კანადური პერსპექტივა ხელოვნური ინტელექტის სწავლებაზე სამედიცინო სტუდენტებისთვის

გმადლობთ Nature.com-ის მონახულებისთვის.ბრაუზერის ვერსიას, რომელსაც იყენებთ, აქვს შეზღუდული CSS მხარდაჭერა.საუკეთესო შედეგისთვის, გირჩევთ გამოიყენოთ თქვენი ბრაუზერის უფრო ახალი ვერსია (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer-ში).იმავდროულად, მუდმივი მხარდაჭერის უზრუნველსაყოფად, ჩვენ ვაჩვენებთ საიტს სტილის ან JavaScript-ის გარეშე.
კლინიკური ხელოვნური ინტელექტის (AI) აპლიკაციები სწრაფად იზრდება, მაგრამ არსებული სამედიცინო სკოლის სასწავლო გეგმები გვთავაზობს შეზღუდულ სწავლებას, რომელიც მოიცავს ამ სფეროს.აქ ჩვენ აღვწერთ ხელოვნური ინტელექტის სასწავლო კურსს, რომელიც ჩვენ შევიმუშავეთ და მივაწოდეთ კანადელ სამედიცინო სტუდენტებს და ვაძლევთ რეკომენდაციებს მომავალი ტრენინგისთვის.
ხელოვნურ ინტელექტს (AI) მედიცინაში შეუძლია გააუმჯობესოს სამუშაო ადგილის ეფექტურობა და დაეხმაროს კლინიკურ გადაწყვეტილებებს.იმისთვის, რომ უსაფრთხოდ წარმართონ ხელოვნური ინტელექტის გამოყენება, ექიმებს უნდა ჰქონდეთ გარკვეული გაგება ხელოვნური ინტელექტის შესახებ.ბევრი კომენტარი მხარს უჭერს AI ცნებების სწავლებას1, როგორიცაა ხელოვნური ინტელექტის მოდელების ახსნა და გადამოწმების პროცესები2.თუმცა, რამდენიმე სტრუქტურირებული გეგმა განხორციელდა, განსაკუთრებით ეროვნულ დონეზე.Pinto dos Santos et al.3.263 სამედიცინო სტუდენტი გამოიკითხა და 71% დათანხმდა, რომ მათ სჭირდებოდათ ტრენინგი ხელოვნური ინტელექტის სფეროში.სამედიცინო აუდიტორიისთვის ხელოვნური ინტელექტის სწავლება მოითხოვს ფრთხილად დიზაინს, რომელიც აერთიანებს ტექნიკურ და არატექნიკურ კონცეფციებს სტუდენტებისთვის, რომლებსაც ხშირად აქვთ ვრცელი წინასწარი ცოდნა.ჩვენ აღვწერთ ჩვენს გამოცდილებას AI სემინარების სერიის მიწოდებისას სამედიცინო სტუდენტების სამ ჯგუფს და ვაძლევთ რეკომენდაციებს AI-ში მომავალი სამედიცინო განათლების შესახებ.
ჩვენი ხუთკვირიანი სემინარი მედიცინაში ხელოვნური ინტელექტის შესავალი მედიცინის სტუდენტებისთვის ჩატარდა სამჯერ 2019 წლის თებერვლიდან 2021 წლის აპრილამდე. თითოეული სემინარის განრიგი, კურსის ცვლილებების მოკლე აღწერილობით, ნაჩვენებია სურათზე 1. ჩვენს კურსს აქვს სამი ძირითადი სასწავლო მიზანი: სტუდენტებს ესმით, თუ როგორ მუშავდება მონაცემები ხელოვნური ინტელექტის აპლიკაციებში, აანალიზებენ ხელოვნური ინტელექტის ლიტერატურას კლინიკური აპლიკაციებისთვის და ისარგებლებენ ხელოვნურ ინტელექტის შემქმნელ ინჟინრებთან თანამშრომლობის შესაძლებლობით.
ლურჯი არის ლექციის თემა, ღია ცისფერი კი ინტერაქტიული კითხვა-პასუხის პერიოდია.ნაცრისფერი განყოფილება არის მოკლე ლიტერატურის მიმოხილვის აქცენტი.ნარინჯისფერი სექციები არის შერჩეული შემთხვევის შესწავლა, რომელიც აღწერს ხელოვნური ინტელექტის მოდელებს ან ტექნიკას.Green არის სახელმძღვანელო პროგრამირების კურსი, რომელიც შექმნილია ხელოვნური ინტელექტის სწავლებისთვის კლინიკური პრობლემების გადაჭრასა და მოდელების შესაფასებლად.სემინარების შინაარსი და ხანგრძლივობა განსხვავდება სტუდენტების საჭიროებების შეფასების მიხედვით.
პირველი სემინარი გაიმართა ბრიტანეთის კოლუმბიის უნივერსიტეტში 2019 წლის თებერვლიდან აპრილამდე და 8-ვე მონაწილემ დადებითი გამოხმაურება გამოთქვა4.COVID-19-ის გამო, მეორე სემინარი ჩატარდა პრაქტიკულად 2020 წლის ოქტომბერ-ნოემბერში, სადაც დარეგისტრირდა 222 სამედიცინო სტუდენტი და 3 რეზიდენტი კანადის 8 სამედიცინო სკოლიდან.პრეზენტაციის სლაიდები და კოდი აიტვირთა ღია წვდომის საიტზე (http://ubcaimed.github.io).მთავარი გამოხმაურება პირველი გამეორებიდან იყო ის, რომ ლექციები იყო ძალიან ინტენსიური და მასალა ძალიან თეორიული.კანადის ექვსი განსხვავებული დროის ზონის მომსახურება დამატებით გამოწვევებს უქმნის.ამრიგად, მეორე სემინარმა შეამცირა ყოველი სესია 1 საათამდე, გაამარტივა კურსის მასალა, დაამატა მეტი შემთხვევის შესწავლა და შექმნა boilerplate პროგრამები, რომლებიც მონაწილეებს საშუალებას აძლევდა დაესრულებინა კოდის ფრაგმენტები მინიმალური გამართვით (ყუთი 1).მეორე გამეორების ძირითადი გამოხმაურება მოიცავდა დადებით გამოხმაურებას პროგრამირების სავარჯიშოების შესახებ და თხოვნას აჩვენოს მანქანური სწავლების პროექტის დაგეგმვა.ამიტომ, ჩვენს მესამე სემინარში, რომელიც ჩატარდა პრაქტიკულად 126 სამედიცინო სტუდენტისთვის 2021 წლის მარტ-აპრილში, ჩვენ ჩავრთეთ უფრო ინტერაქტიული კოდირების სავარჯიშოები და პროექტების გამოხმაურების სესიები, რათა ვაჩვენოთ სემინარის კონცეფციების გამოყენება პროექტებზე.
მონაცემთა ანალიზი: სტატისტიკის კვლევის სფერო, რომელიც განსაზღვრავს მონაცემებში მნიშვნელოვან შაბლონებს მონაცემთა ნიმუშების ანალიზის, დამუშავებისა და კომუნიკაციის გზით.
მონაცემთა მოპოვება: მონაცემთა იდენტიფიცირებისა და ამოღების პროცესი.ხელოვნური ინტელექტის კონტექსტში, ეს ხშირად დიდია, თითოეული ნიმუშისთვის მრავალი ცვლადია.
განზომილების შემცირება: მრავალი ინდივიდუალური მახასიათებლის მქონე მონაცემების ნაკლებ მახასიათებლებად გარდაქმნის პროცესი ორიგინალური მონაცემთა ნაკრების მნიშვნელოვანი თვისებების შენარჩუნებით.
მახასიათებლები (ხელოვნური ინტელექტის კონტექსტში): ნიმუშის გაზომვადი თვისებები.ხშირად გამოიყენება ურთიერთშემცვლელად "თვისება" ან "ცვლადი".
გრადიენტური აქტივაციის რუკა: ტექნიკა, რომელიც გამოიყენება ხელოვნური ინტელექტის მოდელების ინტერპრეტაციისთვის (განსაკუთრებით კონვოლუციური ნერვული ქსელები), რომელიც აანალიზებს ქსელის ბოლო ნაწილის ოპტიმიზაციის პროცესს მონაცემთა ან სურათების რეგიონების იდენტიფიცირებისთვის, რომლებიც ძალიან პროგნოზირებადია.
სტანდარტული მოდელი: არსებული AI მოდელი, რომელიც წინასწარ იყო მომზადებული მსგავსი ამოცანების შესასრულებლად.
ტესტირება (ხელოვნური ინტელექტის კონტექსტში): დაკვირვება, თუ როგორ ასრულებს მოდელი დავალებას იმ მონაცემების გამოყენებით, რომელსაც აქამდე არ შეხვედრია.
ტრენინგი (ხელოვნური ინტელექტის კონტექსტში): მოდელის მიწოდება მონაცემებით და შედეგებით ისე, რომ მოდელმა მოახდინოს მისი შიდა პარამეტრების ოპტიმიზაცია ახალი მონაცემების გამოყენებით ამოცანების შესრულების უნარზე.
ვექტორი: მონაცემთა მასივი.მანქანათმცოდნეობაში, მასივის თითოეული ელემენტი, როგორც წესი, ნიმუშის უნიკალური თვისებაა.
ცხრილში 1 ჩამოთვლილია 2021 წლის აპრილის უახლესი კურსები, თითოეული თემისთვის მიზნობრივი სასწავლო მიზნების ჩათვლით.ეს სემინარი განკუთვნილია მათთვის, ვინც ახალბედა ტექნიკურ დონეზეა და არ საჭიროებს მათემატიკურ ცოდნას ბაკალავრიატის სამედიცინო ხარისხის პირველი წლის შემდეგ.კურსი შეიმუშავა ექვსმა მედიცინის სტუდენტმა და 3 მასწავლებელმა ინჟინერიის უმაღლესი ხარისხით.ინჟინრები ავითარებენ ხელოვნური ინტელექტის თეორიას სწავლებისთვის, ხოლო სამედიცინო სტუდენტები სწავლობენ კლინიკურად შესაბამის მასალას.
სემინარები მოიცავს ლექციებს, შემთხვევის შესწავლას და სახელმძღვანელო პროგრამირებას.პირველ ლექციაზე მიმოვიხილავთ მონაცემთა ანალიზის შერჩეულ ცნებებს ბიოსტატისტიკაში, მათ შორის მონაცემთა ვიზუალიზაცია, ლოგისტიკური რეგრესია და აღწერითი და ინდუქციური სტატისტიკის შედარება.მიუხედავად იმისა, რომ მონაცემთა ანალიზი ხელოვნური ინტელექტის საფუძველია, ჩვენ გამოვრიცხავთ ისეთ თემებს, როგორიცაა მონაცემთა მოპოვება, მნიშვნელობის ტესტირება ან ინტერაქტიული ვიზუალიზაცია.ეს განპირობებული იყო დროის შეზღუდვით და ასევე იმის გამო, რომ ბაკალავრიატის ზოგიერთ სტუდენტს ჰქონდა წინასწარი ტრენინგი ბიოსტატისტიკაში და სურდა გაეშუქებინა უფრო უნიკალური მანქანათმცოდნეობის თემები.მომდევნო ლექციაში განიხილება თანამედროვე მეთოდები და განიხილება AI პრობლემის ფორმულირება, AI მოდელების უპირატესობები და შეზღუდვები და მოდელის ტესტირება.ლექციებს ავსებს ლიტერატურა და პრაქტიკული კვლევები არსებული ხელოვნური ინტელექტის მოწყობილობებზე.ჩვენ ხაზს ვუსვამთ უნარებს, რომლებიც საჭიროა მოდელის ეფექტურობისა და მიზანშეწონილობის შესაფასებლად კლინიკური კითხვების მოსაგვარებლად, მათ შორის არსებული ხელოვნური ინტელექტის მოწყობილობების შეზღუდვების გაგების ჩათვლით.მაგალითად, ჩვენ ვთხოვეთ სტუდენტებს ინტერპრეტაცია გაეკეთებინათ კუპერმანის და სხვების მიერ შემოთავაზებული პედიატრიული თავის ტრავმის გაიდლაინები, 5, რომელიც ახორციელებდა ხელოვნური ინტელექტის გადაწყვეტილების ხის ალგორითმს, რათა დადგინდეს, იქნებოდა თუ არა CT სკანირება სასარგებლო ექიმის გამოკვლევის საფუძველზე.ჩვენ ხაზს ვუსვამთ, რომ ეს არის ხელოვნური ინტელექტის ჩვეულებრივი მაგალითი, რომელიც უზრუნველყოფს ექიმების ინტერპრეტაციის პროგნოზირებულ ანალიტიკას და არა ექიმების ჩანაცვლებას.
ხელმისაწვდომი ღია კოდის ჩამტვირთავი პროგრამირების მაგალითებში (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ჩვენ ვაჩვენებთ, თუ როგორ უნდა შესრულდეს საძიებო მონაცემთა ანალიზი, განზომილებების შემცირება, სტანდარტული მოდელის ჩატვირთვა და ტრენინგი. .და ტესტირება.ჩვენ ვიყენებთ Google Colaboratory-ის ნოუთბუქებს (Google LLC, Mountain View, CA), რომლებიც საშუალებას აძლევს Python-ის კოდს შესრულდეს ვებ ბრაუზერიდან.ნახ. 2-ში მოცემულია პროგრამირების სავარჯიშოს მაგალითი.ეს სავარჯიშო მოიცავს ავთვისებიანი სიმსივნეების პროგნოზირებას Wisconsin Open Breast Imaging Dataset6 და გადაწყვეტილების ხის ალგორითმის გამოყენებით.
აჩვენეთ პროგრამები მთელი კვირის განმავლობაში შესაბამის თემებზე და შეარჩიეთ მაგალითები გამოქვეყნებული AI აპლიკაციებიდან.პროგრამირების ელემენტები ჩართულია მხოლოდ იმ შემთხვევაში, თუ ისინი ჩაითვლება რელევანტურად მომავალი კლინიკური პრაქტიკის შესახებ ინფორმაციის მიწოდებისთვის, როგორიცაა მოდელების შეფასება იმის დასადგენად, მზად არიან თუ არა ისინი კლინიკურ კვლევებში გამოსაყენებლად.ეს მაგალითები სრულდება სრულფასოვანი აპლიკაციით, რომელიც კლასიფიცირებს სიმსივნეებს, როგორც კეთილთვისებიან ან ავთვისებიანს, სამედიცინო სურათის პარამეტრების მიხედვით.
წინარე ცოდნის ჰეტეროგენულობა.ჩვენი მონაწილეები განსხვავდებოდნენ მათემატიკური ცოდნის დონეზე.მაგალითად, მოწინავე ინჟინერიის მქონე სტუდენტები ეძებენ უფრო სიღრმისეულ მასალას, როგორიცაა როგორ შეასრულონ საკუთარი ფურიეს გარდაქმნები.თუმცა, ფურიეს ალგორითმის განხილვა კლასში შეუძლებელია, რადგან ის მოითხოვს სიგნალის დამუშავების სიღრმისეულ ცოდნას.
დასწრების გადინება.შემცირდა შემდგომ შეხვედრებზე დასწრება, განსაკუთრებით ონლაინ ფორმატში.გამოსავალი შეიძლება იყოს დასწრების თვალყურის დევნება და დასრულების სერთიფიკატის მიწოდება.ცნობილია, რომ სამედიცინო სკოლები აღიარებენ სტუდენტების კლასგარეშე აკადემიური აქტივობების ჩანაწერებს, რამაც შეიძლება წაახალისოს სტუდენტები, მიიღონ ხარისხი.
კურსის დიზაინი: რადგან ხელოვნური ინტელექტი მოიცავს ბევრ ქვეველს, შესაბამისი სიღრმისა და სიგანის ძირითადი ცნებების შერჩევა შეიძლება რთული იყოს.მაგალითად, AI ინსტრუმენტების გამოყენების უწყვეტობა ლაბორატორიიდან კლინიკამდე მნიშვნელოვანი თემაა.მიუხედავად იმისა, რომ ჩვენ ვფარავთ მონაცემთა წინასწარ დამუშავებას, მოდელის შექმნას და ვალიდაციას, ჩვენ არ ვიცავთ ისეთ თემებს, როგორიცაა დიდი მონაცემების ანალიტიკა, ინტერაქტიული ვიზუალიზაცია ან ხელოვნური ხელოვნური ინტელექტის კლინიკური კვლევების ჩატარება, სამაგიეროდ, ჩვენ ყურადღებას ვამახვილებთ ყველაზე უნიკალურ AI კონცეფციებზე.ჩვენი სახელმძღვანელო პრინციპი არის წიგნიერების გაუმჯობესება და არა უნარები.მაგალითად, იმის გაგება, თუ როგორ ამუშავებს მოდელი შეყვანის მახასიათებლებს, მნიშვნელოვანია ინტერპრეტაციისთვის.ამის გაკეთების ერთ-ერთი გზაა გრადიენტური აქტივაციის რუქების გამოყენება, რომლებსაც შეუძლიათ ვიზუალურად წარმოაჩინონ მონაცემების რომელი რეგიონებია პროგნოზირებადი.თუმცა, ეს მოითხოვს მრავალვარიანტულ გაანგარიშებას და მისი დანერგვა შეუძლებელია8.საერთო ტერმინოლოგიის შემუშავება რთული იყო, რადგან ჩვენ ვცდილობდით აგვეხსნა, 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 შენახვა.იმის გამო, რომ ხელოვნური ინტელექტის გამოყენება შეზღუდულია, ჯერ კიდევ გასარკვევია, რამდენად ინარჩუნებენ მონაწილეები ცოდნას.სამედიცინო სკოლის სასწავლო გეგმები ხშირად ეყრდნობა დისტანციურ გამეორებას ცოდნის გასაძლიერებლად პრაქტიკული ბრუნვის დროს,9 რომელიც ასევე შეიძლება გამოყენებულ იქნას ხელოვნური ინტელექტის განათლებაში.
პროფესიონალიზმი უფრო მნიშვნელოვანია ვიდრე წიგნიერება.მასალის სიღრმე შექმნილია მათემატიკური სიმკაცრის გარეშე, რაც პრობლემას წარმოადგენდა ხელოვნური ინტელექტის კლინიკური კურსების დაწყებისას.პროგრამირების მაგალითებში, ჩვენ ვიყენებთ შაბლონურ პროგრამას, რომელიც საშუალებას აძლევს მონაწილეებს შეავსონ ველები და გაუშვან პროგრამული უზრუნველყოფა ისე, რომ არ გაარკვიონ, როგორ დააყენონ სრული პროგრამირების გარემო.
შეშფოთება ხელოვნური ინტელექტის შესახებ: არსებობს გავრცელებული შეშფოთება, რომ ხელოვნურმა ინტელექტს შეუძლია შეცვალოს ზოგიერთი კლინიკური მოვალეობა3.ამ საკითხის გადასაჭრელად ჩვენ განვმარტავთ AI-ს შეზღუდვებს, მათ შორის იმ ფაქტს, რომ მარეგულირებლების მიერ დამტკიცებული AI თითქმის ყველა ტექნოლოგია მოითხოვს ექიმის ზედამხედველობას11.ჩვენ ასევე ხაზს ვუსვამთ მიკერძოების მნიშვნელობას, რადგან ალგორითმები მიდრეკილია მიკერძოებისკენ, განსაკუთრებით თუ მონაცემთა ნაკრები არ არის მრავალფეროვანი12.შესაბამისად, გარკვეული ქვეჯგუფი შეიძლება იყოს არასწორად მოდელირებული, რაც იწვევს არასამართლიან კლინიკურ გადაწყვეტილებებს.
რესურსები საჯაროდ ხელმისაწვდომია: ჩვენ შევქმენით საჯაროდ ხელმისაწვდომი რესურსები, მათ შორის ლექციების სლაიდები და კოდი.მიუხედავად იმისა, რომ სინქრონულ კონტენტზე წვდომა შეზღუდულია დროის ზონების გამო, ღია კოდის კონტენტი არის მოსახერხებელი მეთოდი ასინქრონული სწავლისთვის, რადგან ხელოვნური ინტელექტის ექსპერტიზა არ არის ხელმისაწვდომი ყველა სამედიცინო სკოლაში.
ინტერდისციპლინური თანამშრომლობა: ეს სემინარი არის ერთობლივი საწარმო, რომელიც ინიცირებულია სამედიცინო სტუდენტების მიერ ინჟინრებთან ერთად კურსების დასაგეგმად.ეს აჩვენებს თანამშრომლობის შესაძლებლობებს და ცოდნის ხარვეზებს ორივე სფეროში, რაც საშუალებას აძლევს მონაწილეებს გააცნობიერონ პოტენციური როლი, რაც მათ შეუძლიათ მომავალში შეიტანონ წვლილი.
განსაზღვრეთ AI ძირითადი კომპეტენციები.კომპეტენციების სიის განსაზღვრა უზრუნველყოფს სტანდარტიზებულ სტრუქტურას, რომელიც შეიძლება ინტეგრირებული იყოს კომპეტენციებზე დაფუძნებულ სამედიცინო კურიკულუმებში.ეს სემინარი ამჟამად იყენებს ბლუმის ტაქსონომიის სასწავლო მიზნების 2 (გააზრება), 3 (გამოყენება) და 4 (ანალიზი) დონეებს.რესურსების ქონა კლასიფიკაციის მაღალ დონეზე, როგორიცაა პროექტების შექმნა, შეიძლება კიდევ უფრო გააძლიეროს ცოდნა.ეს მოითხოვს კლინიკურ ექსპერტებთან მუშაობას, რათა დადგინდეს, თუ როგორ შეიძლება AI თემების გამოყენება კლინიკურ სამუშაო პროცესებზე და თავიდან აიცილოს განმეორებადი თემების სწავლება, რომლებიც უკვე შედის სტანდარტულ სამედიცინო კურიკულუმებში.
შექმენით შემთხვევის კვლევები ხელოვნური ინტელექტის გამოყენებით.კლინიკური მაგალითების მსგავსად, შემთხვევებზე დაფუძნებულ სწავლებას შეუძლია გააძლიეროს აბსტრაქტული ცნებები კლინიკურ კითხვებთან მათი შესაბამისობის ხაზგასმით.მაგალითად, ერთ-ერთ სემინარში ჩატარებულმა კვლევამ გააანალიზა Google-ის AI-ზე დაფუძნებული დიაბეტური რეტინოპათიის გამოვლენის სისტემა 13, რათა გამოევლინა გამოწვევები ლაბორატორიიდან კლინიკამდე გზაზე, როგორიცაა გარე ვალიდაციის მოთხოვნები და მარეგულირებელი დამტკიცების გზები.
გამოიყენეთ ექსპერიმენტული სწავლება: ტექნიკური უნარები მოითხოვს ფოკუსირებულ პრაქტიკას და განმეორებით გამოყენებას დაუფლებისთვის, კლინიკური მსმენელების მონაცვლეობითი სწავლის გამოცდილების მსგავსი.ერთ-ერთი პოტენციური გამოსავალი არის გადაბრუნებული კლასის მოდელი, რომელიც აუმჯობესებს ცოდნის შენარჩუნებას საინჟინრო განათლებაში14.ამ მოდელში სტუდენტები დამოუკიდებლად განიხილავენ თეორიულ მასალას და გაკვეთილის დრო ეთმობა პრობლემების გადაჭრას შემთხვევის შესწავლის გზით.
სკალირება მულტიდისციპლინური მონაწილეებისთვის: ჩვენ წარმოვიდგენთ ხელოვნური ინტელექტის მიღებას, რომელიც მოიცავს თანამშრომლობას მრავალ დისციპლინაში, მათ შორის ექიმებსა და მოკავშირე ჯანდაცვის პროფესიონალებს ტრენინგის სხვადასხვა დონეზე.აქედან გამომდინარე, შეიძლება საჭირო გახდეს სასწავლო გეგმების შემუშავება სხვადასხვა დეპარტამენტის ფაკულტეტთან კონსულტაციით, რათა მათი შინაარსი მორგებული იყოს ჯანდაცვის სხვადასხვა სფეროზე.
ხელოვნური ინტელექტი არის მაღალტექნოლოგიური და მისი ძირითადი ცნებები დაკავშირებულია მათემატიკასთან და კომპიუტერულ მეცნიერებებთან.ჯანდაცვის პერსონალის მომზადება ხელოვნური ინტელექტის გასაგებად წარმოადგენს უნიკალურ გამოწვევებს შინაარსის შერჩევაში, კლინიკურ შესაბამისობაში და მიწოდების მეთოდებში.ვიმედოვნებთ, რომ ხელოვნური ინტელექტის განათლების სემინარებიდან მიღებული შეხედულებები დაეხმარება მომავალ პედაგოგებს აითვისონ ინოვაციური გზები ხელოვნური ინტელექტის სამედიცინო განათლებაში ინტეგრირებისთვის.
Google Colaboratory Python სკრიპტი არის ღია წყარო და ხელმისაწვდომია: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG and Khan, S. სამედიცინო განათლების გადახედვა: მოქმედებისკენ მოწოდება.აქად.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.რადიაცია.29, 1640–1646 (2019).
Fan, KY, Hu, R. და Singla, R. შესავალი მანქანურ სწავლაში სამედიცინო სტუდენტებისთვის: საპილოტე პროექტი.ჯ.მედ.ასწავლე.54, 1042–1043 (2020).
კუპერმენ ნ და სხვ.თავის ტრავმის შემდეგ კლინიკურად მნიშვნელოვანი ტვინის დაზიანების ძალიან დაბალი რისკის მქონე ბავშვების იდენტიფიცირება: პერსპექტიული კოჰორტის კვლევა.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH და Mangasarian, OL.ბირთვული ფუნქციის ექსტრაქცია მკერდის სიმსივნის დიაგნოზისთვის.Ბიოსამედიცინო მეცნიერება.გამოსახულების დამუშავება.Ბიოსამედიცინო მეცნიერება.ვაისი.1905, 861–870 (1993).
Chen, PHC, Liu, Y. and Peng, L. როგორ განვავითაროთ მანქანური სწავლის მოდელები ჯანდაცვისთვის.ნატ.მეთიუ18, 410–414 (2019).
სელვარაჯუ, RR და სხვ.Grad-cam: ღრმა ქსელების ვიზუალური ინტერპრეტაცია გრადიენტზე დაფუძნებული ლოკალიზაციის საშუალებით.IEEE International Conference on Computer Vision, 618–626 (2017) მასალები.
Kumaravel B, Stewart K and Ilic D. სპირალური მოდელის შემუშავება და შეფასება მტკიცებულებებზე დაფუძნებული მედიცინის კომპეტენციების შესაფასებლად ეუთოს გამოყენებით ბაკალავრიატის სამედიცინო განათლებაში.BMK Medicine.ასწავლე.21, 1–9 (2021).
Kolachalama VB და Garg PS მანქანათმცოდნეობა 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.რადიაცია.31, 3797–3804 (2021).
ტოპოლი, EJ მაღალი ხარისხის მედიცინა: ადამიანის და ხელოვნური ინტელექტის კონვერგენცია.ნატ.წამალი.25, 44–56 (2019).
ბედე, ე. და სხვ.დიაბეტური რეტინოპათიის გამოსავლენად კლინიკაში განლაგებული ღრმა სწავლის სისტემის ადამიანზე ორიენტირებული შეფასება.2020 წლის CHI კონფერენციის მასალები გამოთვლით სისტემებში ადამიანური ფაქტორების შესახებ (2020).
კერი, ბ. გამობრუნებული კლასი საინჟინრო განათლებაში: კვლევის მიმოხილვა.2015 წლის ინტერაქტიული თანამშრომლობითი სწავლების საერთაშორისო კონფერენციის მასალები (2015).
ავტორები მადლობას უხდიან დანიელ უოკერს, ტიმ სალკუდინს და პიტერ ზანდსტრას ბრიტანეთის კოლუმბიის უნივერსიტეტის ბიოსამედიცინო გამოსახულების და ხელოვნური ინტელექტის კვლევის კლასტერიდან მხარდაჭერისთვის 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 ლოგისტიკურ ორგანიზაციასა და სემინარების ანალიზზე.RH, OY, MT, RS პასუხისმგებელნი იყვნენ ფიგურებისა და ცხრილების შექმნაზე.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS პასუხისმგებელნი იყვნენ დოკუმენტის შედგენასა და რედაქტირებაზე.
Communication Medicine მადლობას უხდის Carolyn McGregor-ს, Fabio Moraes-ს და Aditya Borakati-ს ამ ნაშრომის მიმოხილვაში შეტანილი წვლილისთვის.