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 να απενεργοποιήσετε τη λειτουργία συμβατότητας στον Internet Explorer). Εν τω μεταξύ, για να διασφαλίσουμε τη συνεχή υποστήριξη, εμφανίζουμε τον ιστότοπο χωρίς στυλ ή JavaScript.
Οι εφαρμογές της κλινικής τεχνητής νοημοσύνης (ΤΝ) αναπτύσσονται ραγδαία, αλλά τα υπάρχοντα προγράμματα σπουδών των ιατρικών σχολών προσφέρουν περιορισμένη διδασκαλία που καλύπτει αυτόν τον τομέα. Εδώ περιγράφουμε ένα εκπαιδευτικό πρόγραμμα τεχνητής νοημοσύνης που αναπτύξαμε και παρείχαμε σε Καναδούς φοιτητές ιατρικής και κάνουμε συστάσεις για μελλοντική εκπαίδευση.
Η τεχνητή νοημοσύνη (ΤΝ) στην ιατρική μπορεί να βελτιώσει την αποτελεσματικότητα του χώρου εργασίας και να βοηθήσει στη λήψη κλινικών αποφάσεων. Για την ασφαλή καθοδήγηση της χρήσης της τεχνητής νοημοσύνης, οι γιατροί πρέπει να έχουν κάποια κατανόηση της τεχνητής νοημοσύνης. Πολλά σχόλια υποστηρίζουν τη διδασκαλία εννοιών της ΤΝ1, όπως η εξήγηση μοντέλων ΤΝ και διαδικασιών επαλήθευσης2. Ωστόσο, έχουν εφαρμοστεί λίγα δομημένα σχέδια, ειδικά σε εθνικό επίπεδο. Pinto dos Santos et al.3. 263 φοιτητές ιατρικής συμμετείχαν στην έρευνα και το 71% συμφώνησε ότι χρειάζονταν εκπαίδευση στην τεχνητή νοημοσύνη. Η διδασκαλία της τεχνητής νοημοσύνης σε ιατρικό κοινό απαιτεί προσεκτικό σχεδιασμό που συνδυάζει τεχνικές και μη τεχνικές έννοιες για φοιτητές που συχνά έχουν εκτεταμένες προηγούμενες γνώσεις. Περιγράφουμε την εμπειρία μας από την παροχή μιας σειράς εργαστηρίων ΤΝ σε τρεις ομάδες φοιτητών ιατρικής και κάνουμε συστάσεις για μελλοντική ιατρική εκπαίδευση στην ΤΝ.
Το πεντάεβδομο εργαστήριό μας με θέμα «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, παρουσιάζεται στο Σχήμα 1. Το μάθημά μας έχει τρεις κύριους μαθησιακούς στόχους: οι φοιτητές να κατανοήσουν πώς επεξεργάζονται τα δεδομένα σε εφαρμογές τεχνητής νοημοσύνης, να αναλύσουν τη βιβλιογραφία για την τεχνητή νοημοσύνη για κλινικές εφαρμογές και να επωφεληθούν από τις ευκαιρίες συνεργασίας με μηχανικούς που αναπτύσσουν τεχνητή νοημοσύνη.
Το μπλε είναι το θέμα της διάλεξης και το ανοιχτό μπλε είναι η διαδραστική περίοδος ερωτήσεων και απαντήσεων. Το γκρι τμήμα είναι το επίκεντρο της σύντομης βιβλιογραφικής ανασκόπησης. Τα πορτοκαλί τμήματα είναι επιλεγμένες μελέτες περιπτώσεων που περιγράφουν μοντέλα ή τεχνικές τεχνητής νοημοσύνης. Το πράσινο είναι ένα καθοδηγούμενο μάθημα προγραμματισμού που έχει σχεδιαστεί για να διδάξει 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 φοιτητών.
Το πρώτο εργαστήριο πραγματοποιήθηκε στο Πανεπιστήμιο της Βρετανικής Κολομβίας από τον Φεβρουάριο έως τον Απρίλιο του 2019 και οι 8 συμμετέχοντες έδωσαν θετικά σχόλια4. Λόγω της COVID-19, το δεύτερο εργαστήριο πραγματοποιήθηκε εικονικά τον Οκτώβριο-Νοέμβριο του 2020, με την εγγραφή 222 φοιτητών ιατρικής και 3 ειδικευόμενων από 8 καναδικές ιατρικές σχολές. Οι διαφάνειες και ο κώδικας της παρουσίασης έχουν ανεβεί σε έναν ιστότοπο ανοιχτής πρόσβασης (http://ubcaimed.github.io). Τα βασικά σχόλια 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 θέτει πρόσθετες προκλήσεις. Έτσι, το δεύτερο εργαστήριο μείωσε κάθε συνεδρία σε 1 ώρα, απλοποίησε το υλικό του μαθήματος, πρόσθεσε περισσότερες μελέτες περιπτώσεων και δημιούργησε τυποποιημένα προγράμματα που επέτρεψαν στους συμμετέχοντες να ολοκληρώσουν αποσπάσματα κώδικα με ελάχιστη αποσφαλμάτωση (Πλαίσιο 1). Τα βασικά σχόλια από τη δεύτερη επανάληψη περιελάμβαναν θετικά σχόλια σχετικά με τις ασκήσεις προγραμματισμού και ένα αίτημα για επίδειξη σχεδιασμού για ένα έργο μηχανικής μάθησης. Ως εκ τούτου, στο τρίτο μας εργαστήριο, το οποίο πραγματοποιήθηκε διαδικτυακά για 126 φοιτητές ιατρικής τον Μάρτιο-Απρίλιο του 2021, συμπεριλάβαμε περισσότερες διαδραστικές ασκήσεις κωδικοποίησης και συνεδρίες ανατροφοδότησης έργων για να δείξουμε τον αντίκτυπο της χρήσης εννοιών εργαστηρίου στα έργα.
Ανάλυση Δεδομένων: Ένας τομέας μελέτης στη στατιστική που εντοπίζει σημαντικά μοτίβα στα δεδομένα αναλύοντας, επεξεργαζόμενοι και επικοινωνώντας 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 μετασχηματισμού 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 χρησιμοποιούνται εναλλακτικά με τις λέξεις «ιδιότητα» ή «μεταβλητή».
Χάρτης ενεργοποίησης διαβάθμισης: Μια τεχνική που χρησιμοποιείται για την ερμηνεία μοντέλων τεχνητής νοημοσύνης (ειδικά συνελικτικών νευρωνικών δικτύων), η οποία αναλύει τη διαδικασία βελτιστοποίησης του τελευταίου μέρους του δικτύου για τον εντοπισμό περιοχών δεδομένων ή εικόνων που είναι ιδιαίτερα προγνωστικές.
Τυποποιημένο Μοντέλο: Ένα υπάρχον μοντέλο Τεχνητής Νοημοσύνης που έχει εκπαιδευτεί εκ των προτέρων 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 στο παρελθόν.
Εκπαίδευση (στο πλαίσιο της τεχνητής νοημοσύνης): Παροχή δεδομένων και αποτελεσμάτων σε ένα μοντέλο, έτσι ώστε το μοντέλο να προσαρμόζει τις εσωτερικές του παραμέτρους για να βελτιστοποιεί την ικανότητά του να εκτελεί εργασίες χρησιμοποιώντας νέα δεδομένα.
Διάνυσμα: πίνακας 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 απευθύνεται σε όσους είναι νέοι στο τεχνικό επίπεδο και δεν απαιτεί καμία μαθηματική γνώση πέραν του πρώτου έτους ενός προπτυχιακού ιατρικού πτυχίου. Το μάθημα αναπτύχθηκε από 6 φοιτητές ιατρικής και 3 καθηγητές με μεταπτυχιακούς τίτλους 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. Παρόλο που η ανάλυση δεδομένων αποτελεί το θεμέλιο της τεχνητής νοημοσύνης, εξαιρούμε θέματα όπως η εξόρυξη δεδομένων, ο έλεγχος σημαντικότητας ή η διαδραστική οπτικοποίηση. Αυτό οφειλόταν σε χρονικούς περιορισμούς και επίσης στο γεγονός ότι 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 τον έλεγχο μοντέλων. Οι διαλέξεις συμπληρώνονται από βιβλιογραφία και πρακτική έρευνα σχετικά με 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 φοιτητές να ερμηνεύσουν τις κατευθυντήριες γραμμές για παιδιατρικούς τραυματισμούς κεφαλής που προτάθηκαν από τους Kupperman et al., 5, οι οποίοι εφάρμοσαν έναν αλγόριθμο δέντρου αποφάσεων τεχνητής νοημοσύνης για να προσδιορίσουν εάν μια αξονική τομογραφία θα ήταν χρήσιμη με βάση την εξέταση ενός γιατρού. Τονίζουμε ότι αυτό είναι ένα συνηθισμένο παράδειγμα Τεχνητής Νοημοσύνης που παρέχει προγνωστική ανάλυση για τους γιατρούς, αντί να αντικαθιστά τους γιατρούς.
Στα διαθέσιμα παραδείγματα προγραμματισμού bootstrap ανοιχτού κώδικα (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), παρουσιάζουμε πώς να εκτελέσουμε διερευνητική ανάλυση δεδομένων, μείωση διαστάσεων, φόρτωση τυπικού μοντέλου και εκπαίδευση και δοκιμή. Χρησιμοποιούμε σημειωματάρια Google Colaboratory (Google LLC, Mountain View, CA), τα οποία επιτρέπουν την εκτέλεση κώδικα Python από ένα πρόγραμμα περιήγησης ιστού. Στο Σχήμα 2 παρέχεται 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 καθ' όλη τη διάρκεια της εβδομάδας σε σχετικά θέματα και επιλέξτε παραδείγματα από δημοσιευμένες εφαρμογές Τεχνητής Νοημοσύνης. 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 ιατρικές παραμέτρους εικόνας.
Ετερογένεια προηγούμενης γνώσης. Οι συμμετέχοντες διέφεραν ως προς το επίπεδο των μαθηματικών γνώσεών τους. Για παράδειγμα, οι φοιτητές με προηγμένο υπόβαθρο στη μηχανική αναζητούν πιο εμπεριστατωμένο υλικό, όπως το πώς να εκτελούν τους δικούς τους μετασχηματισμούς Fourier. Ωστόσο, η συζήτηση του αλγορίθμου Fourier στην τάξη δεν είναι δυνατή επειδή απαιτεί εις βάθος γνώση της επεξεργασίας σήματος.
Εκροή προσέλευσης. Η προσέλευση στις συναντήσεις παρακολούθησης μειώθηκε, ειδικά σε διαδικτυακές μορφές. Μια λύση μπορεί να είναι η παρακολούθηση της παρουσίας και η παροχή πιστοποιητικού ολοκλήρωσης. Οι ιατρικές σχολές είναι γνωστό ότι αναγνωρίζουν τις αναλυτικές βαθμολογίες των εξωσχολικών ακαδημαϊκών δραστηριοτήτων των φοιτητών, κάτι που μπορεί να ενθαρρύνει τους φοιτητές να επιδιώξουν την απόκτηση πτυχίου.
Σχεδιασμός Μαθήματος: Επειδή η Τεχνητή Νοημοσύνη καλύπτει 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 συμπεριλαμβάνουμε θέματα όπως η ανάλυση μεγάλων δεδομένων, η διαδραστική οπτικοποίηση ή η διεξαγωγή κλινικών δοκιμών Τεχνητής Νοημοσύνης, αλλά εστιάζουμε στις πιο μοναδικές έννοιες της Τεχνητής Νοημοσύνης. Η κατευθυντήρια αρχή μας είναι η βελτίωση του γραμματισμού, όχι των δεξιοτήτων. Για παράδειγμα, η κατανόηση του τρόπου με τον οποίο ένα μοντέλο επεξεργάζεται τα χαρακτηριστικά εισόδου είναι σημαντική για την ερμηνευσιμότητα. Ένας τρόπος για να γίνει αυτό είναι η χρήση χαρτών ενεργοποίησης διαβάθμισης, 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 δύσκολη επειδή προσπαθούσαμε να εξηγήσουμε πώς να εργαζόμαστε 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 γνώσης. Επειδή η εφαρμογή της Τεχνητής Νοημοσύνης είναι περιορισμένη, ο βαθμός στον οποίο οι συμμετέχοντες διατηρούν τη γνώση μένει να φανεί. Τα προγράμματα σπουδών των ιατρικών σχολών συχνά βασίζονται στην επανάληψη σε διαστήματα για την ενίσχυση της γνώσης κατά τη διάρκεια πρακτικών εναλλαγών,9 κάτι που μπορεί επίσης να εφαρμοστεί στην εκπαίδευση στην Τεχνητή Νοημοσύνη.
Ο επαγγελματισμός είναι πιο σημαντικός από τον γραμματισμό. Το βάθος της ύλης έχει σχεδιαστεί χωρίς μαθηματική αυστηρότητα, κάτι που αποτελούσε πρόβλημα κατά την έναρξη κλινικών μαθημάτων τεχνητής νοημοσύνης. Στα παραδείγματα προγραμματισμού, χρησιμοποιούμε ένα πρόγραμμα-πρότυπο που επιτρέπει στους συμμετέχοντες να συμπληρώνουν πεδία και να εκτελούν το λογισμικό χωρίς να χρειάζεται να καταλάβουν πώς να ρυθμίσουν ένα πλήρες περιβάλλον προγραμματισμού.
Ανησυχίες σχετικά με την τεχνητή νοημοσύνη που αντιμετωπίστηκαν: Υπάρχει ευρεία 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 ιατρική επίβλεψη11. Τονίζουμε επίσης τη σημασία της μεροληψίας, επειδή οι αλγόριθμοι είναι επιρρεπείς σε μεροληψία, ειδικά εάν το σύνολο δεδομένων δεν είναι ποικιλόμορφο12. Κατά συνέπεια, μια συγκεκριμένη υποομάδα μπορεί να μοντελοποιηθεί εσφαλμένα, οδηγώντας σε άδικες κλινικές αποφάσεις.
Οι πόροι είναι δημόσια διαθέσιμοι: Έχουμε δημιουργήσει δημόσια διαθέσιμους πόρους, συμπεριλαμβανομένων διαφανειών διαλέξεων και κώδικα. Παρόλο που η πρόσβαση σε σύγχρονο περιεχόμενο είναι περιορισμένη λόγω ζωνών ώρας, το περιεχόμενο ανοιχτού κώδικα αποτελεί μια βολική μέθοδο για ασύγχρονη μάθηση, καθώς η εξειδίκευση στην Τεχνητή Νοημοσύνη δεν είναι διαθέσιμη σε όλες τις ιατρικές σχολές.
Διεπιστημονική Συνεργασία: Αυτό το εργαστήριο είναι μια κοινή επιχείρηση που ξεκίνησε από φοιτητές ιατρικής για τον σχεδιασμό μαθημάτων από κοινού με μηχανικούς. Αυτό καταδεικνύει τις ευκαιρίες συνεργασίας και τα κενά γνώσης και στους δύο τομείς, επιτρέποντας στους συμμετέχοντες να κατανοήσουν τον πιθανό ρόλο που μπορούν να συνεισφέρουν στο μέλλον.
Ορισμός βασικών ικανοτήτων Τεχνητής Νοημοσύνης. Ο ορισμός μιας λίστας ικανοτήτων παρέχει μια τυποποιημένη δομή που μπορεί να ενσωματωθεί σε υπάρχοντα ιατρικά προγράμματα σπουδών που βασίζονται σε ικανότητες. Αυτό το εργαστήριο χρησιμοποιεί επί του παρόντος τα Επίπεδα Μαθησιακών Στόχων 2 (Κατανόηση), 3 (Εφαρμογή) και 4 (Ανάλυση) της Ταξινόμησης 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 να προσδιοριστεί ο τρόπος με τον οποίο τα θέματα Τεχνητής Νοημοσύνης μπορούν να εφαρμοστούν σε κλινικές ροές εργασίας και να αποτραπεί η διδασκαλία επαναλαμβανόμενων θεμάτων που ήδη περιλαμβάνονται σε τυπικά ιατρικά προγράμματα σπουδών.
Δημιουργήστε μελέτες περιπτώσεων χρησιμοποιώντας Τεχνητή Νοημοσύνη. Όπως και με τα κλινικά παραδείγματα, η μάθηση που βασίζεται σε περιστατικά μπορεί να ενισχύσει τις αφηρημένες έννοιες επισημαίνοντας τη συνάφειά τους με κλινικά ερωτήματα. Για παράδειγμα, μια μελέτη εργαστηρίου ανέλυσε το σύστημα ανίχνευσης διαβητικής αμφιβληστροειδοπάθειας της Google που βασίζεται στην Τεχνητή Νοημοσύνη 13 για να εντοπίσει προκλήσεις κατά μήκος της διαδρομής από το εργαστήριο στην κλινική, όπως οι απαιτήσεις εξωτερικής επικύρωσης και οι οδοί κανονιστικής έγκρισης.
Χρήση βιωματικής μάθησης: Οι τεχνικές δεξιότητες απαιτούν εστιασμένη εξάσκηση και επαναλαμβανόμενη εφαρμογή για την κατακτηση, παρόμοια με τις εναλλασσόμενες μαθησιακές εμπειρίες των κλινικών εκπαιδευομένων. Μια πιθανή λύση είναι το μοντέλο της ανεστραμμένης τάξης, το οποίο έχει αναφερθεί ότι βελτιώνει τη διατήρηση της γνώσης στην εκπαίδευση μηχανικών14. Σε αυτό το μοντέλο, οι φοιτητές επανεξετάζουν το θεωρητικό υλικό ανεξάρτητα και ο χρόνος της τάξης αφιερώνεται στην επίλυση προβλημάτων μέσω μελετών περίπτωσης.
Κλιμάκωση για διεπιστημονικούς συμμετέχοντες: Οραματιζόμαστε την υιοθέτηση της Τεχνητής Νοημοσύνης που περιλαμβάνει τη συνεργασία σε πολλαπλούς κλάδους, συμπεριλαμβανομένων των ιατρών και των συναφών επαγγελματιών υγείας με ποικίλα επίπεδα εκπαίδευσης. Επομένως, τα προγράμματα σπουδών ενδέχεται να χρειαστεί να αναπτυχθούν σε συνεννόηση με καθηγητές από διαφορετικά τμήματα, ώστε να προσαρμόζεται 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 θα αποκτηθούν από τα εργαστήρια Τεχνητής Νοημοσύνης στην Εκπαίδευση θα βοηθήσουν τους μελλοντικούς εκπαιδευτικούς να υιοθετήσουν καινοτόμους τρόπους ενσωμάτωσης της Τεχνητής Νοημοσύνης στην ιατρική εκπαίδευση.
Το σενάριο Python του Google Colaboratory είναι ανοιχτού κώδικα και διατίθεται στη διεύθυνση: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG και Khan, S. Επανεξέταση της ιατρικής εκπαίδευσης: μια έκκληση για δράση. Akkad. medicine. 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. Στάσεις φοιτητών ιατρικής απέναντι στην τεχνητή νοημοσύνη: μια πολυκεντρική έρευνα. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., και Singla, R. Εισαγωγή στη μηχανική μάθηση για φοιτητές ιατρικής: ένα πιλοτικό έργο. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Εντοπισμός παιδιών με πολύ χαμηλό κίνδυνο κλινικά σημαντικής εγκεφαλικής βλάβης μετά από κρανιοεγκεφαλική κάκωση: μια προοπτική μελέτη κοόρτης. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH και Mangasarian, OL. Εξαγωγή πυρηνικών χαρακτηριστικών για τη διάγνωση όγκων μαστού. Βιοϊατρική Επιστήμη. Επεξεργασία εικόνας. Βιοϊατρική Επιστήμη. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. και 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 βαθιών δικτύων μέσω εντοπισμού βάσει κλίσης. Πρακτικά του Διεθνούς Συνεδρίου IEEE για την Όραση Υπολογιστών, 618–626 (2017).
Kumaravel B, Stewart K και Ilic D. Ανάπτυξη και αξιολόγηση ενός σπειροειδούς μοντέλου για την αξιολόγηση των ικανοτήτων της ιατρικής που βασίζονται σε τεκμήρια χρησιμοποιώντας το OSCE στην προπτυχιακή ιατρική εκπαίδευση. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB και Garg PS Μηχανική μάθηση και ιατρική εκπαίδευση. Αριθμοί NPZh. ιατρική. 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 της ανθρώπινης και της τεχνητής νοημοσύνης. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Ανθρωποκεντρική αξιολόγηση ενός συστήματος βαθιάς μάθησης που αναπτύχθηκε στην κλινική για την ανίχνευση διαβητικής αμφιβληστροειδοπάθειας. Πρακτικά του Συνεδρίου CHI 2020 για τους Ανθρώπινους Παράγοντες στα Υπολογιστικά Συστήματα (2020).
Kerr, B. Η ανεστραμμένη τάξη στην εκπαίδευση μηχανικών: Μια ερευνητική ανασκόπηση. Πρακτικά του Διεθνούς Συνεδρίου για τη Διαδραστική Συνεργατική Μάθηση του 2015 (2015).
Οι συγγραφείς ευχαριστούν τους Danielle Walker, Tim Salcudin και Peter Zandstra από το Ερευνητικό Κέντρο 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 διδακτικού περιεχομένου του εργαστηρίου. Οι RH και PP ήταν υπεύθυνοι 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. 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.
Το Communication Medicine ευχαριστεί την Carolyn McGregor, τον Fabio Moraes και την Aditya Borakati για τη συμβολή τους στην αξιολόγηση αυτής της εργασίας.
Ώρα δημοσίευσης: 19 Φεβρουαρίου 2024