Σας ευχαριστούμε που επισκεφθήκατε 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 απενεργοποιώντας τη λειτουργία συμβατότητας στο Internet Explorer). Εν τω μεταξύ, για να εξασφαλίσουμε συνεχή υποστήριξη, παρουσιάζουμε τον ιστότοπο χωρίς στυλ ή JavaScript.
Οι εφαρμογές της κλινικής τεχνητής νοημοσύνης (AI) αυξάνονται ταχέως, αλλά τα υπάρχοντα προγράμματα σπουδών ιατρικής σχολής προσφέρουν περιορισμένη διδασκαλία που καλύπτει αυτήν την περιοχή. Εδώ περιγράφουμε ένα εκπαιδευτικό μάθημα τεχνητής νοημοσύνης που αναπτύξαμε και παραδόσαμε στους καναδικούς φοιτητές ιατρικής και διαθέτουμε συστάσεις για μελλοντική κατάρτιση.
Η τεχνητή νοημοσύνη (AI) στην ιατρική μπορεί να βελτιώσει την αποδοτικότητα στο χώρο εργασίας και να βοηθήσει στην κλινική λήψη αποφάσεων. Για να καθοδηγήσει με ασφάλεια τη χρήση της τεχνητής νοημοσύνης, οι γιατροί πρέπει να έχουν κάποια κατανόηση της τεχνητής νοημοσύνης. Πολλά σχόλια υποστηρίζουν τη διδασκαλία του AI Concepts1, όπως η εξήγηση των μοντέλων AI και των διαδικασιών επαλήθευσης2. Ωστόσο, έχουν εφαρμοστεί λίγα δομημένα σχέδια, ειδικά σε εθνικό επίπεδο. Pinto Dos Santos et al.3. 263 Οι φοιτητές ιατρικής ερευνήθηκαν και το 71% συμφώνησε ότι χρειάζονταν εκπαίδευση στην τεχνητή νοημοσύνη. Η διδασκαλία της τεχνητής νοημοσύνης σε ένα ιατρικό ακροατήριο απαιτεί προσεκτικό σχεδιασμό που συνδυάζει τεχνικές και μη τεχνικές έννοιες για φοιτητές που συχνά έχουν εκτεταμένες προηγούμενες γνώσεις. Περιγράφουμε την εμπειρία μας που παρέχει μια σειρά εργαστηρίων AI σε τρεις ομάδες φοιτητών ιατρικής και διαθέτουμε συστάσεις για μελλοντική ιατρική εκπαίδευση στο AI.
Η εισαγωγή μας πέντε εβδομάδων στην Τεχνητή Νοημοσύνη στο Εργαστήριο Ιατρικής 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, παρουσιάζεται στο σχήμα 1. Τρεις στόχοι πρωτοβάθμιας μάθησης: Οι μαθητές κατανοούν τον τρόπο επεξεργασίας των δεδομένων σε εφαρμογές τεχνητής νοημοσύνης, αναλύουν τη βιβλιογραφία τεχνητής νοημοσύνης για κλινικές εφαρμογές και επωφελούνται από τις ευκαιρίες συνεργασίας με τους μηχανικούς που αναπτύσσουν τεχνητή νοημοσύνη.
Το μπλε είναι το θέμα της διάλεξης και το γαλάζιο είναι η περίοδος διαδραστικής ερώτησης και απάντησης. Το γκρίζο τμήμα είναι το επίκεντρο της σύντομης βιβλιογραφικής ανασκόπησης. Τα πορτοκαλί τμήματα είναι επιλεγμένες μελέτες περιπτώσεων που περιγράφουν μοντέλα τεχνητής νοημοσύνης ή τεχνικές. Το Green είναι ένα μάθημα καθοδηγούμενου προγραμματισμού που έχει σχεδιαστεί για να διδάσκει 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 σπουδαστών.
Το πρώτο εργαστήριο πραγματοποιήθηκε στο Πανεπιστήμιο της Βρετανικής Κολομβίας από τον Φεβρουάριο έως τον Απρίλιο του 2019 και οι 8 συμμετέχοντες έδωσαν θετική ανατροφοδότηση4. Λόγω του Covid-19, το δεύτερο εργαστήριο πραγματοποιήθηκε ουσιαστικά τον Οκτώβριο-Νοέμβριο του 2020, με 222 φοιτητές ιατρικής και 3 κατοίκους από 8 καναδικές ιατρικές σχολές που καταγράφηκαν. Οι διαφάνειες παρουσίασης και ο κώδικας έχουν μεταφορτωθεί σε έναν ιστότοπο ανοικτής πρόσβασης (http://ubcaimed.github.io). Η βασική ανατροφοδότηση από την πρώτη επανάληψη ήταν ότι οι διαλέξεις ήταν πολύ έντονες και το υλικό επίσης θεωρητικό. Η εξυπηρέτηση των έξι διαφορετικών ζωνών χρόνου του Καναδά δημιουργεί πρόσθετες προκλήσεις. Έτσι, το δεύτερο εργαστήριο μείωσε κάθε συνεδρία σε 1 ώρα, απλοποίησε το υλικό του μαθήματος, πρόσθεσε περισσότερες μελέτες περιπτώσεων και δημιούργησε προγράμματα boilerplate που επέτρεψαν στους συμμετέχοντες να ολοκληρώσουν τα αποσπάσματα κώδικα με ελάχιστη εντοπισμό σφαλμάτων (Πλαίσιο 1). Βασικά σχόλια από τη δεύτερη επανάληψη περιελάμβανε θετική ανατροφοδότηση σχετικά με τις ασκήσεις προγραμματισμού και ένα αίτημα για την επίδειξη προγραμματισμού για ένα πρόγραμμα μηχανικής μάθησης. Ως εκ τούτου, στο τρίτο μας εργαστήριο, που πραγματοποιήθηκε ουσιαστικά για 126 φοιτητές ιατρικής το Μάρτιο-Απριλίου 2021, συμπεριλάβαμε περισσότερες διαδραστικές ασκήσεις κωδικοποίησης και συνεδρίες ανάδρασης έργων για να αποδείξουμε τον αντίκτυπο της χρήσης των εννοιών του εργαστηρίου σε έργα.
Ανάλυση δεδομένων: Ένα πεδίο μελέτης στα στατιστικά στοιχεία που προσδιορίζει σημαντικά πρότυπα στα δεδομένα με ανάλυση, επεξεργασία και επικοινωνία των προτύπων δεδομένων.
Εξόρυξη δεδομένων: Η διαδικασία ταυτοποίησης και εξαγωγής δεδομένων. Στο πλαίσιο της τεχνητής νοημοσύνης, αυτό είναι συχνά μεγάλο, με πολλαπλές μεταβλητές για κάθε δείγμα.
Μείωση των διαστάσεων: Η διαδικασία μετασχηματισμού των 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 "ιδιοκτησία" ή "μεταβλητή".
Χάρτης ενεργοποίησης κλίσης: Μια τεχνική που χρησιμοποιείται για την ερμηνεία των μοντέλων τεχνητής νοημοσύνης (ειδικά των συνολικών νευρωνικών δικτύων), τα οποία αναλύουν τη διαδικασία βελτιστοποίησης του τελευταίου τμήματος του δικτύου για τον εντοπισμό περιοχών δεδομένων ή εικόνων που είναι ιδιαίτερα προγνωστικές.
Τυπικό μοντέλο: Ένα υπάρχον μοντέλο AI που έχει προκαθοριστεί για την εκτέλεση παρόμοιων εργασιών.
Δοκιμές (στο πλαίσιο της τεχνητής νοημοσύνης): Παρατήρηση του τρόπου με τον οποίο ένα μοντέλο εκτελεί μια εργασία χρησιμοποιώντας δεδομένα που δεν έχει συναντήσει πριν.
Εκπαίδευση (στο πλαίσιο της τεχνητής νοημοσύνης): Παρέχοντας ένα μοντέλο με δεδομένα και αποτελέσματα έτσι ώστε το μοντέλο να προσαρμόσει τις εσωτερικές του παραμέτρους για να βελτιστοποιήσει την ικανότητά του να εκτελεί εργασίες χρησιμοποιώντας νέα δεδομένα.
Διάνυσμα: σειρά δεδομένων. Στη μηχανική μάθηση, κάθε στοιχείο πίνακα είναι συνήθως ένα μοναδικό χαρακτηριστικό του δείγματος.
Ο Πίνακας 1 απαριθμεί τα τελευταία μαθήματα για τον Απρίλιο του 2021, συμπεριλαμβανομένων των στοχευμένων μαθησιακών στόχων για κάθε θέμα. Αυτό το εργαστήριο προορίζεται για όσους νέοι σε τεχνικό επίπεδο και δεν απαιτούν καμία μαθηματική γνώση πέρα από το πρώτο έτος ενός προπτυχιακού ιατρικού πτυχίου. Το μάθημα αναπτύχθηκε από 6 φοιτητές ιατρικής και 3 δασκάλους με προχωρημένους βαθμούς μηχανικής. Οι μηχανικοί αναπτύσσουν τη θεωρία τεχνητής νοημοσύνης για να διδάξουν και οι φοιτητές ιατρικής μαθαίνουν κλινικά σχετικό υλικό.
Τα εργαστήρια περιλαμβάνουν διαλέξεις, περιπτωσιολογικές μελέτες και καθοδηγούμενο προγραμματισμό. Στην πρώτη διάλεξη, εξετάζουμε τις επιλεγμένες έννοιες της ανάλυσης δεδομένων στη βιοστατιστική, συμπεριλαμβανομένης της απεικόνισης δεδομένων, της λογιστικής παλινδρόμησης και της σύγκρισης περιγραφικών και επαγωγικών στατιστικών. Παρόλο που η ανάλυση δεδομένων είναι η βάση της τεχνητής νοημοσύνης, αποκλείουμε θέματα όπως η εξόρυξη δεδομένων, οι δοκιμές σημαντικότητας ή η διαδραστική απεικόνιση. Αυτό οφείλεται σε χρονικούς περιορισμούς και επίσης επειδή ορισμένοι προπτυχιακοί φοιτητές είχαν προηγούμενη κατάρτιση στη βιοστατιστική και ήθελαν να καλύψουν πιο μοναδικά θέματα μηχανικής μάθησης. Η επακόλουθη διάλεξη εισάγει σύγχρονες μεθόδους και συζητά τη διαμόρφωση προβλημάτων AI, τα πλεονεκτήματα και τους περιορισμούς των μοντέλων AI και τη δοκιμή μοντέλων. Οι διαλέξεις συμπληρώνονται από τη λογοτεχνία και την πρακτική έρευνα σχετικά με τις υπάρχουσες συσκευές τεχνητής νοημοσύνης. Τονίζουμε τις δεξιότητες που απαιτούνται για την αξιολόγηση της αποτελεσματικότητας και της σκοπιμότητας ενός μοντέλου για την αντιμετώπιση κλινικών ερωτήσεων, συμπεριλαμβανομένης της κατανόησης των περιορισμών των υφιστάμενων συσκευών τεχνητής νοημοσύνης. Για παράδειγμα, ζητήσαμε από τους μαθητές να ερμηνεύσουν τις κατευθυντήριες γραμμές παιδιατρικής κεφαλής που πρότεινε ο Kupperman et al. Τονίζουμε ότι αυτό είναι ένα κοινό παράδειγμα του ΑΙ που παρέχει προγνωστικά αναλύματα για τους γιατρούς να ερμηνεύουν, αντί να αντικαταστήσουν τους γιατρούς.
Στα διαθέσιμα παραδείγματα προγραμματισμού bootstrap ανοιχτού κώδικα (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) . και δοκιμή. Χρησιμοποιούμε τα Google Colaboratory Notebooks (Google LLC, Mountain View, CA), τα οποία επιτρέπουν την εκτέλεση του κώδικα Python από ένα πρόγραμμα περιήγησης στο Web. Στο σχήμα, το σχήμα 2 παρέχει ένα παράδειγμα άσκησης προγραμματισμού. Αυτή η άσκηση συνεπάγεται την πρόβλεψη κακοηθειών χρησιμοποιώντας το σύνολο δεδομένων του Wisconsin Open Breast Imaging και έναν αλγόριθμο δέντρου αποφάσεων.
Παρουσιάστε προγράμματα καθ 'όλη τη διάρκεια της εβδομάδας σχετικά με τα σχετικά θέματα και επιλέξτε παραδείγματα από δημοσιευμένες εφαρμογές AI. Τα στοιχεία προγραμματισμού περιλαμβάνονται μόνο εάν θεωρούνται σχετικά με την παροχή διορατικότητας στη μελλοντική κλινική πρακτική, όπως ο τρόπος αξιολόγησης των μοντέλων για να προσδιοριστεί εάν είναι έτοιμοι για χρήση σε κλινικές δοκιμές. Αυτά τα παραδείγματα κορυφώνονται σε μια πλήρη εφαρμογή από άκρο σε άκρο που ταξινομεί τους όγκους ως καλοήθη ή κακοήθη με βάση τις παραμέτρους της ιατρικής εικόνας.
Ετερογένεια της προηγούμενης γνώσης. Οι συμμετέχοντες μας ποικίλλουν στο επίπεδο των μαθηματικών γνώσεων. Για παράδειγμα, οι φοιτητές με προηγμένα υπόβαθρα μηχανικής αναζητούν περισσότερο σε βάθος υλικό, όπως πώς να εκτελέσουν τους δικούς τους μετασχηματισμούς Fourier. Ωστόσο, η συζήτηση του αλγορίθμου Fourier στην τάξη δεν είναι δυνατή επειδή απαιτεί σε βάθος γνώση της επεξεργασίας σήματος.
Εκροή παρακολούθησης. Η συμμετοχή στις συναντήσεις παρακολούθησης μειώθηκε, ειδικά σε ηλεκτρονικές μορφές. Μια λύση μπορεί να είναι η παρακολούθηση της συμμετοχής και η παροχή πιστοποιητικού ολοκλήρωσης. Τα ιατρικά σχολεία είναι γνωστό ότι αναγνωρίζουν τις μεταγραφές των εξωσχολικών ακαδημαϊκών δραστηριοτήτων των μαθητών, οι οποίες μπορούν να ενθαρρύνουν τους μαθητές να ακολουθήσουν πτυχίο.
Σχεδιασμός μαθημάτων: Επειδή το AI εκτείνεται σε τόσες πολλές υποτομές, επιλέγοντας βασικές έννοιες κατάλληλου βάθους και πλάτους μπορεί να είναι προκλητική. Για παράδειγμα, η συνέχεια της χρήσης εργαλείων AI από το εργαστήριο στην κλινική είναι ένα σημαντικό θέμα. Παρόλο που καλύπτουμε την προεπεξεργασία δεδομένων, την οικοδόμηση και την επικύρωση μοντέλων, δεν περιλαμβάνουμε θέματα όπως η ανάλυση μεγάλων δεδομένων, η διαδραστική απεικόνιση ή η διεξαγωγή κλινικών δοκιμών AI, αντ 'αυτού εστιάζουμε στις πιο μοναδικές έννοιες AI. Η κατευθυντήρια αρχή μας είναι να βελτιώσουμε την παιδεία, όχι τις δεξιότητες. Για παράδειγμα, η κατανόηση του τρόπου με τον οποίο ένα μοντέλο επεξεργάζεται τις λειτουργίες εισόδου είναι σημαντική για την ερμηνεία. 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 πολυμεταβλητή λογισμό και δεν μπορεί να εισαχθεί8. Η ανάπτυξη μιας κοινής ορολογίας ήταν προκλητική επειδή προσπαθούσαμε να εξηγήσουμε πώς να συνεργαστούμε με τα δεδομένα ως φορείς χωρίς μαθηματικό φορμαλισμό. Σημειώστε ότι οι διαφορετικοί όροι έχουν το ίδιο νόημα, για παράδειγμα, στην επιδημιολογία, ένα "χαρακτηριστικό" περιγράφεται ως "μεταβλητή" ή "χαρακτηριστικό".
Διατήρηση γνώσεων. Επειδή η εφαρμογή του AI είναι περιορισμένη, ο βαθμός στον οποίο οι συμμετέχοντες διατηρούν τη γνώση παραμένει προς συζήτηση. Τα προγράμματα σπουδών της ιατρικής σχολής συχνά βασίζονται σε επανάληψη σε απόσταση για να ενισχύσουν τη γνώση κατά τη διάρκεια πρακτικών περιστροφών, 9 που μπορούν επίσης να εφαρμοστούν στην εκπαίδευση AI.
Ο επαγγελματισμός είναι πιο σημαντικός από την παιδεία. Το βάθος του υλικού έχει σχεδιαστεί χωρίς μαθηματική αυστηρότητα, η οποία ήταν ένα πρόβλημα κατά την εκτόξευση κλινικών μαθημάτων στην τεχνητή νοημοσύνη. Στα παραδείγματα προγραμματισμού, χρησιμοποιούμε ένα πρόγραμμα προτύπων που επιτρέπει στους συμμετέχοντες να συμπληρώσουν πεδία και να εκτελούν το λογισμικό χωρίς να χρειάζεται να καταλάβουν πώς να δημιουργήσουν ένα πλήρες περιβάλλον προγραμματισμού.
Ανησυχίες σχετικά με την τεχνητή νοημοσύνη που αντιμετωπίζεται: Υπάρχει ευρεία ανησυχία ότι η τεχνητή νοημοσύνη θα μπορούσε να αντικαταστήσει ορισμένα κλινικά καθήκοντα3. Για να αντιμετωπιστεί αυτό το ζήτημα, εξηγούμε τους περιορισμούς του AI, συμπεριλαμβανομένου του γεγονότος ότι σχεδόν όλες οι τεχνολογίες AI που εγκρίθηκαν από τις ρυθμιστικές αρχές απαιτούν εποπτεία γιατρού11. Υπογραμμίζουμε επίσης τη σημασία της μεροληψίας επειδή οι αλγόριθμοι είναι επιρρεπείς σε προκατάληψη, ειδικά εάν το σύνολο δεδομένων δεν είναι διαφορετικό12. Κατά συνέπεια, μια ορισμένη υποομάδα μπορεί να διαμορφωθεί εσφαλμένα, οδηγώντας σε αθέμιτες κλινικές αποφάσεις.
Οι πόροι είναι διαθέσιμοι στο κοινό: Δημιουργήσαμε διαθέσιμους πόρους στο κοινό, συμπεριλαμβανομένων διαφανειών και κώδικα. Παρόλο που η πρόσβαση σε σύγχρονο περιεχόμενο είναι περιορισμένη λόγω των ζωνών χρόνου, το περιεχόμενο ανοιχτού κώδικα είναι μια βολική μέθοδος για την ασύγχρονη μάθηση, δεδομένου ότι η τεχνογνωσία AI δεν είναι διαθέσιμη σε όλες τις ιατρικές σχολές.
Διεπιστημονική συνεργασία: Αυτό το εργαστήριο είναι μια κοινοπραξία που ξεκίνησε από τους φοιτητές ιατρικής για να σχεδιάσει μαθήματα μαζί με τους 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.
Ορίστε τις βασικές ικανότητες του AI. Ο καθορισμός μιας λίστας ικανοτήτων παρέχει μια τυποποιημένη δομή που μπορεί να ενσωματωθεί σε υπάρχοντα ιατρικά προγράμματα που βασίζονται σε ικανότητες. Αυτό το εργαστήριο χρησιμοποιεί επί του παρόντος μαθησιακά επίπεδα αντικειμενικών επιπέδων 2 (κατανόηση), 3 (εφαρμογή) και 4 (ανάλυση) της ταξινόμησης του Bloom. Η κατοχή πόρων σε υψηλότερα επίπεδα ταξινόμησης, όπως η δημιουργία έργων, μπορεί να ενισχύσει περαιτέρω τη γνώση. Αυτό απαιτεί την εργασία με κλινικούς εμπειρογνώμονες για να καθορίσει τον τρόπο με τον οποίο τα θέματα AI μπορούν να εφαρμοστούν στις κλινικές ροές εργασίας και στην πρόληψη της διδασκαλίας επαναλαμβανόμενων θεμάτων που ήδη περιλαμβάνονται στα τυπικά ιατρικά προγράμματα σπουδών.
Δημιουργήστε μελέτες περιπτώσεων χρησιμοποιώντας το AI. Παρόμοια με τα κλινικά παραδείγματα, η μάθηση που βασίζεται σε περιπτώσεις μπορεί να ενισχύσει τις αφηρημένες έννοιες επισημαίνοντας τη συνάφεια τους με τα κλινικά ερωτήματα. Για παράδειγμα, μια μελέτη σε εργαστήριο ανέλυσε το σύστημα ανίχνευσης της διαβητικής αμφιβληστροειδοπάθειας της Google για να εντοπίσει τις προκλήσεις κατά μήκος της πορείας από το εργαστήριο στην κλινική, όπως οι εξωτερικές απαιτήσεις επικύρωσης και οι οδοί έγκρισης κανονιστικών ρυθμίσεων.
Χρησιμοποιήστε τη βιωματική μάθηση: Οι τεχνικές δεξιότητες απαιτούν εστιασμένη πρακτική και επαναλαμβανόμενη εφαρμογή στον κύριο, παρόμοιο με τις περιστρεφόμενες μαθησιακές εμπειρίες των κλινικών εκπαιδευομένων. Μία πιθανή λύση είναι το μοντέλο της τάξης, το οποίο έχει αναφερθεί ότι βελτιώνει τη διατήρηση της γνώσης στην εκπαίδευση της μηχανικής14. Σε αυτό το μοντέλο, οι μαθητές αναθεωρούν ανεξάρτητα το θεωρητικό υλικό και ο χρόνος της τάξης είναι αφιερωμένος στην επίλυση προβλημάτων μέσω περιπτωσιολογικών μελετών.
Κλίμακα για τους πολυεπιστημονικούς συμμετέχοντες: Οραματίζουμε την υιοθέτηση AI που περιλαμβάνει συνεργασία σε πολλαπλούς κλάδους, συμπεριλαμβανομένων των ιατρών και των συμμαχικών επαγγελματιών υγείας με διαφορετικά επίπεδα κατάρτισης. Ως εκ τούτου, τα προγράμματα σπουδών ενδέχεται 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 η υψηλής τεχνολογίας και οι βασικές της έννοιες σχετίζονται με τα μαθηματικά και την επιστήμη των υπολογιστών. Η κατάρτιση του προσωπικού της υγειονομικής περίθαλψης για την κατανόηση της τεχνητής νοημοσύνης παρουσιάζει μοναδικές προκλήσεις στην επιλογή περιεχομένου, την κλινική σημασία και τις μεθόδους παράδοσης. Ελπίζουμε ότι οι ιδέες που αποκτήθηκαν από το AI στα εκπαιδευτικά εργαστήρια θα βοηθήσουν τους μελλοντικούς εκπαιδευτικούς να αγκαλιάσουν καινοτόμους τρόπους ενσωμάτωσης της AI στην ιατρική εκπαίδευση.
Το Google Colaboratory Python Script είναι ανοιχτό και διατίθεται στη διεύθυνση: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG και Khan, S. Επαναπροσδιορισμός της ιατρικής εκπαίδευσης: μια έκκληση για δράση. Akkad. φάρμακο. 88, 1407-1410 (2013).
McCoy, LG κλπ. Τι πρέπει πραγματικά να γνωρίζουν οι φοιτητές ιατρικής για την τεχνητή νοημοσύνη; Αριθμοί NPZH. Ιατρική 3, 1-3 (2020).
Dos Santos, DP, et αϊ. Οι στάσεις 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 των παιδιών σε πολύ χαμηλό κίνδυνο κλινικά σημαντικής εγκεφαλικής βλάβης μετά από τραυματισμό στο κεφάλι: μελλοντική μελέτη κοόρτης. Lancet 374, 1160-1170 (2009).
Street, WN, Wolberg, WH και Mangasarian, OL. Εξαγωγή πυρηνικών χαρακτηριστικών για διάγνωση όγκου του μαστού. Βιοϊατρική επιστήμη. Επεξεργασία εικόνας. Βιοϊατρική επιστήμη. Weiss. 1905, 861-870 (1993).
Chen, Phc, Liu, Y. και Peng, L. Πώς να αναπτύξουν μοντέλα μηχανικής μάθησης για την υγειονομική περίθαλψη. Nat. Ματ. 18, 410-414 (2019).
Selvaraju, RR et αϊ. Grad-CAM: Οπτική ερμηνεία βαθιών δικτύων μέσω εντοπισμού βασισμένης σε κλίση. Πρακτικά του Διεθνούς Συνεδρίου IEEE για το Computer Vision, 618-626 (2017).
Kumaravel B, Stewart K και Ilic D. Ανάπτυξη και αξιολόγηση ενός μοντέλου σπειροειδούς για την αξιολόγηση των ικανοτήτων που βασίζονται σε τεκμήρια που χρησιμοποιούν το OSCE στην προπτυχιακή ιατρική εκπαίδευση. BMK Medicine. διδάσκω. 21, 1-9 (2021).
Kolachalama VB και Garg PS Machine Learning και ιατρική εκπαίδευση. Αριθμοί NPZH. φάρμακο. 1, 1-3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, Β. Και De Rooy, M. Τεχνητή νοημοσύνη στην ακτινολογία: 100 εμπορικά προϊόντα και τα επιστημονικά τους στοιχεία. ΕΥΡΩ. ακτινοβολία. 31, 3797-3804 (2021).
Topol, EJ High-Performance Medicine: Η σύγκλιση της ανθρώπινης και τεχνητής νοημοσύνης. Nat. φάρμακο. 25, 44-56 (2019).
Bede, Ε. Et αϊ. Ανθρώπινη αξιολόγηση ενός συστήματος βαθιάς μάθησης που αναπτύχθηκε στην κλινική για την ανίχνευση διαβητικής αμφιβληστροειδοπάθειας. Πρακτικά της Διάσκεψης Chi για τους ανθρώπινους παράγοντες του 2020 σε συστήματα υπολογιστών (2020).
Kerr, Β. Η αναστροφή της τάξης στην εκπαίδευση της μηχανικής: μια επισκόπηση της έρευνας. Πρακτικά του Διεθνούς Συνεδρίου 2015 για τη Διαδραστική Συνεργατική Μάθηση (2015).
Οι συγγραφείς ευχαριστούν τη Danielle Walker, τον Tim Salcudin και τον Peter Zandstra από την βιοϊατρική απεικόνιση και την Τεχνητή Συλλόγου Έρευνας Νοημοσύνης στο Πανεπιστήμιο της Βρετανικής Κολούμπια για υποστήριξη και χρηματοδότηση.
RH, PP, ZH, RS και MA ήταν υπεύθυνοι για την ανάπτυξη του περιεχομένου διδασκαλίας του εργαστηρίου. Οι RH και PP ήταν υπεύθυνες για την ανάπτυξη των παραδειγμάτων προγραμματισμού. Οι KYF, OY, MT και PW ήταν υπεύθυνοι για την υλικοτεχνική οργάνωση του έργου και την ανάλυση των εργαστηρίων. RH, OY, MT, RS ήταν υπεύθυνοι για τη δημιουργία των αριθμών και των πινάκων. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ήταν υπεύθυνοι για τη σύνταξη και την επεξεργασία του εγγράφου.
Η ιατρική επικοινωνίας ευχαριστεί την Carolyn McGregor, τον Fabio Moraes και την Aditya Borakati για τη συμβολή τους στην ανασκόπηση αυτού του έργου.
Χρόνος δημοσίευσης: Φεβ-19-2024