Σας ευχαριστούμε που επισκεφτήκατε το Nature.com.Η έκδοση του προγράμματος περιήγησης που χρησιμοποιείτε έχει περιορισμένη υποστήριξη CSS.Για καλύτερα αποτελέσματα, συνιστούμε να χρησιμοποιήσετε μια νεότερη έκδοση του προγράμματος περιήγησής σας (ή να απενεργοποιήσετε τη λειτουργία συμβατότητας στον Internet Explorer).Στο μεταξύ, για να διασφαλίσουμε τη συνεχή υποστήριξη, εμφανίζουμε τον ιστότοπο χωρίς στυλ ή JavaScript.
Οι εφαρμογές της κλινικής τεχνητής νοημοσύνης (AI) αυξάνονται ραγδαία, αλλά τα υπάρχοντα προγράμματα σπουδών ιατρικών σχολών προσφέρουν περιορισμένη διδασκαλία που καλύπτουν αυτόν τον τομέα.Εδώ περιγράφουμε ένα εκπαιδευτικό πρόγραμμα τεχνητής νοημοσύνης που αναπτύξαμε και παραδώσαμε σε Καναδούς φοιτητές ιατρικής και κάνουμε συστάσεις για μελλοντική εκπαίδευση.
Η τεχνητή νοημοσύνη (AI) στην ιατρική μπορεί να βελτιώσει την αποτελεσματικότητα στο χώρο εργασίας και να βοηθήσει στη λήψη κλινικών αποφάσεων.Για να καθοδηγήσουν με ασφάλεια τη χρήση της τεχνητής νοημοσύνης, οι γιατροί πρέπει να έχουν κάποια κατανόηση της τεχνητής νοημοσύνης.Πολλά σχόλια υποστηρίζουν τη διδασκαλία εννοιών τεχνητής νοημοσύνης1, όπως η εξήγηση μοντέλων τεχνητής νοημοσύνης και οι διαδικασίες επαλήθευσης2.Ωστόσο, ελάχιστα δομημένα σχέδια έχουν εφαρμοστεί, ειδικά σε εθνικό επίπεδο.Pinto dos Santos et al.3.263 φοιτητές ιατρικής ερωτήθηκαν και το 71% συμφώνησε ότι χρειαζόταν εκπαίδευση στην τεχνητή νοημοσύνη.Η διδασκαλία της τεχνητής νοημοσύνης σε ένα ιατρικό κοινό απαιτεί προσεκτικό σχεδιασμό που συνδυάζει τεχνικές και μη τεχνικές έννοιες για μαθητές που συχνά έχουν εκτεταμένες προηγούμενες γνώσεις.Περιγράφουμε την εμπειρία μας παρέχοντας μια σειρά εργαστηρίων τεχνητής νοημοσύνης σε τρεις ομάδες φοιτητών ιατρικής και κάνουμε συστάσεις για μελλοντική ιατρική εκπαίδευση στην τεχνητή νοημοσύνη.
Το εργαστήριο μας, διάρκειας πέντε εβδομάδων Εισαγωγή στην Τεχνητή Νοημοσύνη στην Ιατρική για φοιτητές ιατρικής, πραγματοποιήθηκε τρεις φορές μεταξύ Φεβρουαρίου 2019 και Απριλίου 2021. Ένα πρόγραμμα για κάθε εργαστήριο, με μια σύντομη περιγραφή των αλλαγών στο μάθημα, φαίνεται στο Σχήμα 1. Το μάθημά μας έχει τρεις κύριοι μαθησιακοί στόχοι: οι μαθητές κατανοούν πώς επεξεργάζονται τα δεδομένα σε εφαρμογές τεχνητής νοημοσύνης, αναλύουν τη βιβλιογραφία τεχνητής νοημοσύνης για κλινικές εφαρμογές και εκμεταλλεύονται ευκαιρίες συνεργασίας με μηχανικούς που αναπτύσσουν τεχνητή νοημοσύνη.
Το μπλε είναι το θέμα της διάλεξης και το γαλάζιο είναι η διαδραστική περίοδος ερωτήσεων και απαντήσεων.Η γκρίζα ενότητα είναι το επίκεντρο της σύντομης βιβλιογραφικής ανασκόπησης.Οι πορτοκαλί ενότητες είναι επιλεγμένες περιπτωσιολογικές μελέτες που περιγράφουν μοντέλα ή τεχνικές τεχνητής νοημοσύνης.Το Green είναι ένα κατευθυνόμενο μάθημα προγραμματισμού που έχει σχεδιαστεί για να διδάξει την τεχνητή νοημοσύνη για την επίλυση κλινικών προβλημάτων και την αξιολόγηση μοντέλων.Το περιεχόμενο και η διάρκεια των εργαστηρίων ποικίλλουν ανάλογα με την αξιολόγηση των αναγκών των μαθητών.
Το πρώτο εργαστήριο πραγματοποιήθηκε στο Πανεπιστήμιο της Βρετανικής Κολομβίας από τον Φεβρουάριο έως τον Απρίλιο του 2019 και και οι 8 συμμετέχοντες έδωσαν θετικά σχόλια4.Λόγω του COVID-19, το δεύτερο εργαστήριο πραγματοποιήθηκε ουσιαστικά τον Οκτώβριο-Νοέμβριο 2020, με 222 φοιτητές ιατρικής και 3 κατοίκους από 8 καναδικές ιατρικές σχολές να εγγραφούν.Οι διαφάνειες και ο κώδικας της παρουσίασης έχουν μεταφορτωθεί σε έναν ιστότοπο ανοιχτής πρόσβασης (http://ubcaimed.github.io).Η βασική ανατροφοδότηση από την πρώτη επανάληψη ήταν ότι οι διαλέξεις ήταν πολύ έντονες και το υλικό πολύ θεωρητικό.Η εξυπηρέτηση των έξι διαφορετικών ζωνών ώρας του Καναδά δημιουργεί πρόσθετες προκλήσεις.Έτσι, το δεύτερο εργαστήριο συντόμευσε κάθε συνεδρία σε 1 ώρα, απλοποίησε το υλικό του μαθήματος, πρόσθεσε περισσότερες περιπτωσιολογικές μελέτες και δημιούργησε προγράμματα boilerplate που επέτρεπαν στους συμμετέχοντες να ολοκληρώσουν αποσπάσματα κώδικα με ελάχιστο εντοπισμό σφαλμάτων (Πλαίσιο 1).Τα βασικά σχόλια από τη δεύτερη επανάληψη περιλάμβαναν θετικά σχόλια για τις ασκήσεις προγραμματισμού και ένα αίτημα επίδειξης σχεδιασμού για ένα έργο μηχανικής μάθησης.Ως εκ τούτου, στο τρίτο μας εργαστήριο, που πραγματοποιήθηκε ουσιαστικά για 126 φοιτητές ιατρικής τον Μάρτιο-Απρίλιο 2021, συμπεριλάβαμε περισσότερες διαδραστικές ασκήσεις κωδικοποίησης και συνεδρίες ανατροφοδότησης έργων για να δείξουμε τον αντίκτυπο της χρήσης των εννοιών του εργαστηρίου σε έργα.
Ανάλυση Δεδομένων: Ένα πεδίο μελέτης στα στατιστικά στοιχεία που προσδιορίζει σημαντικά μοτίβα στα δεδομένα αναλύοντας, επεξεργάζοντας και μεταδίδοντας μοτίβα δεδομένων.
Εξόρυξη δεδομένων: η διαδικασία αναγνώρισης και εξαγωγής δεδομένων.Στο πλαίσιο της τεχνητής νοημοσύνης, αυτό είναι συχνά μεγάλο, με πολλαπλές μεταβλητές για κάθε δείγμα.
Μείωση διαστάσεων: Η διαδικασία μετατροπής δεδομένων με πολλά μεμονωμένα χαρακτηριστικά σε λιγότερα χαρακτηριστικά, διατηρώντας παράλληλα τις σημαντικές ιδιότητες του αρχικού συνόλου δεδομένων.
Χαρακτηριστικά (στο πλαίσιο της τεχνητής νοημοσύνης): μετρήσιμες ιδιότητες ενός δείγματος.Συχνά χρησιμοποιείται εναλλακτικά με "ιδιότητα" ή "μεταβλητή".
Gradient Activation Map: Μια τεχνική που χρησιμοποιείται για την ερμηνεία μοντέλων τεχνητής νοημοσύνης (ειδικά συνελικτικά νευρωνικά δίκτυα), η οποία αναλύει τη διαδικασία βελτιστοποίησης του τελευταίου τμήματος του δικτύου για τον εντοπισμό περιοχών δεδομένων ή εικόνων που είναι εξαιρετικά προβλέψιμες.
Τυπικό μοντέλο: Ένα υπάρχον μοντέλο τεχνητής νοημοσύνης που έχει προεκπαιδευτεί για να εκτελεί παρόμοιες εργασίες.
Δοκιμή (στο πλαίσιο της τεχνητής νοημοσύνης): παρατήρηση πώς ένα μοντέλο εκτελεί μια εργασία χρησιμοποιώντας δεδομένα που δεν έχει συναντήσει πριν.
Εκπαίδευση (στο πλαίσιο της τεχνητής νοημοσύνης): Παροχή ενός μοντέλου με δεδομένα και αποτελέσματα, έτσι ώστε το μοντέλο να προσαρμόζει τις εσωτερικές του παραμέτρους για να βελτιστοποιήσει την ικανότητά του να εκτελεί εργασίες χρησιμοποιώντας νέα δεδομένα.
Διάνυσμα: συστοιχία δεδομένων.Στη μηχανική μάθηση, κάθε στοιχείο πίνακα είναι συνήθως ένα μοναδικό χαρακτηριστικό του δείγματος.
Ο Πίνακας 1 παραθέτει τα πιο πρόσφατα μαθήματα για τον Απρίλιο του 2021, συμπεριλαμβανομένων των στοχευμένων μαθησιακών στόχων για κάθε θέμα.Αυτό το εργαστήριο προορίζεται για νέους στο τεχνικό επίπεδο και δεν απαιτεί μαθηματικές γνώσεις πέρα από το πρώτο έτος ενός προπτυχιακού τίτλου ιατρικής.Το μάθημα αναπτύχθηκε από 6 φοιτητές ιατρικής και 3 καθηγητές με προχωρημένα πτυχία στη μηχανική.Οι μηχανικοί αναπτύσσουν θεωρία τεχνητής νοημοσύνης για να διδάξουν και οι φοιτητές ιατρικής μαθαίνουν κλινικά σχετικό υλικό.
Τα εργαστήρια περιλαμβάνουν διαλέξεις, μελέτες περιπτώσεων και καθοδηγούμενο προγραμματισμό.Στην πρώτη διάλεξη, εξετάζουμε επιλεγμένες έννοιες της ανάλυσης δεδομένων στη βιοστατιστική, συμπεριλαμβανομένης της οπτικοποίησης δεδομένων, της λογιστικής παλινδρόμησης και της σύγκρισης περιγραφικών και επαγωγικών στατιστικών.Αν και η ανάλυση δεδομένων είναι το θεμέλιο της τεχνητής νοημοσύνης, αποκλείουμε θέματα όπως η εξόρυξη δεδομένων, οι δοκιμές σημασίας ή η διαδραστική οπτικοποίηση.Αυτό οφειλόταν σε χρονικούς περιορισμούς και επίσης επειδή ορισμένοι προπτυχιακοί φοιτητές είχαν προηγούμενη εκπαίδευση στη βιοστατιστική και ήθελαν να καλύψουν πιο μοναδικά θέματα μηχανικής μάθησης.Η επόμενη διάλεξη εισάγει σύγχρονες μεθόδους και συζητά τη διατύπωση προβλημάτων τεχνητής νοημοσύνης, τα πλεονεκτήματα και τους περιορισμούς των μοντέλων τεχνητής νοημοσύνης και τη δοκιμή μοντέλων.Οι διαλέξεις συμπληρώνονται από βιβλιογραφία και πρακτική έρευνα σε υπάρχουσες συσκευές τεχνητής νοημοσύνης.Δίνουμε έμφαση στις δεξιότητες που απαιτούνται για την αξιολόγηση της αποτελεσματικότητας και της σκοπιμότητας ενός μοντέλου για την αντιμετώπιση κλινικών ερωτημάτων, συμπεριλαμβανομένης της κατανόησης των περιορισμών των υπαρχουσών συσκευών τεχνητής νοημοσύνης.Για παράδειγμα, ζητήσαμε από τους μαθητές να ερμηνεύσουν τις οδηγίες για τον παιδικό τραυματισμό στο κεφάλι που πρότειναν οι Kupperman et al., 5 οι οποίες εφάρμοσαν έναν αλγόριθμο δέντρου αποφάσεων τεχνητής νοημοσύνης για να καθορίσουν εάν μια αξονική τομογραφία θα ήταν χρήσιμη με βάση την εξέταση ενός γιατρού.Τονίζουμε ότι αυτό είναι ένα συνηθισμένο παράδειγμα τεχνητής νοημοσύνης που παρέχει προγνωστικά αναλυτικά στοιχεία για να ερμηνεύουν οι γιατροί, αντί να αντικαθιστά τους γιατρούς.
Στα διαθέσιμα παραδείγματα προγραμματισμού bootstrap ανοιχτού κώδικα (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), δείχνουμε πώς να εκτελούμε διερευνητική ανάλυση δεδομένων, μείωση διαστάσεων, τυπική φόρτωση μοντέλων και εκπαίδευση .και δοκιμές.Χρησιμοποιούμε σημειωματάρια του Google Colaboratory (Google LLC, Mountain View, CA), τα οποία επιτρέπουν την εκτέλεση κώδικα Python από ένα πρόγραμμα περιήγησης ιστού.Στο Σχ. Το Σχήμα 2 παρέχει ένα παράδειγμα άσκησης προγραμματισμού.Αυτή η άσκηση περιλαμβάνει την πρόβλεψη κακοηθειών χρησιμοποιώντας το Wisconsin Open Breast Imaging Dataset6 και έναν αλγόριθμο δέντρου αποφάσεων.
Παρουσιάστε προγράμματα όλη την εβδομάδα σε σχετικά θέματα και επιλέξτε παραδείγματα από δημοσιευμένες εφαρμογές τεχνητής νοημοσύνης.Τα στοιχεία προγραμματισμού περιλαμβάνονται μόνο εάν θεωρούνται σχετικά με την παροχή πληροφοριών για τη μελλοντική κλινική πρακτική, όπως ο τρόπος αξιολόγησης μοντέλων για να προσδιοριστεί εάν είναι έτοιμα για χρήση σε κλινικές δοκιμές.Αυτά τα παραδείγματα καταλήγουν σε μια ολοκληρωμένη εφαρμογή από άκρο σε άκρο που ταξινομεί τους όγκους ως καλοήθεις ή κακοήθεις με βάση τις παραμέτρους της ιατρικής εικόνας.
Ετερογένεια της προηγούμενης γνώσης.Οι συμμετέχοντες διέφεραν ως προς το επίπεδο των μαθηματικών τους γνώσεων.Για παράδειγμα, οι φοιτητές με προηγμένο υπόβαθρο μηχανικής αναζητούν πιο εμπεριστατωμένο υλικό, όπως πώς να εκτελέσουν τους δικούς τους μετασχηματισμούς Fourier.Ωστόσο, η συζήτηση του αλγόριθμου Fourier στην τάξη δεν είναι δυνατή επειδή απαιτεί εις βάθος γνώση της επεξεργασίας σήματος.
Εκροή προσέλευσης.Η συμμετοχή στις επακόλουθες συναντήσεις μειώθηκε, ειδικά σε διαδικτυακές μορφές.Μια λύση μπορεί να είναι η παρακολούθηση της συμμετοχής και η παροχή πιστοποιητικού ολοκλήρωσης.Οι ιατρικές σχολές είναι γνωστό ότι αναγνωρίζουν μεταγραφές των εξωσχολικών ακαδημαϊκών δραστηριοτήτων των μαθητών, οι οποίες μπορούν να ενθαρρύνουν τους μαθητές να ακολουθήσουν ένα πτυχίο.
Σχεδιασμός μαθημάτων: Επειδή η τεχνητή νοημοσύνη εκτείνεται σε τόσα πολλά υποπεδία, η επιλογή βασικών εννοιών κατάλληλου βάθους και εύρους μπορεί να είναι δύσκολη.Για παράδειγμα, η συνέχεια της χρήσης εργαλείων τεχνητής νοημοσύνης από το εργαστήριο στην κλινική είναι ένα σημαντικό θέμα.Ενώ καλύπτουμε την προεπεξεργασία δεδομένων, τη δημιουργία μοντέλων και την επικύρωση, δεν περιλαμβάνουμε θέματα όπως η ανάλυση μεγάλων δεδομένων, η διαδραστική οπτικοποίηση ή η διεξαγωγή κλινικών δοκιμών τεχνητής νοημοσύνης, αλλά εστιάζουμε στις πιο μοναδικές έννοιες τεχνητής νοημοσύνης.Η κατευθυντήρια αρχή μας είναι η βελτίωση του γραμματισμού και όχι των δεξιοτήτων.Για παράδειγμα, η κατανόηση του τρόπου με τον οποίο ένα μοντέλο επεξεργάζεται τα χαρακτηριστικά εισόδου είναι σημαντική για την ερμηνευτικότητα.Ένας τρόπος για να γίνει αυτό είναι να χρησιμοποιήσετε χάρτες ενεργοποίησης κλίσης, οι οποίοι μπορούν να απεικονίσουν ποιες περιοχές των δεδομένων είναι προβλέψιμες.Ωστόσο, αυτό απαιτεί πολυμεταβλητό λογισμό και δεν μπορεί να εισαχθεί8.Η ανάπτυξη μιας κοινής ορολογίας ήταν πρόκληση γιατί προσπαθούσαμε να εξηγήσουμε πώς να δουλεύουμε με δεδομένα ως διανύσματα χωρίς μαθηματικό φορμαλισμό.Σημειώστε ότι διαφορετικοί όροι έχουν την ίδια σημασία, για παράδειγμα, στην επιδημιολογία, ένα «χαρακτηριστικό» περιγράφεται ως «μεταβλητή» ή «ιδιότητα».
Διατήρηση γνώσεων.Επειδή η εφαρμογή της τεχνητής νοημοσύνης είναι περιορισμένη, ο βαθμός στον οποίο οι συμμετέχοντες διατηρούν τη γνώση μένει να φανεί.Τα προγράμματα σπουδών της ιατρικής σχολής συχνά βασίζονται σε επαναλήψεις σε απόσταση για να ενισχύσουν τη γνώση κατά τη διάρκεια πρακτικών εναλλαγών,9 που μπορούν επίσης να εφαρμοστούν στην εκπαίδευση τεχνητής νοημοσύνης.
Ο επαγγελματισμός είναι πιο σημαντικός από τον αλφαβητισμό.Το βάθος του υλικού είναι σχεδιασμένο χωρίς μαθηματική αυστηρότητα, κάτι που ήταν πρόβλημα κατά την έναρξη κλινικών μαθημάτων τεχνητής νοημοσύνης.Στα παραδείγματα προγραμματισμού, χρησιμοποιούμε ένα πρότυπο πρόγραμμα που επιτρέπει στους συμμετέχοντες να συμπληρώσουν πεδία και να εκτελέσουν το λογισμικό χωρίς να χρειάζεται να καταλάβουν πώς να ρυθμίσουν ένα πλήρες περιβάλλον προγραμματισμού.
Αντιμετωπίζονται ανησυχίες σχετικά με την τεχνητή νοημοσύνη: Υπάρχει ευρέως διαδεδομένη ανησυχία ότι η τεχνητή νοημοσύνη θα μπορούσε να αντικαταστήσει ορισμένα κλινικά καθήκοντα3.Για να αντιμετωπίσουμε αυτό το ζήτημα, εξηγούμε τους περιορισμούς της τεχνητής νοημοσύνης, συμπεριλαμβανομένου του γεγονότος ότι σχεδόν όλες οι τεχνολογίες τεχνητής νοημοσύνης που έχουν εγκριθεί από τις ρυθμιστικές αρχές απαιτούν επίβλεψη γιατρού11.Τονίζουμε επίσης τη σημασία της μεροληψίας επειδή οι αλγόριθμοι είναι επιρρεπείς σε προκατάληψη, ειδικά εάν το σύνολο δεδομένων δεν είναι διαφορετικό12.Κατά συνέπεια, μια συγκεκριμένη υποομάδα μπορεί να μοντελοποιηθεί εσφαλμένα, οδηγώντας σε άδικες κλινικές αποφάσεις.
Οι πόροι είναι διαθέσιμοι στο κοινό: Έχουμε δημιουργήσει διαθέσιμους στο κοινό πόρους, συμπεριλαμβανομένων διαφανειών διαλέξεων και κώδικα.Αν και η πρόσβαση σε σύγχρονο περιεχόμενο είναι περιορισμένη λόγω των ζωνών ώρας, το περιεχόμενο ανοιχτού κώδικα είναι μια βολική μέθοδος για ασύγχρονη μάθηση, καθώς η τεχνογνωσία της τεχνητής νοημοσύνης δεν είναι διαθέσιμη σε όλες τις ιατρικές σχολές.
Διεπιστημονική συνεργασία: Αυτό το εργαστήριο είναι μια κοινοπραξία που ξεκίνησε από φοιτητές ιατρικής για να προγραμματίσουν μαθήματα μαζί με μηχανικούς.Αυτό καταδεικνύει ευκαιρίες συνεργασίας και κενά γνώσης και στους δύο τομείς, επιτρέποντας στους συμμετέχοντες να κατανοήσουν τον πιθανό ρόλο που μπορούν να συνεισφέρουν στο μέλλον.
Καθορίστε τις βασικές ικανότητες AI.Ο καθορισμός μιας λίστας ικανοτήτων παρέχει μια τυποποιημένη δομή που μπορεί να ενσωματωθεί στα υπάρχοντα ιατρικά προγράμματα σπουδών που βασίζονται σε ικανότητες.Αυτό το εργαστήριο χρησιμοποιεί επί του παρόντος τα επίπεδα μαθησιακού στόχου 2 (Κατανόηση), 3 (Εφαρμογή) και 4 (Ανάλυση) της Ταξονομίας του Bloom.Η ύπαρξη πόρων σε υψηλότερα επίπεδα ταξινόμησης, όπως η δημιουργία έργων, μπορεί να ενισχύσει περαιτέρω τη γνώση.Αυτό απαιτεί συνεργασία με κλινικούς εμπειρογνώμονες για τον προσδιορισμό του τρόπου με τον οποίο τα θέματα τεχνητής νοημοσύνης μπορούν να εφαρμοστούν σε κλινικές ροές εργασιών και να αποτραπεί η διδασκαλία επαναλαμβανόμενων θεμάτων που περιλαμβάνονται ήδη στα τυπικά ιατρικά προγράμματα σπουδών.
Δημιουργήστε μελέτες περιπτώσεων χρησιμοποιώντας AI.Παρόμοια με κλινικά παραδείγματα, η μάθηση βάσει περιπτώσεων μπορεί να ενισχύσει αφηρημένες έννοιες τονίζοντας τη συνάφειά τους με κλινικές ερωτήσεις.Για παράδειγμα, μια μελέτη εργαστηρίου ανέλυσε το σύστημα ανίχνευσης διαβητικής αμφιβληστροειδοπάθειας που βασίζεται σε τεχνητή νοημοσύνη 13 της Google για να εντοπίσει προκλήσεις κατά τη διαδρομή από εργαστήριο σε κλινική, όπως απαιτήσεις εξωτερικής επικύρωσης και ρυθμιστικές οδούς έγκρισης.
Χρησιμοποιήστε τη βιωματική μάθηση: Οι τεχνικές δεξιότητες απαιτούν εστιασμένη εξάσκηση και επαναλαμβανόμενη εφαρμογή για την εκμάθηση, παρόμοια με τις εκ περιτροπής μαθησιακές εμπειρίες των κλινικών ασκουμένων.Μια πιθανή λύση είναι το μοντέλο της ανατρεπόμενης τάξης, το οποίο έχει αναφερθεί ότι βελτιώνει τη διατήρηση της γνώσης στην εκπαίδευση των μηχανικών14.Σε αυτό το μοντέλο, οι μαθητές εξετάζουν το θεωρητικό υλικό ανεξάρτητα και ο χρόνος της τάξης αφιερώνεται στην επίλυση προβλημάτων μέσω περιπτώσεων.
Κλιμάκωση για πολυεπιστημονικούς συμμετέχοντες: Οραματιζόμαστε την υιοθέτηση της τεχνητής νοημοσύνης που περιλαμβάνει συνεργασία σε πολλούς κλάδους, συμπεριλαμβανομένων ιατρών και συναφών επαγγελματιών υγείας με διαφορετικά επίπεδα εκπαίδευσης.Ως εκ τούτου, τα προγράμματα σπουδών μπορεί να χρειαστεί να αναπτυχθούν σε συνεννόηση με τη σχολή από διαφορετικά τμήματα για να προσαρμόσουν το περιεχόμενό τους σε διαφορετικούς τομείς της υγειονομικής περίθαλψης.
Η τεχνητή νοημοσύνη είναι υψηλής τεχνολογίας και οι βασικές της έννοιες σχετίζονται με τα μαθηματικά και την επιστήμη των υπολογιστών.Η εκπαίδευση του προσωπικού υγειονομικής περίθαλψης για την κατανόηση της τεχνητής νοημοσύνης παρουσιάζει μοναδικές προκλήσεις στην επιλογή περιεχομένου, την κλινική συνάφεια και τις μεθόδους παράδοσης.Ελπίζουμε ότι οι γνώσεις που αποκτήθηκαν από τα εργαστήρια AI στην εκπαίδευση θα βοηθήσουν τους μελλοντικούς εκπαιδευτικούς να υιοθετήσουν καινοτόμους τρόπους ενσωμάτωσης της τεχνητής νοημοσύνης στην ιατρική εκπαίδευση.
Το σενάριο Google Colaboratory Python είναι ανοιχτού κώδικα και είναι διαθέσιμο στη διεύθυνση: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG and Khan, S. Επανεξετάζοντας την ιατρική εκπαίδευση: ένα κάλεσμα για δράση.Ακκάδ.φάρμακο.88, 1407–1410 (2013).
McCoy, LG κ.λπ. Τι πρέπει πραγματικά να γνωρίζουν οι φοιτητές ιατρικής για την τεχνητή νοημοσύνη;Αριθμοί NPZh.Medicine 3, 1–3 (2020).
Dos Santos, DP, et al.Η στάση των φοιτητών ιατρικής απέναντι στην τεχνητή νοημοσύνη: μια πολυκεντρική έρευνα.ΕΥΡΩ.ακτινοβολία.29, 1640–1646 (2019).
Fan, KY, Hu, R. και Singla, R. Εισαγωγή στη μηχανική μάθηση για φοιτητές ιατρικής: ένα πιλοτικό έργο.J. Med.διδάσκω.54, 1042–1043 (2020).
Cooperman Ν, et αϊ.Προσδιορισμός παιδιών με πολύ χαμηλό κίνδυνο κλινικά σημαντικού εγκεφαλικού τραυματισμού μετά από τραυματισμό στο κεφάλι: μια προοπτική μελέτη κοόρτης.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH και Mangasarian, OL.Εξαγωγή πυρηνικών χαρακτηριστικών για τη διάγνωση του όγκου του μαστού.Βιοιατρική επιστήμη.ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ.Βιοιατρική επιστήμη.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. and Peng, L. Πώς να αναπτύξετε μοντέλα μηχανικής μάθησης για την υγειονομική περίθαλψη.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Οπτική ερμηνεία δικτύων σε βάθος μέσω εντοπισμού με βάση την κλίση.Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K and Ilic D. Ανάπτυξη και αξιολόγηση ενός σπειροειδούς μοντέλου για την αξιολόγηση των ικανοτήτων ιατρικής βασισμένης σε στοιχεία με χρήση του OSCE στην προπτυχιακή ιατρική εκπαίδευση.BMK Medicine.διδάσκω.21, 1–9 (2021).
Kolachalama VB και Garg PS Μηχανική μάθηση και ιατρική εκπαίδευση.Αριθμοί NPZh.φάρμακο.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Τεχνητή νοημοσύνη στην ακτινολογία: 100 εμπορικά προϊόντα και τα επιστημονικά τους στοιχεία.ΕΥΡΩ.ακτινοβολία.31, 3797–3804 (2021).
Topol, EJ Ιατρική υψηλής απόδοσης: η σύγκλιση ανθρώπινης και τεχνητής νοημοσύνης.Nat.φάρμακο.25, 44–56 (2019).
Bede, Ε. et αϊ.Ανθρωποκεντρική αξιολόγηση ενός συστήματος βαθιάς μάθησης που έχει αναπτυχθεί στην κλινική για την ανίχνευση της διαβητικής αμφιβληστροειδοπάθειας.Πρακτικά του 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. The flipped classroom in engineering education: A research review.Πρακτικά Διεθνούς Συνεδρίου 2015 για τη Διαδραστική Συνεργατική Μάθηση (2015).
Οι συγγραφείς ευχαριστούν τους Danielle Walker, Tim Salcudin και Peter Zandstra από το σύμπλεγμα έρευνας βιοϊατρικής απεικόνισης και τεχνητής νοημοσύνης στο Πανεπιστήμιο της Βρετανικής Κολομβίας για την υποστήριξη και τη χρηματοδότηση.
Οι RH, PP, ZH, RS και MA ήταν υπεύθυνοι για την ανάπτυξη του περιεχομένου διδασκαλίας του εργαστηρίου.Οι RH και PP ήταν υπεύθυνοι για την ανάπτυξη των παραδειγμάτων προγραμματισμού.Η KYF, η OY, η MT και η PW ήταν υπεύθυνες για την υλικοτεχνική οργάνωση του έργου και την ανάλυση των εργαστηρίων.Οι RH, OY, MT, RS ήταν υπεύθυνοι για τη δημιουργία των σχημάτων και των πινάκων.Οι RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ήταν υπεύθυνοι για τη σύνταξη και την επεξεργασία του εγγράφου.
Η Communication Medicine ευχαριστεί την Carolyn McGregor, τον Fabio Moraes και την Aditya Borakati για τη συμβολή τους στην κριτική αυτής της εργασίας.
Ώρα δημοσίευσης: Φεβ-19-2024