კანადური ხედვა სამედიცინო სტუდენტებისთვის ხელოვნური ინტელექტის სწავლების შესახებ

გმადლობთ, რომ ეწვიეთ Nature.com-ს. თქვენს მიერ გამოყენებული ბრაუზერის ვერსიას CSS-ის შეზღუდული მხარდაჭერა აქვს. საუკეთესო შედეგის მისაღწევად, გირჩევთ გამოიყენოთ თქვენი ბრაუზერის უფრო ახალი ვერსია (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer-ში). ამასობაში, მუდმივი მხარდაჭერის უზრუნველსაყოფად, საიტს სტილის ან JavaScript-ის გარეშე ვაჩვენებთ.
კლინიკური ხელოვნური ინტელექტის (AI) გამოყენება სწრაფად იზრდება, თუმცა სამედიცინო სკოლების არსებული სასწავლო პროგრამები ამ სფეროს მოცულობით შეზღუდულ სწავლებას გვთავაზობს. აქ ჩვენ აღვწერთ ხელოვნური ინტელექტის სასწავლო კურსს, რომელიც ჩვენ შევიმუშავეთ და კანადელი სამედიცინო სტუდენტებისთვის ჩავატარეთ და რეკომენდაციებს ვაძლევთ მომავალი ტრენინგებისთვის.
ხელოვნურ ინტელექტს (AI) მედიცინაში შეუძლია გააუმჯობესოს სამუშაო ადგილის ეფექტურობა და ხელი შეუწყოს კლინიკური გადაწყვეტილებების მიღებას. ხელოვნური ინტელექტის უსაფრთხოდ გამოყენებისთვის, ექიმებს უნდა ჰქონდეთ ხელოვნური ინტელექტის გარკვეული გაგება. ბევრი კომენტარი ემხრობა ხელოვნური ინტელექტის კონცეფციების სწავლებას1, როგორიცაა ხელოვნური ინტელექტის მოდელების ახსნა და ვერიფიკაციის პროცესები2. თუმცა, სტრუქტურირებული გეგმები ძალიან ცოტაა განხორციელებული, განსაკუთრებით ეროვნულ დონეზე. პინტო დოს სანტოსი და სხვ.3. გამოიკითხა 263 სამედიცინო სტუდენტი და 71% დაეთანხმა, რომ მათ ხელოვნურ ინტელექტში ტრენინგი სჭირდებოდათ. ხელოვნური ინტელექტის სამედიცინო აუდიტორიისთვის სწავლება მოითხოვს ფრთხილად დიზაინს, რომელიც აერთიანებს ტექნიკურ და არატექნიკურ კონცეფციებს იმ სტუდენტებისთვის, რომლებსაც ხშირად აქვთ ფართო წინასწარი ცოდნა. ჩვენ აღვწერთ ჩვენს გამოცდილებას, ჩავატაროთ ხელოვნური ინტელექტის სემინარების სერია სამედიცინო სტუდენტების სამი ჯგუფისთვის და ვაძლევთ რეკომენდაციებს ხელოვნურ ინტელექტში მომავალი სამედიცინო განათლებისთვის.
ჩვენი ხუთკვირიანი სემინარი „შესავალი ხელოვნურ ინტელექტში მედიცინაში“ სამედიცინო სტუდენტებისთვის 2019 წლის თებერვლიდან 2021 წლის აპრილამდე სამჯერ ჩატარდა. თითოეული სემინარის გრაფიკი, კურსში ცვლილებების მოკლე აღწერით, ნაჩვენებია ნახაზ 1-ში. ჩვენს კურსს სამი ძირითადი სასწავლო მიზანი აქვს: სტუდენტებმა გაიგონ, თუ როგორ მუშავდება მონაცემები ხელოვნური ინტელექტის აპლიკაციებში, გააანალიზონ ხელოვნური ინტელექტის ლიტერატურა კლინიკური აპლიკაციებისთვის და ისარგებლონ ხელოვნური ინტელექტის შემუშავებაზე მომუშავე ინჟინრებთან თანამშრომლობის შესაძლებლობებით.
ლურჯი ფერი ლექციის თემაა, ხოლო ღია ლურჯი - ინტერაქტიული კითხვა-პასუხის პერიოდი. ნაცრისფერი ნაწილი მოკლე ლიტერატურული მიმოხილვის ფოკუსია. ნარინჯისფერი ნაწილები შერჩეული შემთხვევების კვლევებია, რომლებიც აღწერს ხელოვნური ინტელექტის მოდელებს ან ტექნიკას. მწვანე ფერი არის პროგრამირების კურსი, რომელიც შექმნილია ხელოვნური ინტელექტის კლინიკური პრობლემების გადაჭრისა და მოდელების შეფასების სწავლებისთვის. სემინარების შინაარსი და ხანგრძლივობა განსხვავდება სტუდენტების საჭიროებების შეფასების მიხედვით.
პირველი სემინარი ბრიტანეთის კოლუმბიის უნივერსიტეტში 2019 წლის თებერვლიდან აპრილამდე ჩატარდა და 8-ვე მონაწილემ დადებითი შეფასება მისცა4. COVID-19-ის გამო, მეორე სემინარი ვირტუალურად ჩატარდა 2020 წლის ოქტომბერ-ნოემბერში, რომელშიც 8 კანადის სამედიცინო სკოლის 222 სამედიცინო სტუდენტი და 3 რეზიდენტი დარეგისტრირდა. პრეზენტაციის სლაიდები და კოდი აიტვირთა ღია წვდომის საიტზე (http://ubcaimed.github.io). პირველი ვერსიის მთავარი შეფასება იყო ის, რომ ლექციები ძალიან დატვირთული იყო და მასალა ძალიან თეორიული. კანადის ექვსი განსხვავებული დროის სარტყლის მომსახურება დამატებით სირთულეებს ქმნის. ამრიგად, მეორე სემინარმა თითოეული სესია 1 საათამდე შეამცირა, გაამარტივა კურსის მასალა, დაამატა მეტი შემთხვევის ანალიზი და შექმნა სტანდარტული პროგრამები, რომლებიც მონაწილეებს საშუალებას აძლევდა კოდის ფრაგმენტები მინიმალური გამართვით დაესრულებინათ (ჩარჩო 1). მეორე ვერსიის ძირითადი შეფასება მოიცავდა დადებით შეფასებას პროგრამირების სავარჯიშოებზე და მოთხოვნას, დემონსტრირებულიყო მანქანური სწავლების პროექტის დაგეგმვა. ამიტომ, ჩვენს მესამე სემინარზე, რომელიც ვირტუალურად ჩატარდა 126 სამედიცინო სტუდენტისთვის 2021 წლის მარტ-აპრილში, ჩვენ ჩავრთეთ მეტი ინტერაქტიული კოდირების სავარჯიშოები და პროექტის უკუკავშირის სესიები, რათა გვეჩვენებინა სემინარის კონცეფციების გამოყენების გავლენა პროექტებზე.
მონაცემთა ანალიზი: სტატისტიკის კვლევის სფერო, რომელიც მონაცემებში მნიშვნელოვან კანონზომიერებებს ადგენს მონაცემთა კანონზომიერებების ანალიზის, დამუშავებისა და მათი გაზიარების გზით.
მონაცემთა მოპოვება: მონაცემების იდენტიფიცირებისა და მოპოვების პროცესი. ხელოვნური ინტელექტის კონტექსტში, ეს ხშირად დიდია, თითოეული ნიმუშისთვის მრავალი ცვლადით.
განზომილებიანობის შემცირება: პროცესი, რომლის დროსაც მონაცემები მრავალი ინდივიდუალური მახასიათებლით ნაკლებ მახასიათებლად გარდაიქმნება, ამავდროულად შენარჩუნებულია საწყისი მონაცემთა ნაკრების მნიშვნელოვანი თვისებები.
მახასიათებლები (ხელოვნური ინტელექტის კონტექსტში): ნიმუშის გაზომვადი თვისებები. ხშირად გამოიყენება „თვისების“ ან „ცვლადის“ ურთიერთშემცვლელად.
გრადიენტის გააქტიურების რუკა: ტექნიკა, რომელიც გამოიყენება ხელოვნური ინტელექტის მოდელების (განსაკუთრებით კონვოლუციური ნეირონული ქსელების) ინტერპრეტაციისთვის, რომელიც აანალიზებს ქსელის ბოლო ნაწილის ოპტიმიზაციის პროცესს, რათა გამოავლინოს მონაცემთა ან სურათების რეგიონები, რომლებიც მაღალი პროგნოზირებადობით ხასიათდება.
სტანდარტული მოდელი: არსებული ხელოვნური ინტელექტის მოდელი, რომელიც წინასწარ არის გაწვრთნილი მსგავსი დავალებების შესასრულებლად.
ტესტირება (ხელოვნური ინტელექტის კონტექსტში): დაკვირვება, თუ როგორ ასრულებს მოდელი დავალებას მონაცემების გამოყენებით, რომლებიც მას აქამდე არ შეხვედრია.
ტრენინგი (ხელოვნური ინტელექტის კონტექსტში): მოდელისთვის მონაცემებისა და შედეგების მიწოდება ისე, რომ მოდელმა შეცვალოს თავისი შიდა პარამეტრები ახალი მონაცემების გამოყენებით დავალებების შესრულების უნარის ოპტიმიზაციის მიზნით.
ვექტორი: მონაცემთა მასივი. მანქანურ სწავლებაში, მასივის თითოეული ელემენტი, როგორც წესი, ნიმუშის უნიკალური მახასიათებელია.
ცხრილში 1 მოცემულია 2021 წლის აპრილის უახლესი კურსები, თითოეული თემის მიზნობრივი სასწავლო მიზნების ჩათვლით. ეს სემინარი განკუთვნილია ტექნიკური დონის დამწყებთათვის და არ საჭიროებს რაიმე მათემატიკურ ცოდნას სამედიცინო ბაკალავრის ხარისხის პირველი კურსის შემდეგ. კურსი შეიმუშავა 6 სამედიცინო სტუდენტის და 3 მასწავლებლის მიერ, რომლებსაც აქვთ ინჟინერიის უმაღლესი ხარისხი. ინჟინრები ავითარებენ ხელოვნური ინტელექტის თეორიას სწავლებისთვის, ხოლო სამედიცინო სტუდენტები სწავლობენ კლინიკურად შესაბამის მასალას.
სემინარები მოიცავს ლექციებს, შემთხვევის კვლევებს და პროგრამირებას. პირველ ლექციაზე განვიხილავთ ბიოსტატისტიკაში მონაცემთა ანალიზის შერჩეულ კონცეფციებს, მათ შორის მონაცემთა ვიზუალიზაციას, ლოგისტიკურ რეგრესიას და აღწერითი და ინდუქციური სტატისტიკის შედარებას. მიუხედავად იმისა, რომ მონაცემთა ანალიზი ხელოვნური ინტელექტის საფუძველია, ჩვენ გამოვრიცხავთ ისეთ თემებს, როგორიცაა მონაცემთა მოპოვება, მნიშვნელობის ტესტირება ან ინტერაქტიული ვიზუალიზაცია. ეს გამოწვეული იყო დროის შეზღუდვებით და ასევე იმით, რომ ზოგიერთ ბაკალავრიატის სტუდენტს ჰქონდა ბიოსტატისტიკაში წინასწარი ტრენინგი და სურდა უფრო უნიკალური მანქანური სწავლების თემების გაშუქება. შემდგომი ლექცია წარმოგვიდგენს თანამედროვე მეთოდებს და განიხილავს ხელოვნური ინტელექტის პრობლემების ფორმულირებას, ხელოვნური ინტელექტის მოდელების უპირატესობებსა და შეზღუდვებს, ასევე მოდელის ტესტირებას. ლექციებს ავსებს ლიტერატურა და პრაქტიკული კვლევა არსებული ხელოვნური ინტელექტის მოწყობილობებზე. ჩვენ ხაზს ვუსვამთ უნარებს, რომლებიც საჭიროა კლინიკურ კითხვებზე პასუხის გასაცემად მოდელის ეფექტურობისა და მიზანშეწონილობის შესაფასებლად, მათ შორის არსებული ხელოვნური ინტელექტის მოწყობილობების შეზღუდვების გააზრებისთვის. მაგალითად, ჩვენ ვთხოვეთ სტუდენტებს ინტერპრეტაცია გაეკეთებინათ კუპერმანის და სხვების მიერ შემოთავაზებული პედიატრიული თავის ტრავმის სახელმძღვანელო მითითებების შესახებ, რომლებმაც დანერგეს ხელოვნური ინტელექტის გადაწყვეტილების ხის ალგორითმი იმის დასადგენად, სასარგებლო იქნებოდა თუ არა კომპიუტერული ტომოგრაფია ექიმის გასინჯვის საფუძველზე. ჩვენ ხაზს ვუსვამთ, რომ ეს არის გავრცელებული მაგალითი იმისა, თუ როგორ უზრუნველყოფს ხელოვნური ინტელექტი ექიმებს პროგნოზირებად ანალიტიკას ინტერპრეტაციისთვის, ექიმების ჩანაცვლების ნაცვლად.
ღია კოდის ბუტსტრეპ პროგრამირების მაგალითებში (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) ჩვენ ვაჩვენებთ, თუ როგორ უნდა ჩატარდეს საძიებო მონაცემთა ანალიზი, განზომილებების შემცირება, სტანდარტული მოდელის ჩატვირთვა და ტრენინგი და ტესტირება. ჩვენ ვიყენებთ Google Colaboratory ბლოკნოტებს (Google LLC, Mountain View, CA), რომლებიც საშუალებას იძლევა Python კოდი შესრულდეს ვებ ბრაუზერიდან. ნახაზი 2-ში მოცემულია პროგრამირების სავარჯიშოს მაგალითი. ეს სავარჯიშო მოიცავს ავთვისებიანი სიმსივნეების პროგნოზირებას Wisconsin Open Breast Imaging Dataset6-ისა და გადაწყვეტილების ხის ალგორითმის გამოყენებით.
კვირის განმავლობაში წარმოადგინეთ პროგრამები დაკავშირებულ თემებზე და შეარჩიეთ მაგალითები გამოქვეყნებული ხელოვნური ინტელექტის აპლიკაციებიდან. პროგრამირების ელემენტები მხოლოდ იმ შემთხვევაშია ჩართული, თუ ისინი მნიშვნელოვნად მიიჩნევა მომავალი კლინიკური პრაქტიკის შესახებ ინფორმაციის მისაწოდებლად, მაგალითად, თუ როგორ შევაფასოთ მოდელები იმის დასადგენად, მზად არიან თუ არა ისინი კლინიკურ კვლევებში გამოსაყენებლად. ეს მაგალითები კულმინაციას აღწევს სრულფასოვან, ყოვლისმომცველ აპლიკაციაში, რომელიც სიმსივნეებს კლასიფიცირებს როგორც კეთილთვისებიანს ან ავთვისებიანს სამედიცინო გამოსახულების პარამეტრების საფუძველზე.
წინარე ცოდნის ჰეტეროგენულობა. ჩვენი მონაწილეები განსხვავდებოდნენ მათემატიკური ცოდნის დონით. მაგალითად, ინჟინერიის სფეროში მოწინავე განათლების მქონე სტუდენტები ეძებენ უფრო სიღრმისეულ მასალას, მაგალითად, თუ როგორ შეასრულონ საკუთარი ფურიეს გარდაქმნები. თუმცა, ფურიეს ალგორითმის კლასში განხილვა შეუძლებელია, რადგან ის მოითხოვს სიგნალის დამუშავების სიღრმისეულ ცოდნას.
დასწრების კლება. შემდგომ შეხვედრებზე დასწრება შემცირდა, განსაკუთრებით ონლაინ ფორმატებში. გამოსავალი შეიძლება იყოს დასწრების თვალყურის დევნება და დასრულების სერტიფიკატის გაცემა. ცნობილია, რომ სამედიცინო სკოლები აღიარებენ სტუდენტების კლასგარეშე აკადემიური აქტივობების ნიშნების ამონაწერებს, რაც სტუდენტებს ხარისხის მოპოვებისკენ უბიძგებს.
კურსის დიზაინი: რადგან ხელოვნური ინტელექტი მოიცავს ამდენ ქვესფეროს, შესაბამისი სიღრმისა და სიგანის ძირითადი კონცეფციების შერჩევა შეიძლება რთული იყოს. მაგალითად, ხელოვნური ინტელექტის ინსტრუმენტების ლაბორატორიიდან კლინიკამდე გამოყენების უწყვეტობა მნიშვნელოვანი თემაა. მიუხედავად იმისა, რომ ჩვენ ვფარავთ მონაცემთა წინასწარ დამუშავებას, მოდელის შექმნას და ვალიდაციას, ჩვენ არ ვგულისხმობთ ისეთ თემებს, როგორიცაა დიდი მონაცემების ანალიტიკა, ინტერაქტიული ვიზუალიზაცია ან ხელოვნური ინტელექტის კლინიკური კვლევების ჩატარება, ამის ნაცვლად ჩვენ ვამახვილებთ ყურადღებას ყველაზე უნიკალურ ხელოვნური ინტელექტის კონცეფციებზე. ჩვენი წამყვანი პრინციპია წიგნიერების გაუმჯობესება და არა უნარების. მაგალითად, იმის გაგება, თუ როგორ ამუშავებს მოდელი შეყვანის მახასიათებლებს, მნიშვნელოვანია ინტერპრეტაციისთვის. ამის გაკეთების ერთ-ერთი გზაა გრადიენტის აქტივაციის რუკების გამოყენება, რომლებსაც შეუძლიათ ვიზუალიზაცია გაუკეთონ მონაცემთა რომელი რეგიონებია პროგნოზირებადი. თუმცა, ეს მოითხოვს მრავალვარიანტულ კალკულუსს და მისი დანერგვა შეუძლებელია8. საერთო ტერმინოლოგიის შემუშავება რთული იყო, რადგან ვცდილობდით აგვეხსნა, თუ როგორ უნდა ვიმუშაოთ მონაცემებთან, როგორც ვექტორებთან, მათემატიკური ფორმალიზმის გარეშე. გაითვალისწინეთ, რომ სხვადასხვა ტერმინს აქვს ერთი და იგივე მნიშვნელობა, მაგალითად, ეპიდემიოლოგიაში „მახასიათებელი“ აღწერილია, როგორც „ცვლადი“ ან „ატრიბუტი“.
ცოდნის შენარჩუნება. რადგან ხელოვნური ინტელექტის გამოყენება შეზღუდულია, ჯერ კიდევ გასარკვევია, თუ რამდენად ინარჩუნებენ მონაწილეები ცოდნას. სამედიცინო სკოლის სასწავლო გეგმები ხშირად ეყრდნობა ინტერვალურ გამეორებას პრაქტიკული როტაციების დროს ცოდნის გასაძლიერებლად,9 რაც ასევე შეიძლება გამოყენებულ იქნას ხელოვნური ინტელექტის განათლებაში.
პროფესიონალიზმი წიგნიერებაზე მნიშვნელოვანია. მასალის სიღრმე შემუშავებულია მათემატიკური სიზუსტის გარეშე, რაც პრობლემას წარმოადგენდა ხელოვნური ინტელექტის კლინიკური კურსების დაწყებისას. პროგრამირების მაგალითებში ჩვენ ვიყენებთ შაბლონურ პროგრამას, რომელიც მონაწილეებს საშუალებას აძლევს შეავსონ ველები და გაუშვან პროგრამული უზრუნველყოფა სრული პროგრამირების გარემოს შექმნის გარკვევის გარეშე.
ხელოვნურ ინტელექტთან დაკავშირებული შეშფოთება: ფართოდ არის გავრცელებული შეშფოთება, რომ ხელოვნურმა ინტელექტმა შეიძლება ჩაანაცვლოს ზოგიერთი კლინიკური მოვალეობა3. ამ საკითხის გადასაჭრელად, ჩვენ განვმარტავთ ხელოვნური ინტელექტის შეზღუდვებს, მათ შორის იმ ფაქტს, რომ მარეგულირებლების მიერ დამტკიცებული თითქმის ყველა ხელოვნური ინტელექტის ტექნოლოგია მოითხოვს ექიმის მეთვალყურეობას11. ჩვენ ასევე ხაზს ვუსვამთ მიკერძოების მნიშვნელობას, რადგან ალგორითმები მიდრეკილია მიკერძოებისკენ, განსაკუთრებით თუ მონაცემთა ნაკრები არ არის მრავალფეროვანი12. შესაბამისად, გარკვეული ქვეჯგუფი შეიძლება არასწორად იყოს მოდელირებული, რაც უსამართლო კლინიკურ გადაწყვეტილებებს გამოიწვევს.
რესურსები საჯაროდ ხელმისაწვდომია: ჩვენ შევქმენით საჯაროდ ხელმისაწვდომი რესურსები, მათ შორის ლექციების სლაიდები და კოდი. მიუხედავად იმისა, რომ სინქრონულ კონტენტზე წვდომა შეზღუდულია დროის სარტყლების გამო, ღია კოდის კონტენტი ასინქრონული სწავლების მოსახერხებელი მეთოდია, რადგან ხელოვნური ინტელექტის ექსპერტიზა ყველა სამედიცინო სკოლაში არ არის ხელმისაწვდომი.
ინტერდისციპლინარული თანამშრომლობა: ეს სემინარი წარმოადგენს მედიცინის სტუდენტების მიერ ინჟინრებთან ერთად ინჟინრების მიერ ინიცირებულ ერთობლივ საწარმოს, რომლის მიზანია კურსების დაგეგმვა. ეს აჩვენებს თანამშრომლობის შესაძლებლობებსა და ცოდნის ხარვეზებს ორივე სფეროში, რაც მონაწილეებს საშუალებას აძლევს გაიგონ, თუ რა პოტენციური როლი შეუძლიათ მათ მომავალში.
განსაზღვრეთ ხელოვნური ინტელექტის ძირითადი კომპეტენციები. კომპეტენციების სიის განსაზღვრა უზრუნველყოფს სტანდარტიზებულ სტრუქტურას, რომლის ინტეგრირება შესაძლებელია არსებულ კომპეტენციებზე დაფუძნებულ სამედიცინო სასწავლო გეგმებში. ეს სემინარი ამჟამად იყენებს ბლუმის ტაქსონომიის მე-2 (გაგება), მე-3 (გამოყენება) და მე-4 (ანალიზი) სასწავლო მიზნების დონეებს. კლასიფიკაციის უფრო მაღალი დონის რესურსების ქონა, როგორიცაა პროექტების შექმნა, კიდევ უფრო აძლიერებს ცოდნას. ეს მოითხოვს კლინიკურ ექსპერტებთან მუშაობას იმის დასადგენად, თუ როგორ შეიძლება ხელოვნური ინტელექტის თემების გამოყენება კლინიკურ სამუშაო პროცესებში და თავიდან აიცილოს სტანდარტულ სამედიცინო სასწავლო გეგმებში უკვე შეტანილი განმეორებითი თემების სწავლება.
შექმენით შემთხვევის კვლევები ხელოვნური ინტელექტის გამოყენებით. კლინიკური მაგალითების მსგავსად, შემთხვევაზე დაფუძნებულ სწავლებას შეუძლია გააძლიეროს აბსტრაქტული ცნებები კლინიკურ კითხვებთან მათი შესაბამისობის ხაზგასმით. მაგალითად, ერთ-ერთ სემინარულ კვლევაში გაანალიზდა Google-ის ხელოვნურ ინტელექტზე დაფუძნებული დიაბეტური რეტინოპათიის გამოვლენის სისტემა 13, რათა გამოვლენილიყო ლაბორატორიიდან კლინიკამდე მიმავალ გზაზე არსებული გამოწვევები, როგორიცაა გარე ვალიდაციის მოთხოვნები და მარეგულირებელი ორგანოების მიერ დამტკიცების გზები.
გამოიყენეთ გამოცდილებითი სწავლება: ტექნიკური უნარები მოითხოვს ფოკუსირებულ პრაქტიკას და განმეორებით გამოყენებას ათვისების მიზნით, კლინიკური სტაჟიორების როტაციული სწავლების გამოცდილების მსგავსად. ერთ-ერთი პოტენციური გამოსავალია შებრუნებული საკლასო ოთახის მოდელი, რომელიც, როგორც აღნიშნულია, აუმჯობესებს ცოდნის დამახსოვრებას საინჟინრო განათლებაში14. ამ მოდელში სტუდენტები დამოუკიდებლად იმეორებენ თეორიულ მასალას და საკლასო დრო ეთმობა პრობლემების გადაჭრას შემთხვევის კვლევების საშუალებით.
მულტიდისციპლინური მონაწილეებისთვის მასშტაბირება: ჩვენ ვვარაუდობთ, რომ ხელოვნური ინტელექტის დანერგვა გულისხმობს თანამშრომლობას სხვადასხვა დისციპლინას შორის, მათ შორის ექიმებთან და სხვადასხვა დონის ტრენინგის მქონე ჯანდაცვის სპეციალისტებთან. ამიტომ, შესაძლოა საჭირო გახდეს სასწავლო გეგმების შემუშავება სხვადასხვა დეპარტამენტის პროფესორ-მასწავლებლებთან კონსულტაციით, რათა მათი შინაარსი მორგებული იყოს ჯანდაცვის სხვადასხვა სფეროზე.
ხელოვნური ინტელექტი მაღალტექნოლოგიურია და მისი ძირითადი კონცეფციები მათემატიკასა და კომპიუტერულ მეცნიერებებს უკავშირდება. ჯანდაცვის პერსონალის ხელოვნური ინტელექტის გასაგებად მომზადება უნიკალურ გამოწვევებს წარმოადგენს კონტენტის შერჩევის, კლინიკური შესაბამისობისა და მიწოდების მეთოდების თვალსაზრისით. ვიმედოვნებთ, რომ განათლებაში ხელოვნური ინტელექტის შესახებ სემინარებიდან მიღებული ცოდნა მომავალ პედაგოგებს დაეხმარება ხელოვნური ინტელექტის სამედიცინო განათლებაში ინტეგრირების ინოვაციური გზების გამოყენებაში.
Google Colaboratory Python სკრიპტი ღია კოდისაა და ხელმისაწვდომია შემდეგ ბმულზე: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
პრობერი, კ.გ. და ხანი, ს. სამედიცინო განათლების გადახედვა: მოწოდება მოქმედებისკენ. აქადური მედიცინა. 88, 1407–1410 (2013).
მაკკოი, ლ.გ. და ა.შ. რა უნდა იცოდნენ მედიცინის სტუდენტებმა ხელოვნური ინტელექტის შესახებ? NPZh რიცხვები. მედიცინა 3, 1–3 (2020).
დოს სანტოსი, დ.პ. და სხვ. სამედიცინო სტუდენტების დამოკიდებულება ხელოვნური ინტელექტის მიმართ: მრავალცენტრიანი გამოკითხვა. EURO. radiation. 29, 1640–1646 (2019).
ფანი, კენტუკი, ჰუ, რ. და სინგლა, რ. მანქანური სწავლების შესავალი მედიცინის სტუდენტებისთვის: პილოტური პროექტი. J. Med. teach. 54, 1042–1043 (2020).
კუპერმენი ნ. და სხვ. თავის ტრავმის შემდეგ კლინიკურად მნიშვნელოვანი ტვინის დაზიანების ძალიან დაბალი რისკის მქონე ბავშვების იდენტიფიცირება: პერსპექტიული კოჰორტული კვლევა. ლანცეტი 374, 1160–1170 (2009).
სტრიტი, WN, ვოლბერგი, WH და მანგასარიანი, OL. ბირთვული მახასიათებლების ექსტრაქცია სარძევე ჯირკვლის სიმსივნის დიაგნოზირებისთვის. ბიოსამედიცინო მეცნიერება. გამოსახულების დამუშავება. ბიოსამედიცინო მეცნიერება. ვაისი. 1905, 861–870 (1993).
ჩენი, ჯანდაცვის ეროვნული ცენტრი, ლიუ, ი. და პენგი, ლ. როგორ შევქმნათ მანქანური სწავლების მოდელები ჯანდაცვისთვის. ნატ. მათე. 18, 410–414 (2019).
სელვარაჯუ, რ.რ. და სხვ. გრად-კამი: ღრმა ქსელების ვიზუალური ინტერპრეტაცია გრადიენტზე დაფუძნებული ლოკალიზაციის გზით. კომპიუტერული ხედვის IEEE საერთაშორისო კონფერენციის მასალები, 618–626 (2017).
კუმარაველი ბ., სტიუარტი კ. და ილიჩი დ. მტკიცებულებებზე დაფუძნებული მედიცინის კომპეტენციების შესაფასებლად OSCE-ს გამოყენებით სპირალური მოდელის შემუშავება და შეფასება ბაკალავრიატის სამედიცინო განათლებაში. BMK Medicine. teach. 21, 1–9 (2021).
კოლაჩალამა ვ.ბ. და გარგ პ.ს. მანქანური სწავლება და სამედიცინო განათლება. NPZh რიცხვები. მედიცინა. 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, ე.ჯ. მაღალი ხარისხის მედიცინა: ადამიანისა და ხელოვნური ინტელექტის კონვერგენცია. Nat. medicine. 25, 44–56 (2019).
ბედე, ე. და სხვ. დიაბეტური რეტინოპათიის გამოსავლენად კლინიკაში გამოყენებული ღრმა სწავლების სისტემის ადამიანზე ორიენტირებული შეფასება. 2020 წლის CHI კონფერენციის მასალები გამოთვლით სისტემებში ადამიანური ფაქტორების შესახებ (2020).
კერი, ბ. შებრუნებული საკლასო ოთახი საინჟინრო განათლებაში: კვლევის მიმოხილვა. ინტერაქტიული თანამშრომლობითი სწავლების 2015 წლის საერთაშორისო კონფერენციის მასალები (2015).
ავტორები მადლობას უხდიან დანიელ უოკერს, ტიმ სალკუდინს და პიტერ ზანდსტრას ბრიტანეთის კოლუმბიის უნივერსიტეტის ბიოსამედიცინო ვიზუალიზაციისა და ხელოვნური ინტელექტის კვლევითი კლასტერიდან მხარდაჭერისა და დაფინანსებისთვის.
RH, PP, ZH, RS და MA პასუხისმგებელნი იყვნენ სემინარის სასწავლო შინაარსის შემუშავებაზე. RH და PP პასუხისმგებელნი იყვნენ პროგრამირების მაგალითების შემუშავებაზე. KYF, OY, MT და PW პასუხისმგებელნი იყვნენ პროექტის ლოჯისტიკური ორგანიზაციისა 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 პროექტსა და რედაქტირებაზე.
„კომუნიკაციის მედიცინა“ მადლობას უხდის კეროლინ მაკგრეგორს, ფაბიო მორაესს და ადიტია ბორაკატის ამ ნაშრომის მიმოხილვაში შეტანილი წვლილისთვის.