კანადის პერსპექტივა სამედიცინო სტუდენტებისთვის ხელოვნური ინტელექტის სწავლების შესახებ

გმადლობთ Nature.com– ის მონახულებისათვის. ბრაუზერის ვერსიას, რომელსაც თქვენ იყენებთ, აქვს შეზღუდული CSS მხარდაჭერა. საუკეთესო შედეგებისთვის, ჩვენ გირჩევთ გამოიყენოთ თქვენი ბრაუზერის ახალი ვერსია (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer- ში). იმავდროულად, მიმდინარე მხარდაჭერის უზრუნველსაყოფად, ჩვენ ვაჩვენებთ საიტს სტილის ან JavaScript– ის გარეშე.
კლინიკური ხელოვნური ინტელექტის (AI) განაცხადები სწრაფად იზრდება, მაგრამ არსებული სამედიცინო სკოლის სასწავლო გეგმები გთავაზობთ შეზღუდულ სწავლებას, რომელიც მოიცავს ამ ტერიტორიას. აქ ჩვენ აღწერს ხელოვნური სადაზვერვო ტრენინგის კურსს, რომელიც ჩვენ შევიმუშავეთ და მივაწოდეთ კანადელი სამედიცინო სტუდენტებს და ვაძლევთ რეკომენდაციებს სამომავლო ტრენინგისთვის.
მედიცინაში ხელოვნურმა ინტელექტმა (AI) შეიძლება გააუმჯობესოს სამუშაო ადგილის ეფექტურობა და დაეხმაროს კლინიკურ გადაწყვეტილებებს. ხელოვნური ინტელექტის გამოყენების უსაფრთხოდ წარმართვის მიზნით, ექიმებს უნდა ჰქონდეთ გარკვეული გაგება ხელოვნური ინტელექტის შესახებ. ბევრი კომენტარი ემსახურება AI კონცეფციების სწავლებას 1, მაგალითად, AI მოდელების ახსნა და გადამოწმების პროცესები 2. ამასთან, რამდენიმე სტრუქტურირებული გეგმა განხორციელდა, განსაკუთრებით ეროვნულ დონეზე. Pinto Dos Santos et al.3. გამოკითხული იყო 263 სამედიცინო სტუდენტი, ხოლო 71% დათანხმდა, რომ მათ სჭირდებოდათ ტრენინგი ხელოვნურ ინტელექტში. სამედიცინო აუდიტორიისთვის ხელოვნური ინტელექტის სწავლება მოითხოვს ფრთხილად დიზაინს, რომელიც აერთიანებს ტექნიკურ და არატექნიკურ კონცეფციებს იმ სტუდენტებისთვის, რომლებსაც ხშირად აქვთ ფართო ცოდნა. ჩვენ აღწერს ჩვენს გამოცდილებას AI სემინარების სერიის მიწოდებას სამედიცინო სტუდენტების სამ ჯგუფს და ვაწარმოებთ რეკომენდაციებს AI– ში მომავალი სამედიცინო განათლების მისაღებად.
ჩვენი ხუთკვირიანი შესავალი სამედიცინო სტუდენტებისთვის სამედიცინო სემინარში ხელოვნური ინტელექტის შესახებ სამჯერ ჩატარდა 2019 წლის თებერვლიდან 2021 წლის აპრილამდე. თითოეული სემინარის გრაფიკი, კურსში ცვლილებების მოკლე აღწერით, ნაჩვენებია ნახაზში 1. ჩვენს კურსს აქვს. სამი ძირითადი სასწავლო მიზანი: სტუდენტებს ესმით, თუ როგორ ხდება მონაცემების დამუშავება ხელოვნური ინტელექტის პროგრამებში, აანალიზებს ხელოვნური ინტელექტის ლიტერატურას კლინიკური პროგრამებისთვის და ისარგებლებს შესაძლებლობებით, რომ ითანამშრომლონ ინჟინერებთან, რომლებიც განვითარდებიან ხელოვნურ ინტელექტს.
ლურჯი არის ლექციის თემა და ღია ცისფერი არის ინტერაქტიული კითხვა და პასუხის პერიოდი. ნაცრისფერი განყოფილება არის მოკლე ლიტერატურის მიმოხილვის ყურადღება. ფორთოხლის სექციებში არის შერჩეული შემთხვევების შესწავლა, რომელიც აღწერს ხელოვნური ინტელექტის მოდელებს ან ტექნიკას. Green არის სახელმძღვანელო პროგრამირების კურსი, რომელიც მიზნად ისახავს ხელოვნური ინტელექტის სწავლებას კლინიკური პრობლემების გადასაჭრელად და მოდელების შესაფასებლად. სემინარების შინაარსი და ხანგრძლივობა განსხვავდება სტუდენტური საჭიროებების შეფასების საფუძველზე.
პირველი სემინარი გაიმართა ბრიტანეთის კოლუმბიის უნივერსიტეტში 2019 წლის თებერვლიდან აპრილამდე, ხოლო ყველა 8 მონაწილემ მისცა დადებითი გამოხმაურება 4. Covid-19– ის გამო, მეორე სემინარი ჩატარდა პრაქტიკულად 2020 წლის ოქტომბრ-ნოემბერს, 222 სამედიცინო სტუდენტი და 3 მაცხოვრებელი კანადის სამედიცინო სკოლიდან რეგისტრირებულია. პრეზენტაციის სლაიდები და კოდი ატვირთა ღია დაშვების საიტზე (http://ubcaimed.github.io). პირველი გამეორების მთავარი გამოხმაურება იყო ის, რომ ლექციები ძალიან ინტენსიური იყო და მასალა ძალიან თეორიული. კანადის ექვსი განსხვავებული დროის ზონის მომსახურება დამატებით გამოწვევებს უქმნის. ამრიგად, მეორე სემინარმა შეამცირა თითოეული სესიის 1 საათამდე, გაამარტივა კურსის მასალა, დაამატა მეტი შემთხვევების შესწავლა და შექმნა Boilerplate პროგრამები, რომლებიც მონაწილეებს საშუალებას აძლევდნენ დაასრულონ კოდების ნაწლავები მინიმალური გამართვით (ყუთი 1). მეორე გამეორების ძირითადი გამოხმაურება მოიცავდა პროგრამირების სავარჯიშოების დადებით გამოხმაურებას და მანქანათმცოდნეობის პროექტის დაგეგმვის დემონსტრირებას. ამრიგად, ჩვენს მესამე სემინარში, რომელიც ჩატარდა 2021 წლის მარტ-აპრილში 126 სამედიცინო სტუდენტისთვის, ჩვენ ჩავწერეთ უფრო ინტერაქტიული კოდირების სავარჯიშოები და პროექტის უკუკავშირის სესიები, რათა განვსაზღვროთ პროექტებზე სემინარის კონცეფციების გამოყენების გავლენა.
მონაცემთა ანალიზი: სტატისტიკაში შესწავლის სფერო, რომელიც განსაზღვრავს მონაცემთა მნიშვნელოვან შაბლონებს მონაცემთა ანალიზით, დამუშავებით და კომუნიკაციით.
მონაცემთა მოპოვება: მონაცემთა იდენტიფიკაციისა და მოპოვების პროცესი. ხელოვნური ინტელექტის კონტექსტში, ეს ხშირად დიდია, თითოეული ნიმუშისთვის მრავალჯერადი ცვლადი.
განზომილების შემცირება: მონაცემთა მრავალი ინდივიდუალური მახასიათებლით მონაცემების გადაქცევის პროცესი ნაკლებ მახასიათებლებში, მონაცემთა ორიგინალური ნაკრების მნიშვნელოვანი თვისებების შენარჩუნებისას.
მახასიათებლები (ხელოვნური ინტელექტის კონტექსტში): ნიმუშის გაზომვადი თვისებები. ხშირად იყენებენ ურთიერთშემცვლელად "ქონებას" ან "ცვლადი".
გრადიენტური გააქტიურების რუკა: ტექნიკა, რომელიც გამოიყენება ხელოვნური ინტელექტის მოდელების ინტერპრეტაციისთვის (განსაკუთრებით კონვულსიური ნერვული ქსელების) ინტერპრეტაციისთვის, რომელიც აანალიზებს ქსელის ბოლო ნაწილის ოპტიმიზაციის პროცესს მონაცემების ან სურათების რეგიონების იდენტიფიცირებისთვის, რომლებიც ძალიან პროგნოზირებულია.
სტანდარტული მოდელი: არსებული AI მოდელი, რომელიც წინასწარ არის მომზადებული მსგავსი დავალებების შესასრულებლად.
ტესტირება (ხელოვნური ინტელექტის კონტექსტში): დაკვირვება, თუ როგორ ასრულებს მოდელი დავალებას მონაცემების გამოყენებით, რომელიც მანამდე არ გვხვდება.
ტრენინგი (ხელოვნური ინტელექტის კონტექსტში): მონაცემების და შედეგების მოდელის მიწოდება ისე, რომ მოდელი არეგულირებს თავის შიდა პარამეტრებს, რათა ოპტიმიზირდეს დავალებების შესრულების უნარი ახალი მონაცემების გამოყენებით.
ვექტორი: მონაცემების მასივი. მანქანათმცოდნეობისას, თითოეული მასივის ელემენტი, როგორც წესი, ნიმუშის უნიკალური თვისებაა.
ცხრილი 1 ჩამოთვლილია 2021 წლის აპრილის უახლეს კურსებზე, მათ შორის თითოეული თემის მიზნობრივი მიზნების მისაღწევად. ეს სემინარი განკუთვნილია ტექნიკური დონის ახალთათვის და არ საჭიროებს მათემატიკურ ცოდნას ბაკალავრიატის სამედიცინო ხარისხის პირველი წლის განმავლობაში. კურსი შეიმუშავეს 6 სამედიცინო სტუდენტმა და 3 პედაგოგმა, რომელთაც აქვთ ინჟინერიის მოწინავე ხარისხი. ინჟინრები შეიმუშავებენ ხელოვნური ინტელექტის თეორიას, რომ ასწავლონ, ხოლო სამედიცინო სტუდენტები სწავლობენ კლინიკურად მნიშვნელოვან მასალას.
სემინარებში შედის ლექციები, საქმის შესწავლა და სახელმძღვანელო პროგრამირება. პირველ ლექციაში, ჩვენ განვიხილავთ ბიოსტატიკაში მონაცემთა ანალიზის არჩეულ კონცეფციებს, მათ შორის მონაცემთა ვიზუალიზაციას, ლოგისტიკური რეგრესიისა და აღწერითი და ინდუქციური სტატისტიკის შედარებას. მიუხედავად იმისა, რომ მონაცემთა ანალიზი არის ხელოვნური ინტელექტის საფუძველი, ჩვენ გამოვრიცხავთ ისეთ თემებს, როგორიცაა მონაცემთა მოპოვება, მნიშვნელობის ტესტირება ან ინტერაქტიული ვიზუალიზაცია. ეს გამოწვეული იყო დროის შეზღუდვებით და ასევე იმის გამო, რომ ზოგიერთ ბაკალავრიატის სტუდენტს ჰქონდა წინასწარი ტრენინგი ბიოსტატიკაში და სურდა უფრო უნიკალური მანქანების სწავლის თემების გაშუქება. შემდგომი ლექცია წარმოგიდგენთ თანამედროვე მეთოდებს და განიხილავს AI პრობლემის ფორმულირებას, AI მოდელების უპირატესობებსა და შეზღუდვებს და მოდელის ტესტირებას. ლექციებს ავსებს ლიტერატურა და პრაქტიკული კვლევა არსებული ხელოვნური ინტელექტის მოწყობილობებზე. ჩვენ ხაზს ვუსვამთ მოდელის ეფექტურობისა და მიზანშეწონილობის შესაფასებლად საჭირო უნარ -ჩვევებს კლინიკური კითხვების მოსაგვარებლად, მათ შორის არსებული ხელოვნური სადაზვერვო მოწყობილობების შეზღუდვების გაგებაში. მაგალითად, ჩვენ სტუდენტებს ვთხოვეთ ინტერპრეტაცია მოახდინონ პედიატრიული ხელმძღვანელის დაზიანების სახელმძღვანელო მითითებების შესახებ, რომლებიც შემოთავაზებულია Kupperman et al. ჩვენ ხაზს ვუსვამთ, რომ ეს არის AI– ს ჩვეულებრივი მაგალითი, რომელიც უზრუნველყოფს ექიმების ინტერპრეტაციას, ვიდრე ექიმების შეცვლას.
ხელმისაწვდომი ღია წყაროს Bootstrap პროგრამირების მაგალითები (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ჩვენ ვაჩვენებთ, თუ როგორ უნდა შევასრულოთ საძიებო მონაცემების ანალიზი, განზომილების შემცირება, სტანდარტული მოდელის დატვირთვა და ტრენინგი . და ტესტირება. ჩვენ ვიყენებთ Google Colaboratory ნოუთბუქს (Google LLC, Mountain View, CA), რომელიც საშუალებას იძლევა პითონის კოდი შესრულდეს ვებ ბრაუზერისგან. ფიგურაში 2 მოცემულია პროგრამირების სავარჯიშოების მაგალითზე. ეს სავარჯიშო გულისხმობს ავთვისებიანი დაავადებების პროგნოზირებას ვისკონსინის ღია მკერდის ვიზუალიზაციის მონაცემთა ბაზისა და გადაწყვეტილების ხის ალგორითმის გამოყენებით.
მიმდინარე პროგრამები მთელი კვირის განმავლობაში დაკავშირებულ თემებზე და შეარჩიეთ მაგალითები გამოქვეყნებული AI პროგრამებიდან. პროგრამირების ელემენტები შედის მხოლოდ იმ შემთხვევაში, თუ ისინი შესაბამისობაში არიან მომავალში კლინიკური პრაქტიკის გათვალისწინებით, მაგალითად, როგორ უნდა შეაფასონ მოდელები, რათა დადგინდეს, მზად არიან თუ არა ისინი კლინიკურ კვლევებში გამოსაყენებლად. ეს მაგალითები კულმინაციას უწევს სრულფასოვანი ბოლომდე გამოყენებას, რომელიც კლასიფიკაციას უწევს სიმსივნეებს, როგორც კეთილთვისებიანი ან ავთვისებიანი სამედიცინო გამოსახულების პარამეტრების საფუძველზე.
წინასწარი ცოდნის ჰეტეროგენურობა. ჩვენი მონაწილეები განსხვავდებოდნენ მათემატიკური ცოდნის დონეზე. მაგალითად, მოწინავე საინჟინრო ფონის მქონე სტუდენტები ეძებენ უფრო სიღრმისეულ მასალას, მაგალითად, როგორ უნდა შეასრულონ საკუთარი ფურიეს გარდაქმნები. ამასთან, კლასში ფურიეს ალგორითმის განხილვა შეუძლებელია, რადგან ის მოითხოვს სიგნალის დამუშავების სიღრმისეულ ცოდნას.
დასწრების გადინება. შემდგომი შეხვედრების დასწრება შემცირდა, განსაკუთრებით ონლაინ ფორმატებში. გამოსავალი შეიძლება იყოს დასწრების თვალყურის დევნება და დასრულების სერთიფიკატის მიწოდება. ცნობილია, რომ სამედიცინო სკოლები აღიარებენ სტუდენტთა კლასგარეშე სასწავლო საქმიანობის ჩანაწერებს, რამაც სტუდენტებს ხელი შეუწყოს ხარისხის მიღებას.
კურსის დიზაინი: იმის გამო, რომ AI მოიცავს ამდენი ქვესადგურს, შესაბამისი სიღრმისა და სიგანის ძირითადი კონცეფციების შერჩევა შეიძლება რთული იყოს. მაგალითად, AI ინსტრუმენტების გამოყენების უწყვეტობა ლაბორატორიიდან კლინიკაში მნიშვნელოვანი თემაა. მიუხედავად იმისა, რომ ჩვენ ვფარავთ მონაცემთა წინასწარ დამუშავებას, მოდელის შექმნას და ვალიდობას, ჩვენ არ შეიცავს თემებს, როგორიცაა დიდი მონაცემების ანალიტიკა, ინტერაქტიული ვიზუალიზაცია ან AI კლინიკური კვლევების ჩატარება, სამაგიეროდ, ჩვენ ყურადღებას ვამახვილებთ ყველაზე უნიკალურ AI კონცეფციებზე. ჩვენი სახელმძღვანელო პრინციპია წიგნიერების გაუმჯობესება და არა უნარები. მაგალითად, იმის გაგება, თუ როგორ ამუშავებს მოდელი შეყვანის მახასიათებლებს, მნიშვნელოვანია ინტერპრეტაციისთვის. ამის გაკეთების ერთი გზაა გრადიენტური გააქტიურების რუქების გამოყენება, რომელსაც შეუძლია ვიზუალიზაცია მოახდინოს მონაცემების რომელი რეგიონები პროგნოზირებადია. ამასთან, ეს მოითხოვს მრავალმხრივ გაანგარიშებას და შეუძლებელია მისი დანერგვა 8. საერთო ტერმინოლოგიის შემუშავება რთული იყო, რადგან ჩვენ ვცდილობდით ავუხსნათ, თუ როგორ უნდა ვიმუშაოთ მონაცემებთან, როგორც ვექტორებთან, მათემატიკური ფორმალიზმის გარეშე. გაითვალისწინეთ, რომ სხვადასხვა ტერმინებს აქვთ იგივე მნიშვნელობა, მაგალითად, ეპიდემიოლოგიაში, "მახასიათებელი" აღწერილია, როგორც "ცვლადი" ან "ატრიბუტი".
ცოდნის შეკავება. იმის გამო, რომ AI– ს გამოყენება შეზღუდულია, რამდენადაც მონაწილეები ინარჩუნებენ ცოდნას. სამედიცინო სკოლის სასწავლო პროგრამები ხშირად ეყრდნობა დაშორებულ განმეორებას პრაქტიკული ბრუნვის დროს ცოდნის გასაძლიერებლად, 9, რომელიც ასევე შეიძლება გამოყენებულ იქნას AI განათლებაზე.
პროფესიონალიზმი უფრო მნიშვნელოვანია, ვიდრე წიგნიერება. მასალის სიღრმე შექმნილია მათემატიკური სიმკაცრის გარეშე, რაც პრობლემა იყო ხელოვნურ ინტელექტში კლინიკური კურსების გაშვებისას. პროგრამირების მაგალითებში, ჩვენ ვიყენებთ შაბლონის პროგრამას, რომელიც მონაწილეებს საშუალებას აძლევს შეავსონ ველები და შეასრულონ პროგრამა, იმის გარეშე, თუ როგორ უნდა შექმნან პროგრამირების სრული გარემო.
შეშფოთება ხელოვნური ინტელექტის შესახებ: არსებობს ფართოდ გავრცელებული შეშფოთება, რომ ხელოვნურმა ინტელექტმა შეიძლება შეცვალოს რამდენიმე კლინიკური მოვალეობა 3. ამ საკითხის გადასაჭრელად, ჩვენ განვმარტავთ AI– ს შეზღუდვებს, მათ შორის ის ფაქტი, რომ რეგულატორების მიერ დამტკიცებული AI– ის თითქმის ყველა ტექნოლოგია მოითხოვს ექიმის ზედამხედველობას .11. ჩვენ ასევე ხაზს ვუსვამთ მიკერძოების მნიშვნელობას, რადგან ალგორითმები მიდრეკილია მიკერძოებისკენ, განსაკუთრებით იმ შემთხვევაში, თუ მონაცემთა ნაკრები არ არის მრავალფეროვანი 12. შესაბამისად, გარკვეული ქვეჯგუფი შეიძლება არასწორად იყოს მოდელირებული, რაც იწვევს უსამართლო კლინიკურ გადაწყვეტილებებს.
რესურსები საჯაროდ არის ხელმისაწვდომი: ჩვენ შევქმენით საჯაროდ ხელმისაწვდომი რესურსები, მათ შორის ლექციების სლაიდები და კოდი. მიუხედავად იმისა, რომ სინქრონულ შინაარსზე წვდომა შეზღუდულია დროის ზონების გამო, ღია წყაროს შინაარსი მოსახერხებელი მეთოდია ასინქრონული სწავლისთვის, რადგან AI ექსპერტიზა არ არის ხელმისაწვდომი ყველა სამედიცინო სკოლაში.
ინტერდისციპლინარული თანამშრომლობა: ეს სემინარი არის ერთობლივი საწარმო, რომელსაც სამედიცინო სტუდენტების მიერ ინჟინრები ინჟინრებთან ერთად დაგეგმონ. ეს ცხადყოფს თანამშრომლობის შესაძლებლობებსა და ცოდნის ხარვეზებს ორივე სფეროში, რაც მონაწილეებს საშუალებას აძლევს გააცნობიერონ პოტენციური როლი, რომელსაც მათ მომავალში შეუძლიათ წვლილი შეიტანონ.
განსაზღვრეთ AI ძირითადი კომპეტენციები. კომპეტენციების ჩამონათვალის განსაზღვრა უზრუნველყოფს სტანდარტიზებულ სტრუქტურას, რომელიც შეიძლება ინტეგრირდეს არსებულ კომპეტენციებზე დაფუძნებულ სამედიცინო სასწავლო გეგმებში. ეს სემინარი ამჟამად იყენებს Bloom- ის ტაქსონომიის სასწავლო ობიექტური დონის 2 (გაგება), 3 (განაცხადი) და 4 (ანალიზი). კლასიფიკაციის უფრო მაღალ დონეზე რესურსების არსებობა, როგორიცაა პროექტების შექმნა, შეუძლია კიდევ უფრო გააძლიეროს ცოდნა. ეს მოითხოვს კლინიკურ ექსპერტებთან მუშაობას იმის დასადგენად, თუ როგორ შეიძლება გამოყენებულ იქნას AI თემები კლინიკურ სამუშაოებზე და თავიდან აიცილოს განმეორებითი თემების სწავლება, რომელიც უკვე შედის სტანდარტულ სამედიცინო სასწავლო გეგმებში.
შექმენით საქმის შესწავლა AI გამოყენებით. კლინიკური მაგალითების მსგავსად, შემთხვევაზე დაფუძნებულ სწავლებას შეუძლია გააძლიეროს აბსტრაქტული ცნებები კლინიკურ კითხვებზე მათი შესაბამისობის ხაზგასმით. მაგალითად, ერთმა სემინარის კვლევამ გაანალიზა Google– ის AI– ზე დაფუძნებული დიაბეტური რეტინოპათიის გამოვლენის სისტემა 13, ლაბორატორიიდან კლინიკაში ბილიკის გასწვრივ გამოწვევების დასადგენად, მაგალითად, გარე ვალიდაციის მოთხოვნები და მარეგულირებელი დამტკიცების გზები.
გამოიყენეთ ექსპერიმენტული სწავლება: ტექნიკური უნარები მოითხოვს ფოკუსირებულ პრაქტიკას და განმეორებით გამოყენებას სამაგისტრო, ისევე როგორც კლინიკური მსმენელთა მბრუნავი სწავლის გამოცდილების მსგავსად. ერთი პოტენციური გამოსავალია კლასის კლასის მოდელი, რომლის თანახმად, საინჟინრო განათლებაში ცოდნის შენარჩუნების გაუმჯობესებაა 14. ამ მოდელში, მოსწავლეები განიხილავენ თეორიულ მასალას დამოუკიდებლად და კლასობრივი დრო ეძღვნება პრობლემების გადაჭრას საქმის შესწავლის გზით.
მულტიდისციპლინარული მონაწილეთა მასშტაბის მასშტაბები: ჩვენ განვიხილავთ AI– ს მიღებას, რომელიც მოიცავს თანამშრომლობას მრავალ დისციპლინაში, მათ შორის ექიმებსა და მოკავშირეთა ჯანდაცვის პროფესიონალებს, რომლებსაც აქვთ სხვადასხვა დონის ტრენინგი. ამრიგად, შეიძლება საჭირო გახდეს სასწავლო გეგმები სხვადასხვა დეპარტამენტის ფაკულტეტთან კონსულტაციით, რომ მათი შინაარსი ჯანდაცვის სხვადასხვა სფეროში მოაწყოთ.
ხელოვნური ინტელექტი მაღალტექნოლოგიურია და მისი ძირითადი კონცეფციები დაკავშირებულია მათემატიკასა და კომპიუტერულ მეცნიერებასთან. ჯანდაცვის პერსონალის ტრენინგი ხელოვნური ინტელექტის გასაგებად წარმოადგენს უნიკალურ გამოწვევებს შინაარსის შერჩევის, კლინიკური აქტუალურობისა და მიწოდების მეთოდებში. ჩვენ ვიმედოვნებთ, რომ AI– სგან მიღებული საგანმანათლებლო სემინარებში მიღებული შეხედულებები ხელს შეუწყობს მომავალ პედაგოგებს, რომ მიიღონ ინოვაციური გზები AI– ს სამედიცინო განათლებაში ინტეგრირების მიზნით.
Google Colaboratory Python- ის სკრიპტი ღია წყაროა და ხელმისაწვდომია შემდეგ საიტზე: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG and Khan, S. გადახედეთ სამედიცინო განათლებას: ზარის მოქმედებისკენ. აკად. წამალი. 88, 1407–1410 (2013).
მაკკოი, LG და ა.შ. რა უნდა იცოდნენ სამედიცინო სტუდენტებმა ხელოვნური ინტელექტის შესახებ? NPZH ნომრები. მედიცინა 3, 1–3 (2020).
Dos Santos, DP, et al. სამედიცინო სტუდენტების დამოკიდებულება ხელოვნური ინტელექტის მიმართ: მულტიცენტრული გამოკითხვა. ევრო. გამოსხივება. 29, 1640–1646 (2019).
Fan, Ky, Hu, R., and Singla, R. სამედიცინო სტუდენტებისთვის მანქანათმცოდნეობის შესავალი: საპილოტე პროექტი. J. Med. ასწავლე. 54, 1042–1043 (2020).
Cooperman N, et al. თავის ტვინის კლინიკურად მნიშვნელოვანი დაზიანების ძალიან დაბალი რისკის მქონე ბავშვების იდენტიფიცირება ხელმძღვანელის დაზიანების შემდეგ: კოჰორტის პერსპექტიული კვლევა. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH და Mangasarian, OL. ბირთვული მახასიათებლების მოპოვება მკერდის სიმსივნის დიაგნოზისთვის. ბიომექანიკური მეცნიერება. სურათის დამუშავება. ბიომექანიკური მეცნიერება. ვეისი. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. and Peng, L. როგორ განვავითაროთ მანქანათმცოდნეობის მოდელები ჯანმრთელობისთვის. ნატ. მეთიუ. 18, 410–414 (2019).
Selvaraju, RR et al. გრადუსი: ღრმა ქსელების ვიზუალური ინტერპრეტაცია გრადიენტზე დაფუძნებული ლოკალიზაციის გზით. IEEE საერთაშორისო კონფერენცია კომპიუტერული ხედვის შესახებ, 618–626 (2017).
Kumaravel B, Stewart K და Ilic D. სპირალური მოდელის შემუშავება და შეფასება მტკიცებულებებზე დაფუძნებული მედიცინის კომპეტენციების შეფასებისთვის, რომელიც იყენებს ეუთოს ბაკალავრიატის სამედიცინო განათლებაში. BMK მედიცინა. ასწავლე. 21, 1–9 (2021).
Kolachalama VB და Garg PS მანქანების სწავლა და სამედიცინო განათლება. NPZH ნომრები. წამალი. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, ​​S., Rutten, MJ, Van Ginneken, B. and De Rooy, M. ხელოვნური ინტელექტი რადიოლოგიაში: 100 კომერციული პროდუქტი და მათი სამეცნიერო მტკიცებულება. ევრო. გამოსხივება. 31, 3797–3804 (2021).
ტოპოლი, EJ მაღალი ხარისხის მედიცინა: ადამიანის და ხელოვნური ინტელექტის თანხვედრა. ნატ. წამალი. 25, 44–56 (2019).
ბედე, E. et al. კლინიკაში განლაგებული ღრმა სასწავლო სისტემის ადამიანზე ორიენტირებული შეფასება დიაბეტური რეტინოპათიის გამოსავლენად. 2020 წლის CHI კონფერენციის განხილვა გამოთვლითი სისტემების ადამიანის ფაქტორების შესახებ (2020).
კერი, ბ. საინჟინრო განათლებაში ჩაფლული საკლასო ოთახი: კვლევის მიმოხილვა. 2015 წლის საერთაშორისო კონფერენციის შრომები ინტერაქტიული თანამშრომლობითი სწავლის შესახებ (2015).
ავტორები მადლობას უხდიან დენიელ უოკერს, ტიმ სალკუდინს და პიტერ ზანდსტრას ბრიტანეთის კოლუმბიის უნივერსიტეტში ბიომექანიკური ვიზუალიზაციისა და ხელოვნური ინტელექტის კვლევის კლასტერიდან, მხარდაჭერისა და დაფინანსებისთვის.
RH, PP, ZH, RS და MA პასუხისმგებელნი იყვნენ სემინარის სწავლების შინაარსის შემუშავებაზე. RH და PP პასუხისმგებელნი იყვნენ პროგრამირების მაგალითების შემუშავებაზე. KYF, OY, MT და PW პასუხისმგებელნი იყვნენ პროექტის ლოგისტიკური ორგანიზაციისა და სემინარების ანალიზზე. RH, OY, MT, RS პასუხისმგებელი იყო ფიგურებისა და ცხრილების შექმნაზე. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS პასუხისმგებელი იყო დოკუმენტის შედგენაზე და რედაქტირებაზე.
საკომუნიკაციო მედიცინა მადლობას უხდის კაროლინ მაკგრეგორს, ფაბიო მორაესს და ადიტია ბორაკატს ამ ნაწარმოების განხილვაში შეტანილი წვლილისთვის.