मेडिकल विद्यार्थीहरूलाई कृत्रिम बुद्धिमत्ता सिकाउने क्यानाडाली परिप्रेक्ष्य

Nature.com भ्रमण गर्नुभएकोमा धन्यवाद।तपाईंले प्रयोग गरिरहनुभएको ब्राउजरको संस्करणमा सीमित CSS समर्थन छ।उत्कृष्ट परिणामहरूको लागि, हामी तपाइँको ब्राउजरको नयाँ संस्करण प्रयोग गर्न सिफारिस गर्दछौं (वा इन्टरनेट एक्सप्लोररमा अनुकूलता मोड बन्द गर्नुहोस्)।यस बीचमा, निरन्तर समर्थन सुनिश्चित गर्न, हामी स्टाइल वा JavaScript बिना साइट देखाउँदै छौं।
क्लिनिकल आर्टिफिसियल इन्टेलिजेन्स (एआई) को अनुप्रयोगहरू द्रुत रूपमा बढ्दै गएका छन्, तर अवस्थित मेडिकल स्कूल पाठ्यक्रमले यस क्षेत्रलाई समेट्ने सीमित शिक्षण प्रस्ताव गर्दछ।यहाँ हामीले क्यानाडाका मेडिकल विद्यार्थीहरूलाई हामीले विकास गरेको र डेलिभर गरेको आर्टिफिसियल इन्टेलिजेन्स प्रशिक्षण पाठ्यक्रमको वर्णन गर्छौं र भविष्यको प्रशिक्षणको लागि सिफारिसहरू गर्छौं।
औषधिमा आर्टिफिसियल इन्टेलिजेन्स (एआई) ले कार्यस्थलको दक्षता सुधार गर्न र क्लिनिकल निर्णय लिन मद्दत गर्न सक्छ।कृत्रिम बुद्धिमत्ताको प्रयोगलाई सुरक्षित रूपमा मार्गदर्शन गर्न, चिकित्सकहरूसँग कृत्रिम बुद्धिमत्ताको केही बुझाइ हुनुपर्छ।धेरै टिप्पणीहरूले AI अवधारणाहरू 1 सिकाउने वकालत गर्दछ, जस्तै AI मोडेलहरू र प्रमाणीकरण प्रक्रियाहरू व्याख्या गर्ने २।तर, खासगरी राष्ट्रिय स्तरमा केही संरचित योजनाहरू कार्यान्वयन भएका छन्।Pinto dos Santos et al.3.263 मेडिकल विद्यार्थीहरू सर्वेक्षण गरिएको थियो र 71% सहमत भए कि उनीहरूलाई कृत्रिम बुद्धिमत्तामा प्रशिक्षण आवश्यक छ।एक चिकित्सा दर्शकहरूलाई कृत्रिम बुद्धिमत्ता सिकाउनको लागि सावधानीपूर्वक डिजाइन चाहिन्छ जसले प्रायः व्यापक पूर्व ज्ञान भएका विद्यार्थीहरूको लागि प्राविधिक र गैर-प्राविधिक अवधारणाहरू संयोजन गर्दछ।हामी मेडिकल विद्यार्थीहरूको तीन समूहहरूलाई एआई कार्यशालाहरूको श्रृंखला प्रदान गर्ने हाम्रो अनुभवको वर्णन गर्छौं र एआईमा भविष्यको चिकित्सा शिक्षाको लागि सिफारिसहरू गर्छौं।
मेडिकल विद्यार्थीहरूको लागि मेडिसिनमा आर्टिफिसियल इन्टेलिजेन्सको हाम्रो पाँच हप्ताको परिचय फेब्रुअरी 2019 र अप्रिल 2021 को बीचमा तीन पटक आयोजित गरिएको थियो। पाठ्यक्रममा भएका परिवर्तनहरूको संक्षिप्त विवरण सहित प्रत्येक कार्यशालाको तालिका चित्र 1 मा देखाइएको छ। तीन प्राथमिक सिकाइ उद्देश्यहरू: विद्यार्थीहरूले कृत्रिम बुद्धिमत्ता अनुप्रयोगहरूमा डेटा कसरी प्रशोधन गरिन्छ भनेर बुझ्छन्, क्लिनिकल अनुप्रयोगहरूको लागि कृत्रिम बुद्धिमत्ता साहित्यको विश्लेषण गर्छन्, र कृत्रिम बुद्धिमत्ता विकास गर्ने इन्जिनियरहरूसँग सहकार्य गर्ने अवसरहरूको फाइदा उठाउँछन्।
निलो व्याख्यानको विषय हो र हल्का नीलो अन्तरक्रियात्मक प्रश्न र उत्तर अवधि हो।खैरो खण्ड संक्षिप्त साहित्य समीक्षाको फोकस हो।सुन्तला खण्डहरू कृत्रिम बुद्धिमत्ता मोडेल वा प्रविधिहरू वर्णन गर्ने छानिएका केस स्टडीहरू हुन्।ग्रीन एक निर्देशित प्रोग्रामिंग पाठ्यक्रम हो जुन नैदानिक ​​​​समस्याहरू समाधान गर्न र मोडेलहरूको मूल्याङ्कन गर्न कृत्रिम बुद्धिमत्ता सिकाउन डिजाइन गरिएको हो।कार्यशालाहरूको सामग्री र अवधि विद्यार्थी आवश्यकताहरूको मूल्याङ्कनको आधारमा भिन्न हुन्छ।
पहिलो कार्यशाला ब्रिटिश कोलम्बिया विश्वविद्यालयमा फेब्रुअरी देखि अप्रिल 2019 सम्म आयोजित भएको थियो, र सबै 8 सहभागीहरूले सकारात्मक प्रतिक्रिया दिए।COVID-19 को कारण, दोस्रो कार्यशाला अक्टोबर-नोभेम्बर 2020 मा लगभग आयोजित गरिएको थियो, 222 मेडिकल विद्यार्थीहरू र 8 क्यानाडाली मेडिकल स्कूलहरूका 3 निवासीहरूले दर्ता गरेका थिए।प्रस्तुति स्लाइड र कोड खुला पहुँच साइट (http://ubcaimed.github.io) मा अपलोड गरिएको छ।पहिलो पुनरावृत्तिबाट मुख्य प्रतिक्रिया यो थियो कि व्याख्यानहरू धेरै तीव्र थिए र सामग्री धेरै सैद्धान्तिक थिए।क्यानाडाको छवटा फरक समय क्षेत्रहरूमा सेवा दिन थप चुनौतीहरू खडा गर्दछ।यसरी, दोस्रो कार्यशालाले प्रत्येक सत्रलाई 1 घण्टामा छोटो बनायो, पाठ्यक्रम सामग्रीलाई सरल बनायो, थप केस स्टडीहरू थपियो, र सहभागीहरूलाई न्यूनतम डिबगिङ (बक्स 1) संग कोड स्निपेटहरू पूरा गर्न अनुमति दिने बॉयलरप्लेट कार्यक्रमहरू सिर्जना गरियो।दोस्रो पुनरावृत्तिको मुख्य प्रतिक्रियामा प्रोग्रामिङ अभ्यासहरूमा सकारात्मक प्रतिक्रिया र मेसिन लर्निङ परियोजनाको लागि योजना प्रदर्शन गर्न अनुरोध समावेश थियो।तसर्थ, मार्च-अप्रिल 2021 मा 126 मेडिकल विद्यार्थीहरूको लागि भर्चुअल रूपमा आयोजित हाम्रो तेस्रो कार्यशालामा, हामीले परियोजनाहरूमा कार्यशाला अवधारणाहरू प्रयोग गर्ने प्रभाव प्रदर्शन गर्न थप अन्तरक्रियात्मक कोडिङ अभ्यासहरू र परियोजना प्रतिक्रिया सत्रहरू समावेश गर्यौं।
डाटा विश्लेषण: तथ्याङ्कमा अध्ययनको एक क्षेत्र जसले डेटाको ढाँचाहरूको विश्लेषण, प्रशोधन र सञ्चार गरेर डाटामा अर्थपूर्ण ढाँचाहरू पहिचान गर्दछ।
डाटा खनन: डाटा पहिचान र निकाल्ने प्रक्रिया।आर्टिफिसियल इन्टेलिजेन्सको सन्दर्भमा, यो प्रायः ठूलो हुन्छ, प्रत्येक नमूनाका लागि बहुविध चरहरूको साथ।
Dimensionality रिडक्सन: मूल डेटा सेटको महत्त्वपूर्ण गुणहरूलाई सुरक्षित राख्दै धेरै व्यक्तिगत सुविधाहरू भएका डेटालाई कम सुविधाहरूमा रूपान्तरण गर्ने प्रक्रिया।
विशेषताहरू (कृत्रिम बुद्धिमत्ताको सन्दर्भमा): नमूनाको मापन योग्य गुणहरू।प्रायः "सम्पत्ति" वा "चर" सँग आदानप्रदान गर्न प्रयोग गरिन्छ।
ग्रेडियन्ट सक्रियता नक्सा: आर्टिफिसियल इन्टेलिजेन्स मोडेलहरू (विशेष गरी कन्भोलुसनल न्यूरल नेटवर्कहरू) को व्याख्या गर्न प्रयोग गरिने प्रविधि, जसले डाटा वा छविहरूको क्षेत्रहरू पहिचान गर्न नेटवर्कको अन्तिम भागलाई अप्टिमाइज गर्ने प्रक्रियाको विश्लेषण गर्दछ जुन अत्यधिक भविष्यवाणी गर्ने हो।
मानक मोडेल: एक अवस्थित AI मोडेल जसलाई समान कार्यहरू गर्न पूर्व-प्रशिक्षित गरिएको छ।
परीक्षण (कृत्रिम बुद्धिमत्ताको सन्दर्भमा): पहिले नभेटेको डेटा प्रयोग गरेर मोडेलले कसरी कार्य गर्दछ भनेर अवलोकन गर्दै।
प्रशिक्षण (कृत्रिम बुद्धिमत्ताको सन्दर्भमा): डेटा र परिणामहरू सहितको मोडेल प्रदान गर्दै ताकि मोडेलले नयाँ डेटा प्रयोग गरेर कार्यहरू गर्ने क्षमतालाई अनुकूलन गर्न यसको आन्तरिक मापदण्डहरू समायोजन गर्दछ।
भेक्टर: डाटाको एरे।मेसिन लर्निङमा, प्रत्येक एरे तत्व सामान्यतया नमूनाको एक अद्वितीय विशेषता हो।
तालिका १ ले प्रत्येक विषयका लागि लक्षित सिकाइ उद्देश्यहरू सहित, अप्रिल २०२१ का लागि नवीनतम पाठ्यक्रमहरू सूचीबद्ध गर्दछ।यो कार्यशाला प्राविधिक स्तरमा नयाँ भएकाहरूका लागि हो र स्नातक मेडिकल डिग्रीको पहिलो वर्षभन्दा बाहिर कुनै पनि गणितीय ज्ञान आवश्यक पर्दैन।पाठ्यक्रम 6 मेडिकल विद्यार्थी र 3 शिक्षक ईन्जिनियरिङ् मा उन्नत डिग्री संग विकसित गरिएको थियो।इन्जिनियरहरूले सिकाउन कृत्रिम बुद्धिमत्ता सिद्धान्तको विकास गर्दैछन्, र मेडिकल विद्यार्थीहरूले चिकित्सकीय रूपमा सान्दर्भिक सामग्रीहरू सिकिरहेका छन्।
कार्यशालाहरूमा व्याख्यानहरू, केस स्टडीहरू, र निर्देशित प्रोग्रामिङ समावेश छन्।पहिलो लेक्चरमा, हामीले बायोस्ट्याटिस्टिक्समा डेटा विश्लेषणका चयन गरिएका अवधारणाहरूको समीक्षा गर्छौं, डेटा भिजुअलाइजेशन, लजिस्टिक रिग्रेसन, र वर्णनात्मक र प्रेरक तथ्याङ्कहरूको तुलना सहित।यद्यपि डेटा विश्लेषण कृत्रिम बुद्धिमत्ताको आधार हो, हामी डेटा खनन, महत्व परीक्षण, वा अन्तरक्रियात्मक दृश्य जस्ता विषयहरू बहिष्कार गर्छौं।यो समयको कमीको कारणले भएको हो र केहि स्नातक विद्यार्थीहरूले बायोस्ट्याटिस्टिक्समा पहिले प्रशिक्षण पाएका थिए र थप अद्वितीय मेसिन लर्निंग विषयहरू समावेश गर्न चाहन्थे।त्यसपछिको व्याख्यानले आधुनिक विधिहरू प्रस्तुत गर्दछ र एआई समस्याको सूत्रीकरण, एआई मोडेलका फाइदाहरू र सीमितताहरू, र मोडेल परीक्षणको बारेमा छलफल गर्दछ।व्याख्यानहरू साहित्य र अवस्थित कृत्रिम बुद्धिमत्ता उपकरणहरूमा व्यावहारिक अनुसन्धान द्वारा पूरक छन्।हामी अवस्थित कृत्रिम बुद्धिमत्ता उपकरणहरूको सीमितताहरू बुझ्न सहित क्लिनिकल प्रश्नहरू सम्बोधन गर्न मोडेलको प्रभावकारिता र सम्भाव्यता मूल्याङ्कन गर्न आवश्यक सीपहरूलाई जोड दिन्छौं।उदाहरणका लागि, हामीले विद्यार्थीहरूलाई Kupperman et al. द्वारा प्रस्तावित पेडियाट्रिक हेड इन्जुरी दिशानिर्देशहरू व्याख्या गर्न सोध्यौं, 5 जसले एक कृत्रिम बुद्धिमत्ता निर्णय ट्री एल्गोरिदम लागू गर्‍यो कि एक चिकित्सकको परीक्षामा आधारित CT स्क्यान उपयोगी छ कि छैन भनेर निर्धारण गर्न।हामी जोड दिन्छौं कि यो AI को एक सामान्य उदाहरण हो जसले चिकित्सकहरूलाई चिकित्सकहरूलाई प्रतिस्थापन गर्नुको सट्टा व्याख्या गर्नका लागि भविष्यवाणी गर्ने विश्लेषणहरू प्रदान गर्दछ।
उपलब्ध खुला स्रोत बुटस्ट्र्याप प्रोग्रामिङ उदाहरणहरू (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) मा, हामी अन्वेषण डेटा विश्लेषण, आयाम घटाउने, मानक मोडेल लोडिङ, र प्रशिक्षण कसरी प्रदर्शन गर्ने भनेर देखाउँछौं। ।र परीक्षण।हामी Google कोलाबोरेटरी नोटबुकहरू (Google LLC, Mountain View, CA) प्रयोग गर्छौं, जसले Python कोडलाई वेब ब्राउजरबाट कार्यान्वयन गर्न अनुमति दिन्छ।चित्रमा। चित्र २ ले प्रोग्रामिङ अभ्यासको उदाहरण प्रदान गर्दछ।यो अभ्यासले विस्कॉन्सिन ओपन ब्रेस्ट इमेजिङ डाटासेट6 र निर्णय ट्री एल्गोरिदम प्रयोग गरेर घातक रोगहरूको भविष्यवाणी गर्ने समावेश गर्दछ।
सम्बन्धित विषयहरूमा हप्ताभरि कार्यक्रमहरू प्रस्तुत गर्नुहोस् र प्रकाशित AI अनुप्रयोगहरूबाट उदाहरणहरू चयन गर्नुहोस्।यदि तिनीहरू नैदानिक ​​​​परीक्षणहरूमा प्रयोगको लागि तयार छन् कि छैनन् भनेर निर्धारण गर्न मोडेलहरू कसरी मूल्याङ्कन गर्ने जस्ता भविष्यको क्लिनिकल अभ्यासमा अन्तरदृष्टि प्रदान गर्न सान्दर्भिक मानिन्छ भने प्रोग्रामिङ तत्वहरू मात्र समावेश हुन्छन्।यी उदाहरणहरू पूर्ण विकसित अन्त-देखि-अन्त अनुप्रयोगमा परिणत हुन्छन् जसले ट्यूमरहरूलाई मेडिकल छवि प्यारामिटरहरूमा आधारित सौम्य वा घातक रूपमा वर्गीकृत गर्दछ।
पूर्व ज्ञानको विषमता।हाम्रा सहभागीहरू गणितीय ज्ञानको स्तरमा भिन्न थिए।उदाहरणका लागि, उन्नत ईन्जिनियरिङ् पृष्ठभूमि भएका विद्यार्थीहरूले थप गहन सामग्री खोजिरहेका छन्, जस्तै तिनीहरूको आफ्नै फूरियर रूपान्तरणहरू कसरी गर्ने।यद्यपि, कक्षामा फोरियर एल्गोरिथ्मको बारेमा छलफल गर्न सम्भव छैन किनभने यसले सिग्नल प्रशोधनको गहन ज्ञान चाहिन्छ।
उपस्थिति बहिर्गमन।फलो-अप बैठकहरूमा उपस्थिति घट्यो, विशेष गरी अनलाइन ढाँचाहरूमा।एक समाधान उपस्थिति ट्र्याक गर्न र पूरा को प्रमाणपत्र प्रदान गर्न को लागी हुन सक्छ।मेडिकल स्कूलहरू विद्यार्थीहरूको अतिरिक्त शैक्षिक गतिविधिहरूको ट्रान्सक्रिप्टहरू पहिचान गर्न चिनिन्छन्, जसले विद्यार्थीहरूलाई डिग्री हासिल गर्न प्रोत्साहित गर्न सक्छ।
पाठ्यक्रम डिजाइन: किनभने AI ले धेरै उपक्षेत्रहरू फैलाउँछ, उपयुक्त गहिराइ र चौडाइको मूल अवधारणाहरू चयन गर्न चुनौतीपूर्ण हुन सक्छ।उदाहरणका लागि, प्रयोगशालादेखि क्लिनिकसम्म एआई उपकरणहरूको प्रयोगको निरन्तरता महत्त्वपूर्ण विषय हो।हामीले डेटा प्रिप्रोसेसिङ, मोडेल निर्माण, र प्रमाणीकरणलाई कभर गर्दा, हामीले ठूलो डेटा एनालिटिक्स, अन्तरक्रियात्मक भिजुअलाइजेसन, वा एआई क्लिनिकल परीक्षणहरू सञ्चालन गर्ने जस्ता विषयहरू समावेश गर्दैनौं, बरु हामी सबैभन्दा अद्वितीय AI अवधारणाहरूमा ध्यान केन्द्रित गर्छौं।हाम्रो मार्गदर्शक सिद्धान्त साक्षरता सुधार गर्नु हो, सीप होइन।उदाहरणका लागि, एउटा मोडेलले इनपुट सुविधाहरूलाई कसरी प्रशोधन गर्छ भन्ने बुझ्नु व्याख्याको लागि महत्त्वपूर्ण छ।यो गर्ने एउटा तरिका ढाँचा सक्रियता नक्सा प्रयोग गर्नु हो, जसले डेटाको कुन क्षेत्रहरू अनुमानित छन् भनी कल्पना गर्न सक्छ।यद्यपि, यसका लागि बहुविध क्याल्कुलस आवश्यक छ र प्रस्तुत गर्न सकिँदैन8।एक साझा शब्दावली विकास गर्न चुनौतीपूर्ण थियो किनभने हामीले गणितीय औपचारिकता बिना भेक्टरको रूपमा डेटासँग कसरी काम गर्ने भनेर व्याख्या गर्ने प्रयास गरिरहेका थियौं।ध्यान दिनुहोस् कि विभिन्न सर्तहरूको एउटै अर्थ हुन्छ, उदाहरणका लागि, महामारी विज्ञानमा, "विशेषता" लाई "चर" वा "विशेषता" को रूपमा वर्णन गरिएको छ।
ज्ञान अवधारण।किनकी AI को आवेदन सीमित छ, सहभागीहरूले कति हदसम्म ज्ञान राख्छन् त्यो हेर्न बाँकी छ।मेडिकल स्कूल पाठ्यक्रम प्रायः व्यावहारिक परिक्रमाको समयमा ज्ञानलाई सुदृढ गर्नको लागि स्पेस दोहोरिनेमा निर्भर हुन्छ, जुन AI शिक्षामा पनि लागू गर्न सकिन्छ।
साक्षरताभन्दा व्यावसायिकता महत्त्वपूर्ण छ।सामग्रीको गहिराइ गणितीय कठोरता बिना डिजाइन गरिएको छ, जुन कृत्रिम बुद्धिमा क्लिनिकल पाठ्यक्रमहरू सुरू गर्दा समस्या थियो।प्रोग्रामिङ उदाहरणहरूमा, हामी एक टेम्प्लेट प्रोग्राम प्रयोग गर्छौं जसले सहभागीहरूलाई फिल्डहरू भर्न र सफ्टवेयर चलाउनको लागि पूर्ण प्रोग्रामिङ वातावरण कसरी सेटअप गर्ने भनेर पत्ता लगाउन अनुमति दिन्छ।
आर्टिफिसियल इन्टेलिजेन्सको बारेमा सरोकारहरू: त्यहाँ व्यापक चिन्ता छ कि कृत्रिम बुद्धिले केही क्लिनिकल कर्तव्यहरू प्रतिस्थापन गर्न सक्छ।यस मुद्दालाई सम्बोधन गर्न, हामी AI का सीमितताहरू व्याख्या गर्छौं, नियामकहरूले अनुमोदित लगभग सबै AI प्रविधिहरूलाई चिकित्सकको पर्यवेक्षण आवश्यक पर्ने तथ्य सहित।हामी पूर्वाग्रहको महत्त्वलाई पनि जोड दिन्छौं किनभने एल्गोरिदमहरू पूर्वाग्रहको प्रवण हुन्छन्, विशेष गरी यदि डेटा सेट विविध छैन 12।फलस्वरूप, एक निश्चित उपसमूहलाई गलत तरिकाले मोडेल गरिएको हुन सक्छ, जसले अनुचित क्लिनिकल निर्णयहरू निम्त्याउँछ।
स्रोतहरू सार्वजनिक रूपमा उपलब्ध छन्: हामीले व्याख्यान स्लाइडहरू र कोडहरू सहित सार्वजनिक रूपमा उपलब्ध स्रोतहरू सिर्जना गरेका छौं।यद्यपि समय क्षेत्रका कारण सिंक्रोनस सामग्रीमा पहुँच सीमित छ, खुला स्रोत सामग्री एसिन्क्रोनस शिक्षाको लागि एक सुविधाजनक विधि हो किनभने AI विशेषज्ञता सबै मेडिकल स्कूलहरूमा उपलब्ध छैन।
अन्तरविषय सहयोग: यो कार्यशाला मेडिकल विद्यार्थीहरूद्वारा इन्जिनियरहरूसँग मिलेर पाठ्यक्रमहरू योजना गर्नको लागि सुरु गरिएको संयुक्त उपक्रम हो।यसले दुबै क्षेत्रहरूमा सहयोगका अवसरहरू र ज्ञान अन्तरहरू देखाउँदछ, जसले सहभागीहरूलाई उनीहरूले भविष्यमा योगदान गर्न सक्ने सम्भावित भूमिका बुझ्न अनुमति दिन्छ।
AI कोर दक्षताहरू परिभाषित गर्नुहोस्।दक्षताहरूको सूची परिभाषित गर्नाले एक मानकीकृत संरचना प्रदान गर्दछ जुन अवस्थित योग्यता-आधारित चिकित्सा पाठ्यक्रममा एकीकृत गर्न सकिन्छ।यस कार्यशालाले हाल ब्लुमको वर्गीकरणको सिकाइ उद्देश्य स्तर २ (कम्प्रिहेन्सन), ३ (अनुप्रयोग), र ४ (विश्लेषण) प्रयोग गर्दछ।वर्गीकरणको उच्च स्तरमा स्रोतहरू, जस्तै परियोजनाहरू सिर्जना गर्न, ज्ञानलाई अझ बलियो बनाउन सक्छ।यसले क्लिनिकल कार्यप्रवाहमा AI विषयहरू कसरी लागू गर्न सकिन्छ र मानक चिकित्सा पाठ्यक्रममा पहिले नै समावेश गरिसकेका दोहोरिने विषयहरूको शिक्षालाई रोक्नको लागि क्लिनिकल विशेषज्ञहरूसँग काम गर्न आवश्यक छ।
एआई प्रयोग गरेर केस स्टडीहरू सिर्जना गर्नुहोस्।क्लिनिकल उदाहरणहरू जस्तै, केस-आधारित शिक्षाले नैदानिक ​​​​प्रश्नहरूमा उनीहरूको प्रासंगिकता हाइलाइट गरेर अमूर्त अवधारणाहरूलाई सुदृढ गर्न सक्छ।उदाहरणका लागि, एउटा कार्यशाला अध्ययनले गुगलको एआई-आधारित डायबेटिक रेटिनोप्याथी पत्ता लगाउने प्रणाली 13 लाई प्रयोगशालाबाट क्लिनिकसम्मका चुनौतीहरू पहिचान गर्न विश्लेषण गर्‍यो, जस्तै बाह्य प्रमाणीकरण आवश्यकताहरू र नियामक अनुमोदन मार्गहरू।
प्रयोगात्मक सिकाइ प्रयोग गर्नुहोस्: प्राविधिक सीपहरूलाई ध्यान केन्द्रित अभ्यास र मास्टर गर्न बारम्बार आवेदन चाहिन्छ, क्लिनिकल प्रशिक्षार्थीहरूको घुम्ने सिकाइ अनुभवहरू जस्तै।एउटा सम्भावित समाधान फ्लिप गरिएको कक्षाकोठा मोडेल हो, जसलाई इन्जिनियरिङ शिक्षामा ज्ञानको अवधारणलाई सुधार गर्न रिपोर्ट गरिएको छ।यस मोडेलमा, विद्यार्थीहरूले सैद्धान्तिक सामग्रीहरू स्वतन्त्र रूपमा समीक्षा गर्छन् र कक्षाको समय केस स्टडीहरू मार्फत समस्याहरू समाधान गर्न समर्पित हुन्छ।
बहु-विषय सहभागीहरूका लागि स्केलिङ: हामी एआई अपनाउने परिकल्पना गर्छौं, जसमा चिकित्सकहरू र विभिन्न तहका तालिम भएका स्वास्थ्यकर्मीहरू लगायत विभिन्न विषयहरूमा सहकार्य समावेश हुन्छ।तसर्थ, विभिन्न विभागका संकायहरूसँग परामर्श गरी उनीहरूको सामग्रीलाई स्वास्थ्य सेवाका विभिन्न क्षेत्रहरूमा अनुकूल बनाउन पाठ्यक्रम विकास गर्नुपर्ने हुन सक्छ।
कृत्रिम बुद्धिमत्ता हाई-टेक हो र यसको मूल अवधारणाहरू गणित र कम्प्युटर विज्ञानसँग सम्बन्धित छन्।आर्टिफिसियल इन्टेलिजेन्स बुझ्नको लागि स्वास्थ्य सेवा कर्मीहरूलाई प्रशिक्षण दिन सामग्री चयन, क्लिनिकल प्रासंगिकता, र वितरण विधिहरूमा अद्वितीय चुनौतीहरू प्रस्तुत गर्दछ।हामी आशा गर्छौं कि शिक्षा कार्यशालाहरूमा AI बाट प्राप्त अन्तरदृष्टिहरूले भविष्यका शिक्षकहरूलाई AI लाई चिकित्सा शिक्षामा एकीकृत गर्न नवीन तरिकाहरू अँगाल्न मद्दत गर्नेछ।
Google Colaboratory Python स्क्रिप्ट खुला स्रोत हो र https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ मा उपलब्ध छ।
प्रोबर, केजी र खान, एस। चिकित्सा शिक्षा पुनर्विचार: कार्यको लागि कल।अक्कड।औषधी।८८, १४०७–१४१० (२०१३)।
McCoy, LG आदि। मेडिकल विद्यार्थीहरूले वास्तवमा कृत्रिम बुद्धिमत्ताको बारेमा के जान्न आवश्यक छ?NPZh नम्बरहरू।मेडिसिन ३, १–३ (२०२०)।
Dos Santos, DP, et al।कृत्रिम बुद्धिमत्ता तर्फ मेडिकल विद्यार्थीहरूको मनोवृत्ति: एक बहुकेन्द्र सर्वेक्षण।यूरो।विकिरण।२९, १६४०–१६४६ (२०१९)।
फ्यान, केवाई, हु, आर., र सिंगला, आर मेडिकल विद्यार्थीहरूको लागि मेसिन लर्निङको परिचय: एक पायलट परियोजना।जे मेडसिकाउनुहोस्।५४, १०४२–१०४३ (२०२०)।
कूपरम्यान एन, एट अल।टाउकोमा चोट लागे पछि क्लिनिक रूपमा महत्त्वपूर्ण मस्तिष्क चोटको धेरै कम जोखिममा बच्चाहरूलाई पहिचान गर्दै: एक सम्भावित कोहोर्ट अध्ययन।ल्यान्सेट ३७४, ११६०–११७० (२००९)।
Street, WN, Wolberg, WH र Mangasarian, OL।स्तन ट्यूमर निदान को लागी परमाणु सुविधा निकासी।बायोमेडिकल विज्ञान।छवि प्रशोधन।बायोमेडिकल विज्ञान।Weiss।1905, 861-870 (1993)।
Chen, PHC, Liu, Y. र Peng, L. स्वास्थ्य सेवाको लागि मेसिन लर्निङ मोडेलहरू कसरी विकास गर्ने।नाट।म्याट१८, ४१०–४१४ (२०१९)।
सेल्वराजू, आरआर आदि।Grad-cam: ग्रेडियन्ट-आधारित स्थानीयकरण मार्फत गहिरो नेटवर्कहरूको दृश्य व्याख्या।कम्प्युटर भिजन, 618–626 (2017) मा IEEE अन्तर्राष्ट्रिय सम्मेलनको कार्यवाही।
कुमारवेल बी, स्टीवर्ट के र इलिक डी। स्नातक चिकित्सा शिक्षामा ओएससीई प्रयोग गरेर प्रमाणमा आधारित चिकित्सा दक्षताहरूको मूल्याङ्कन गर्न सर्पिल मोडेलको विकास र मूल्याङ्कन।BMK मेडिसिन।सिकाउनुहोस्।21, 1-9 (2021)।
कोलाचलमा वीबी र गर्ग पीएस मेसिन लर्निंग र मेडिकल शिक्षा।NPZh नम्बरहरू।औषधी।१, १–३ (२०१८)।
भ्यान लिउवेन, केजी, शालेकम्प, एस., रुटन, एमजे, भ्यान जिन्नेकेन, बी र डे रोय, एम. रेडियोलोजीमा आर्टिफिशियल इन्टेलिजेन्स: 100 व्यावसायिक उत्पादनहरू र तिनीहरूको वैज्ञानिक प्रमाण।यूरो।विकिरण।३१, ३७९७–३८०४ (२०२१)।
Topol, EJ उच्च प्रदर्शन चिकित्सा: मानव र कृत्रिम बुद्धि को अभिसरण।नाट।औषधी।२५, ४४–५६ (२०१९)।
बेडे, इ. आदि।डायबेटिक रेटिनोप्याथी पत्ता लगाउन क्लिनिकमा तैनाथ गरिएको गहिरो शिक्षा प्रणालीको मानव-केन्द्रित मूल्याङ्कन।कम्प्युटिङ् प्रणालीहरूमा मानव कारकहरूमा २०२० CHI सम्मेलनको कार्यवाही (२०२०)।
केर, बी ईन्जिनियरिङ् शिक्षामा फ्लिप गरिएको कक्षा कोठा: एक अनुसन्धान समीक्षा।अन्तरक्रियात्मक सहयोगी शिक्षा (2015) मा 2015 अन्तर्राष्ट्रिय सम्मेलन को कार्यवाही।
लेखकहरूले ब्रिटिश कोलम्बिया विश्वविद्यालयको बायोमेडिकल इमेजिङ र आर्टिफिशियल इन्टेलिजेन्स रिसर्च क्लस्टरबाट डेनियल वाकर, टिम सालकुडिन र पिटर जान्डस्ट्रालाई सहयोग र कोषको लागि धन्यवाद दिन्छन्।
RH, PP, ZH, RS र MA कार्यशाला शिक्षण सामग्री विकास गर्न जिम्मेवार थिए।RH र PP प्रोग्रामिङ उदाहरणहरू विकास गर्न जिम्मेवार थिए।KYF, OY, MT र PW परियोजनाको लजिस्टिक संगठन र कार्यशालाहरूको विश्लेषणको लागि जिम्मेवार थिए।RH, OY, MT, RS अंक र तालिकाहरू सिर्जना गर्न जिम्मेवार थिए।RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS कागजातको मस्यौदा र सम्पादनको लागि जिम्मेवार थिए।
कम्युनिकेशन मेडिसिनले क्यारोलिन म्याकग्रेगर, फाबियो मोरेस र आदित्य बोराकाटीलाई यस कार्यको समीक्षामा योगदान गरेकोमा धन्यवाद दिन्छ।