөрү боюнча адабияттар жана практикалык изилдөөлөр менен толукталат. Биз клиникалык суроолорду чечүү үчүн моделдин натыйжалуулугун жана ишке ашыруу мүмкүнчүлүгүн баалоо үчүн талап кылынган көндүмдөргө, анын ичинде жасалма интеллекттин учурдагы түзмөктөрүнүн чектөөлөрүн түшүнүүгө басым жасайбыз. Мисалы, биз студенттерден Купперман жана башкалар тарабынан сунушталган педиатриялык баш жаракаты боюнча көрсөтмөлөрдү чечмелөөнү сурандык, алар КТ сканерлөө пайдалуу болобу же жокпу, аныктоо үчүн жасалма интеллект чечим дарагы алгоритмин ишке ашырышкан. Биз бул жасалма интеллекттин дарыгерлерди алмаштыруунун ордуна, чечмелөө үчүн дарыгерлерге божомолдоочу аналитиканы камсыз кылган кеңири таралган мисал экенин баса белгилейбиз.
Жеткиликтүү ачык булактуу bootstrap программалоо мисалдарында (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) биз чалгындоо маалыматтарын талдоону, өлчөмдүүлүктү азайтууну, стандарттуу моделди жүктөө жана окутууну жана тестирлөөнү кантип жүргүзүүнү көрсөтөбүз. Биз Google Colaboratory дептерлерин (Google LLC, Mountain View, CA) колдонобуз, алар Python кодун веб-браузерден аткарууга мүмкүндүк берет. Сүрөттө. 2-сүрөттө программалоо көнүгүүсүнүн мисалы келтирилген. Бул көнүгүү Висконсин ачык эмчек сүрөткө тартуу маалыматтар топтомун6 жана чечим дарагы алгоритмин колдонуп, залалдуу шишиктерди алдын ала айтууну камтыйт.
Апта бою тиешелүү темалар боюнча программаларды сунуштаңыз жана жарыяланган жасалма интеллект колдонмолорунан мисалдарды тандаңыз. Программалоо элементтери келечектеги клиникалык практикага түшүнүк берүү үчүн тиешелүү деп эсептелген учурда гана киргизилет, мисалы, моделдерди клиникалык сыноолордо колдонууга даяр экендигин аныктоо үчүн кантип баалоо керек. Бул мисалдар медициналык сүрөт параметрлеринин негизинде шишиктерди залалсыз же залалдуу деп классификациялаган толук кандуу комплекстүү колдонмо менен жыйынтыкталат.
Мурунку билимдердин ар түрдүүлүгү. Катышуучуларыбыздын математикалык билим деңгээли ар кандай болгон. Мисалы, инженердик билими жогору студенттер өздөрүнүн Фурье өзгөртүүлөрүн кантип аткаруу сыяктуу тереңирээк материалдарды издешет. Бирок, сабакта Фурье алгоритмин талкуулоо мүмкүн эмес, анткени ал сигналдарды иштетүү боюнча терең билимди талап кылат.
Катышуунун агылып кетиши. Кийинки жолугушууларга катышуу, айрыкча онлайн форматтарда, азайды. Чечим катышууну көзөмөлдөө жана бүтүрүү сертификатын берүү болушу мүмкүн. Медициналык окуу жайлар студенттердин класстан тышкаркы академиялык иш-аракеттеринин стенограммаларын тааный тургандыгы белгилүү, бул студенттерди даража алууга үндөйт.
Курстун дизайны: Жасалма интеллект көптөгөн кошумча тармактарды камтыгандыктан, тиешелүү тереңдик жана кеңдиктеги негизги түшүнүктөрдү тандоо кыйынга турушу мүмкүн. Мисалы, лабораториядан клиникага чейин жасалма интеллект куралдарын колдонуунун үзгүлтүксүздүгү маанилүү тема болуп саналат. Биз маалыматтарды алдын ала иштетүүнү, моделдерди түзүүнү жана текшерүүнү карасак да, чоң маалыматтарды аналитикалоо, интерактивдүү визуализациялоо же жасалма интеллекттин клиникалык сыноолорун жүргүзүү сыяктуу темаларды камтыбайбыз, анын ордуна биз эң уникалдуу жасалма интеллект концепцияларына көңүл бурабыз. Биздин жетектөөчү принцибибиз - сабаттуулукту жогорулатуу, көндүмдөрдү эмес. Мисалы, моделдин киргизүү функцияларын кантип иштетээрин түшүнүү чечмелөө үчүн маанилүү. Муну жасоонун бир жолу - градиенттик активдештирүү карталарын колдонуу, алар маалыматтардын кайсы аймактары алдын ала айтууга болорун көрсөтө алат. Бирок, бул көп өзгөрмөлүү эсептөөлөрдү талап кылат жана аларды киргизүүгө болбойт8. Жалпы терминологияны иштеп чыгуу кыйын болду, анткени биз маалыматтар менен математикалык формализмсиз вектор катары кантип иштөөнү түшүндүрүүгө аракет кылып жатканбыз. Ар кандай терминдердин мааниси бирдей экенин эске алыңыз, мисалы, эпидемиологияда "мүнөз" "өзгөрмө" же "атрибут" катары сүрөттөлөт.
Билимдерди сактоо. Жасалма интеллектти колдонуу чектелүү болгондуктан, катышуучулардын билимди канчалык деңгээлде сактап калаары белгисиз бойдон калууда. Медициналык окуу жайларынын окуу программалары практикалык ротациялар учурунда билимди бекемдөө үчүн көп учурда аралык менен кайталоого таянат,9 муну жасалма интеллектти окутууга да колдонсо болот.
Кесипкөйлүк сабаттуулуктан маанилүүрөөк. Материалдын тереңдиги математикалык тактыксыз иштелип чыккан, бул жасалма интеллект боюнча клиникалык курстарды баштоодо көйгөй жараткан. Программалоо мисалдарында биз катышуучуларга толук программалоо чөйрөсүн кантип орнотууну түшүнбөстөн, талааларды толтурууга жана программалык камсыздоону иштетүүгө мүмкүндүк берген шаблон программасын колдонобуз.
Жасалма интеллект боюнча кооптонуулар каралды: Жасалма интеллект айрым клиникалык милдеттерди алмаштырышы мүмкүн деген кеңири таралган кооптонуу бар3. Бул маселени чечүү үчүн биз жасалма интеллекттин чектөөлөрүн, анын ичинде жөнгө салуучу органдар тарабынан бекитилген дээрлик бардык жасалма интеллект технологиялары дарыгердин көзөмөлүн талап кылаарын түшүндүрөбүз11. Ошондой эле, алгоритмдер, айрыкча, маалыматтар топтому ар түрдүү болбосо, бир жактуулукка жакын болгондуктан, бир жактуулуктун маанилүүлүгүн баса белгилейбиз12. Натыйжада, белгилүү бир кичи топ туура эмес моделденип, адилетсиз клиникалык чечимдерге алып келиши мүмкүн.
Ресурстар жалпыга жеткиликтүү: Биз лекция слайддарын жана кодду камтыган жалпыга жеткиликтүү ресурстарды түздүк. Синхрондуу мазмунга жетүү убакыт алкактарынан улам чектелүү болгону менен, ачык булактуу мазмун асинхрондуу окутуу үчүн ыңгайлуу ыкма болуп саналат, анткени жасалма интеллект боюнча экспертиза бардык медициналык окуу жайларда жеткиликтүү эмес.
Дисциплиналар аралык кызматташуу: Бул семинар медициналык студенттер тарабынан инженерлер менен биргеликте курстарды пландаштыруу үчүн демилгеленген биргелешкен ишкана болуп саналат. Бул эки тармактагы кызматташуу мүмкүнчүлүктөрүн жана билимдеги кемчиликтерди көрсөтүп, катышуучуларга келечекте кандай салым кошо ала тургандыгын түшүнүүгө мүмкүндүк берет.
Жасалма интеллекттин негизги компетенцияларын аныктаңыз. Компетенциялардын тизмесин аныктоо, компетенцияга негизделген медициналык окуу программаларына интеграцияланышы мүмкүн болгон стандартташтырылган түзүмдү камсыз кылат. Бул семинарда учурда Блумдун таксономиясынын 2-деңгээлдеги (Түшүнүү), 3-(Колдонуу) жана 4-(Талдоо) окуу максаттары колдонулат. Долбоорлорду түзүү сыяктуу классификациянын жогорку деңгээлдериндеги ресурстарга ээ болуу билимди андан ары бекемдей алат. Бул клиникалык эксперттер менен биргеликте жасалма интеллект темаларын клиникалык жумуш агымдарына кантип колдонсо болорун аныктоону жана стандарттуу медициналык окуу программаларына киргизилген кайталануучу темаларды окутуунун алдын алууну талап кылат.
Жасалма интеллектти колдонуу менен кейс-стадилерди түзүңүз. Клиникалык мисалдарга окшош, кейс-стадиге негизделген окутуу абстракттуу түшүнүктөрдү алардын клиникалык суроолорго тиешелүүлүгүн баса белгилөө менен бекемдей алат. Мисалы, бир семинардык изилдөөдө лабораториядан клиникага чейинки жолдогу кыйынчылыктарды, мисалы, тышкы валидация талаптарын жана жөнгө салуучу органдардын бекитүү жолдорун аныктоо үчүн Google'дун жасалма интеллектке негизделген диабеттик ретинопатияны аныктоо системасын 13 талдап чыккан.
Тажрыйбалык окутууну колдонуңуз: Техникалык көндүмдөр клиникалык стажерлордун кезектешип окуу тажрыйбасына окшош, өздөштүрүү үчүн максаттуу практиканы жана кайталап колдонууну талап кылат. Бир мүмкүн болгон чечим - бул инженердик билим берүүдө билимди сактоону жакшырта тургандыгы кабарланган класстык бөлмөнүн оодарылган модели14. Бул моделде студенттер теориялык материалдарды өз алдынча карап чыгышат жана сабак убактысы маселелерди кейс-стадилер аркылуу чечүүгө арналат.
Көп тармактуу катышуучулар үчүн масштабдоо: Биз жасалма интеллектти кабыл алууну ар кандай тармактардын, анын ичинде ар кандай деңгээлдеги окутууга ээ дарыгерлердин жана саламаттыкты сактоо боюнча союздаш адистердин кызматташуусун камтууну көздөйбүз. Ошондуктан, окуу программаларын саламаттыкты сактоонун ар кандай тармактарына ылайыкташтыруу үчүн ар кандай кафедралардын окутуучулары менен кеңешип иштеп чыгуу зарыл болушу мүмкүн.
Жасалма интеллект жогорку технологиялуу жана анын негизги түшүнүктөрү математика жана информатика менен байланыштуу. Саламаттыкты сактоо кызматкерлерин жасалма интеллектти түшүнүүгө окутуу мазмунду тандоодо, клиникалык актуалдуулугунда жана жеткирүү ыкмаларында уникалдуу кыйынчылыктарды жаратат. "Билим берүүдөгү жасалма интеллект" семинарларынан алынган түшүнүктөр келечектеги мугалимдерге жасалма интеллектти медициналык билим берүүгө интеграциялоонун инновациялык жолдорун өздөштүрүүгө жардам берет деп үмүттөнөбүз.
Google Colaboratory Python скрипти ачык булактуу жана төмөнкү даректе жеткиликтүү: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, К.Г. жана Хан, С. Медициналык билим берүүнү кайра карап чыгуу: аракетке чакыруу. Аккад. медицина. 88, 1407–1410 (2013).
Маккой, Л.Г. ж.б. Медицина студенттери жасалма интеллект жөнүндө чындап эмнени билиши керек? NPZh сандары. Медицина 3, 1–3 (2020).
Дос Сантос, Д.П. жана башкалар. Медицина студенттеринин жасалма интеллектке болгон мамилеси: көп борборлуу сурамжылоо. ЕВРО. радиация. 29, 1640–1646 (2019).
Фан, KY, Ху, Р. жана Сингла, Р. Медицина студенттери үчүн машиналык окутууга киришүү: пилоттук долбоор. J. Med. teach. 54, 1042–1043 (2020).
Куперман Н. жана башкалар. Баш жаракатынан кийин клиникалык жактан маанилүү мээ жаракатынын коркунучу өтө төмөн болгон балдарды аныктоо: проспективдүү когорттук изилдөө. Lancet 374, 1160–1170 (2009).
Стрит, ВН, Волберг, ВХ жана Мангасарян, OL. Эмчек шишигин аныктоо үчүн ядролук өзгөчөлүктөрдү алуу. Биомедициналык илим. Сүрөттөрдү иштетүү. Биомедициналык илим. Вайсс. 1905, 861–870 (1993).
Чен, PHC, Liu, Y. жана Peng, L. Саламаттыкты сактоо үчүн машиналык окутуу моделдерин кантип иштеп чыгуу керек. Nat. Matthews. 18, 410–414 (2019).
Селваражу, Р.Р. жана башкалар. Grad-cam: Градиентке негизделген локализация аркылуу терең тармактарды визуалдык интерпретациялоо. IEEE Эл аралык компьютердик көрүү боюнча конференциясынын материалдары, 618–626 (2017).
Кумаравел Б, Стюарт К жана Илич Д. Медициналык билим берүү жаатында ЕККУну колдонуу менен далилдерге негизделген медицина компетенттүүлүгүн баалоо үчүн спираль моделин иштеп чыгуу жана баалоо. BMK Medicine. окутуу. 21, 1–9 (2021).
Колачалама В.Б. жана Гарг П.С. Машиналык окутуу жана медициналык билим берүү. NPZh сандары. медицина. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and de Rooy, M. радиологиядагы жасалма интеллект: 100 коммерциялык продуктылар жана алардын илимий далилдери. EURO. радиация. 31, 3797–3804 (2021).
Топол, Э.Ж. Жогорку натыйжалуу медицина: адам менен жасалма интеллекттин конвергенциясы. Улуттук медицина. 25, 44–56 (2019).
Беде, Э. жана башкалар. Диабеттик ретинопатияны аныктоо үчүн клиникада колдонулган терең окутуу системасын адамга багытталган баалоо. 2020-жылдагы эсептөө системаларындагы адам факторлору боюнча CHI конференциясынын материалдары (2020).
Керр, Б. Инженердик билим берүүдө оодарылган класс: Изилдөөнүн обзору. 2015-жылдагы Интерактивдүү биргелешип окутуу боюнча эл аралык конференциянын материалдары (2015).
Авторлор Британ Колумбиясы Университетинин Биомедициналык сүрөткө тартуу жана жасалма интеллект изилдөө кластеринен Даниэль Уокерге, Тим Салкудинге жана Питер Зандстрага колдоо көрсөткөндүгү жана каржылагандыгы үчүн ыраазычылык билдиришет.
RH, PP, ZH, RS жана MA семинардын окутуу мазмунун иштеп чыгууга жооптуу болушкан. RH жана PP программалоо мисалдарын иштеп чыгууга жооптуу болушкан. KYF, OY, MT жана PW долбоордун логистикалык уюштурулушу жана семинарларды талдоо үчүн жооптуу болушкан. RH, OY, MT, RS сүрөттөрдү жана таблицаларды түзүүгө жооптуу болушкан. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS документтин долбоорун түзүү жана редакциялоо үчүн жооптуу болушкан.
Communication Medicine бул ишти карап чыгууга кошкон салымы үчүн Кэролин МакГрегорго, Фабио Мораеске жана Адитя Боракатиге ыраазычылык билдирет.
Жарыяланган убактысы: 2024-жылдын 19-февралы