Nature.com भ्रमण गर्नुभएकोमा धन्यवाद। तपाईंले प्रयोग गरिरहनुभएको ब्राउजरको संस्करणमा सीमित CSS समर्थन छ। उत्कृष्ट परिणामहरूको लागि, हामी तपाईंको ब्राउजरको नयाँ संस्करण प्रयोग गर्न सिफारिस गर्छौं (वा इन्टरनेट एक्सप्लोररमा अनुकूलता मोड बन्द गर्नुहोस्)। यसैबीच, निरन्तर समर्थन सुनिश्चित गर्न, हामी स्टाइलिङ वा जाभास्क्रिप्ट बिना साइट देखाउँदैछौं।
क्लिनिकल आर्टिफिसियल इन्टेलिजेन्स (एआई) का प्रयोगहरू द्रुत गतिमा बढिरहेका छन्, तर अवस्थित मेडिकल स्कूल पाठ्यक्रमले यस क्षेत्रलाई समेट्ने सीमित शिक्षण प्रदान गर्दछ। यहाँ हामी क्यानेडियन मेडिकल विद्यार्थीहरूलाई विकास र डेलिभर गरिएको कृत्रिम बुद्धिमत्ता प्रशिक्षण पाठ्यक्रमको वर्णन गर्छौं र भविष्यको प्रशिक्षणको लागि सिफारिसहरू गर्छौं।
चिकित्सामा कृत्रिम बुद्धिमत्ता (एआई) ले कार्यस्थलको दक्षता सुधार गर्न र क्लिनिकल निर्णय लिने कार्यमा सहयोग गर्न सक्छ। कृत्रिम बुद्धिमत्ताको प्रयोगलाई सुरक्षित रूपमा मार्गदर्शन गर्न, चिकित्सकहरूलाई कृत्रिम बुद्धिमत्ताको केही बुझाइ हुनुपर्छ। धेरै टिप्पणीहरूले एआई अवधारणाहरू सिकाउने वकालत गर्छन्, जस्तै एआई मोडेलहरू र प्रमाणीकरण प्रक्रियाहरू व्याख्या गर्ने २। यद्यपि, केही संरचित योजनाहरू लागू गरिएका छन्, विशेष गरी राष्ट्रिय स्तरमा। पिन्टो डोस सान्तोस एट अल। ३। २६३ मेडिकल विद्यार्थीहरूको सर्वेक्षण गरिएको थियो र ७१% ले सहमति जनाए कि उनीहरूलाई कृत्रिम बुद्धिमत्तामा प्रशिक्षण आवश्यक छ। मेडिकल दर्शकहरूलाई कृत्रिम बुद्धिमत्ता सिकाउनको लागि सावधानीपूर्वक डिजाइन आवश्यक पर्दछ 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 विद्यार्थीहरूका लागि हाम्रो पाँच-हप्ताको परिचय चिकित्सामा कृत्रिम बुद्धिमत्ता कार्यशाला फेब्रुअरी २०१९ र अप्रिल २०२१ को बीचमा तीन पटक आयोजना गरिएको थियो। प्रत्येक कार्यशालाको तालिका, पाठ्यक्रममा भएका परिवर्तनहरूको संक्षिप्त विवरण सहित, चित्र १ मा देखाइएको छ। हाम्रो पाठ्यक्रमका तीन प्राथमिक सिकाइ उद्देश्यहरू छन्: 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।
नीलो रंग व्याख्यानको विषय हो र हल्का नीलो रंग अन्तरक्रियात्मक प्रश्नोत्तर अवधि हो। खैरो खण्ड संक्षिप्त साहित्य समीक्षाको केन्द्रबिन्दु हो। सुन्तला खण्डहरू चयन गरिएका केस स्टडीहरू हुन् जसले कृत्रिम बुद्धिमत्ता मोडेल वा प्रविधिहरू वर्णन गर्दछ। हरियो एक निर्देशित प्रोग्रामिङ कोर्स हो जुन क्लिनिकल समस्याहरू समाधान गर्न र मोडेलहरूको मूल्याङ्कन गर्न कृत्रिम बुद्धिमत्ता सिकाउन डिजाइन गरिएको हो। कार्यशालाहरूको सामग्री र अवधि विद्यार्थीको आवश्यकताहरूको मूल्याङ्कनको आधारमा फरक-फरक हुन्छ।
पहिलो कार्यशाला फेब्रुअरी देखि अप्रिल २०१९ सम्म ब्रिटिश कोलम्बिया विश्वविद्यालयमा आयोजित भएको थियो र सबै ८ सहभागीहरूले सकारात्मक प्रतिक्रिया दिएका थिए। COVID-19 को कारणले गर्दा, दोस्रो कार्यशाला अक्टोबर-नोभेम्बर २०२० मा भर्चुअल रूपमा आयोजित गरिएको थियो, जसमा २२२ मेडिकल विद्यार्थी र ८ क्यानेडियन मेडिकल स्कूलका ३ जना बासिन्दाहरूले दर्ता गरेका थिए। प्रस्तुतीकरण स्लाइडहरू 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 छ फरक समय क्षेत्रहरूमा सेवा गर्दा थप चुनौतीहरू खडा हुन्छन्। यसरी, दोस्रो कार्यशालाले प्रत्येक सत्रलाई १ घण्टामा छोटो बनायो, पाठ्यक्रम सामग्रीलाई सरलीकृत गर्यो, थप केस स्टडीहरू थप्यो, र बोइलरप्लेट कार्यक्रमहरू सिर्जना गर्यो जसले सहभागीहरूलाई न्यूनतम डिबगिङको साथ कोड स्निपेटहरू पूरा गर्न अनुमति दियो (बाकस १)। दोस्रो पुनरावृत्तिबाट मुख्य प्रतिक्रियामा प्रोग्रामिङ अभ्यासहरूमा सकारात्मक प्रतिक्रिया र मेसिन लर्निङ परियोजनाको लागि योजना प्रदर्शन गर्ने अनुरोध समावेश थियो। त्यसकारण, मार्च-अप्रिल २०२१ मा १२६ जना मेडिकल विद्यार्थीहरूका 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।
डेटा विश्लेषण: तथ्याङ्कमा अध्ययनको क्षेत्र जसले डेटा ढाँचाहरूको विश्लेषण, प्रशोधन र सञ्चार गरेर डेटामा अर्थपूर्ण ढाँचाहरू पहिचान गर्दछ।
डेटा माइनिङ: डेटा पहिचान गर्ने र निकाल्ने प्रक्रिया। कृत्रिम बुद्धिमत्ताको सन्दर्भमा, यो प्रायः ठूलो हुन्छ, प्रत्येक नमूनाको लागि धेरै चरहरू सहित।
आयाम घटाउने: मूल डेटा सेटको महत्त्वपूर्ण गुणहरू संरक्षण गर्दै धेरै व्यक्तिगत सुविधाहरू भएको डेटालाई कम सुविधाहरूमा रूपान्तरण गर्ने प्रक्रिया।
विशेषताहरू (कृत्रिम बुद्धिमत्ताको सन्दर्भमा): नमूनाको मापनयोग्य गुणहरू। प्रायः "गुण" वा "चर" सँग आदानप्रदान गर्न प्रयोग गरिन्छ।
ग्रेडियन्ट एक्टिभेसन म्याप: आर्टिफिसियल इन्टेलिजेन्स मोडेलहरू (विशेष गरी कन्भोलुसनल न्यूरल नेटवर्कहरू) को व्याख्या गर्न प्रयोग गरिने प्रविधि, जसले अत्यधिक भविष्यवाणी गर्ने डेटा वा छविहरूको क्षेत्रहरू पहिचान गर्न नेटवर्कको अन्तिम भागलाई अनुकूलन गर्ने प्रक्रियाको विश्लेषण गर्दछ।
मानक मोडेल: एक अवस्थित एआई मोडेल जुन समान कार्यहरू गर्न पूर्व-प्रशिक्षित गरिएको छ।
परीक्षण (कृत्रिम बुद्धिमत्ताको सन्दर्भमा): मोडेलले पहिले कहिल्यै सामना नगरेको डेटा प्रयोग गरेर कसरी कार्य गर्दछ भनेर अवलोकन गर्ने।
तालिम (कृत्रिम बुद्धिमत्ताको सन्दर्भमा): डेटा र परिणामहरू सहितको मोडेल प्रदान गर्ने ताकि मोडेलले नयाँ डेटा प्रयोग गरेर कार्यहरू गर्ने क्षमतालाई अनुकूलन गर्न यसको आन्तरिक प्यारामिटरहरू समायोजन गर्न सकोस्।
भेक्टर: डेटाको एरे। मेसिन लर्निङमा, प्रत्येक एरे तत्व सामान्यतया नमूनाको एक अद्वितीय विशेषता हो।
तालिका १ ले अप्रिल २०२१ को लागि नवीनतम पाठ्यक्रमहरू सूचीबद्ध गर्दछ, जसमा प्रत्येक विषयको लागि लक्षित सिकाइ उद्देश्यहरू समावेश छन्। यो कार्यशाला प्राविधिक स्तरमा नयाँ भएकाहरूका लागि हो र स्नातक चिकित्सा डिग्रीको पहिलो वर्षभन्दा बाहिर कुनै गणितीय ज्ञान आवश्यक पर्दैन। यो पाठ्यक्रम ६ जना मेडिकल विद्यार्थीहरू र इन्जिनियरिङमा उन्नत डिग्री भएका ३ जना शिक्षकहरूद्वारा विकसित गरिएको थियो। इन्जिनियरहरूले सिकाउनको लागि कृत्रिम बुद्धिमत्ता सिद्धान्त विकास गरिरहेका छन्, र चिकित्सा विद्यार्थीहरूले क्लिनिकल रूपमा सान्दर्भिक सामग्री सिकिरहेका छन्।
कार्यशालाहरूमा व्याख्यान, केस स्टडी र निर्देशित प्रोग्रामिङ समावेश छन्। पहिलो व्याख्यानमा, हामी बायोस्ट्याटिस्टिक्समा डेटा विश्लेषणका चयन गरिएका अवधारणाहरूको समीक्षा गर्छौं, जसमा डेटा भिजुअलाइजेशन, लजिस्टिक रिग्रेसन, र वर्णनात्मक र आगमनात्मक तथ्याङ्कहरूको तुलना समावेश छ। यद्यपि डेटा विश्लेषण कृत्रिम बुद्धिमत्ताको आधार हो, हामी डेटा माइनिङ, महत्व परीक्षण, वा अन्तरक्रियात्मक दृश्य जस्ता विषयहरूलाई बहिष्कार गर्छौं। यो समयको बाधाको कारणले भएको थियो र केही स्नातक विद्यार्थीहरूले बायोस्ट्याटिस्टिक्समा पहिले प्रशिक्षण लिएका थिए र थप अद्वितीय मेसिन लर्निङ विषयहरू समेट्न चाहन्थे। त्यसपछिको व्याख्यानमा आधुनिक विधिहरू प्रस्तुत गरिन्छ र एआई समस्या निर्माण, एआई मोडेलहरूको फाइदा र सीमितताहरू, र मोडेल परीक्षणको बारेमा छलफल गरिन्छ। व्याख्यानहरू साहित्य र अवस्थित कृत्रिम बुद्धिमत्ता उपकरणहरूमा व्यावहारिक अनुसन्धानद्वारा पूरक छन्। हामी क्लिनिकल प्रश्नहरूलाई सम्बोधन गर्न मोडेलको प्रभावकारिता र सम्भाव्यताको मूल्याङ्कन गर्न आवश्यक सीपहरूमा जोड दिन्छौं, जसमा अवस्थित कृत्रिम बुद्धिमत्ता उपकरणहरूको सीमितताहरू बुझ्ने समावेश छ। उदाहरणका लागि, हामीले विद्यार्थीहरूलाई कुपरम्यान एट अल., 5 द्वारा प्रस्तावित बाल चिकित्सा टाउको चोट दिशानिर्देशहरूको व्याख्या गर्न भन्यौं जसले चिकित्सकको परीक्षाको आधारमा CT स्क्यान उपयोगी हुनेछ कि भनेर निर्धारण गर्न कृत्रिम बुद्धिमत्ता निर्णय रूख एल्गोरिथ्म लागू गर्यो। हामी जोड दिन्छौं कि यो एआईले चिकित्सकहरूलाई प्रतिस्थापन गर्नुको सट्टा व्याख्या गर्न भविष्यवाणी गर्ने विश्लेषण प्रदान गर्ने एक सामान्य उदाहरण हो।
उपलब्ध खुला स्रोत बुटस्ट्र्याप प्रोग्रामिङ उदाहरणहरू (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) मा, हामी अन्वेषणात्मक डेटा विश्लेषण, आयाम घटाउने, मानक मोडेल लोडिङ, र प्रशिक्षण . र परीक्षण कसरी गर्ने भनेर प्रदर्शन गर्छौं। हामी Google Colaboratory नोटबुकहरू (Google LLC, Mountain View, CA) प्रयोग गर्छौं, जसले वेब ब्राउजरबाट पाइथन कोड कार्यान्वयन गर्न अनुमति दिन्छ। चित्रमा। चित्र २ ले प्रोग्रामिङ अभ्यासको उदाहरण प्रदान गर्दछ। यो अभ्यासमा विस्कॉन्सिन ओपन ब्रेस्ट इमेजिङ डाटासेट६ र निर्णय रूख एल्गोरिथ्म प्रयोग गरेर घातक रोगहरूको भविष्यवाणी गर्ने समावेश छ।
सम्बन्धित विषयहरूमा हप्ताभरि कार्यक्रमहरू प्रस्तुत गर्नुहोस् र प्रकाशित एआई अनुप्रयोगहरूबाट उदाहरणहरू छान्नुहोस्। प्रोग्रामिङ तत्वहरू केवल तब मात्र समावेश गरिन्छ जब तिनीहरूलाई भविष्यको क्लिनिकल अभ्यासमा अन्तर्दृष्टि प्रदान गर्न सान्दर्भिक मानिन्छ, जस्तै मोडेलहरू क्लिनिकल परीक्षणहरूमा प्रयोगको लागि तयार छन् कि छैनन् भनेर निर्धारण गर्न कसरी मूल्याङ्कन गर्ने। यी उदाहरणहरू पूर्ण रूपमा विकसित एन्ड-टु-एन्ड अनुप्रयोगमा परिणत हुन्छन् जसले मेडिकल छवि प्यारामिटरहरूको आधारमा ट्यूमरहरूलाई सौम्य वा घातकको रूपमा वर्गीकृत गर्दछ।
पूर्व ज्ञानको विविधता। हाम्रा सहभागीहरूको गणितीय ज्ञानको स्तर फरक थियो। उदाहरणका लागि, उन्नत इन्जिनियरिङ पृष्ठभूमि भएका विद्यार्थीहरूले आफ्नो फुरियर रूपान्तरण कसरी गर्ने जस्ता गहन सामग्री खोजिरहेका छन्। यद्यपि, कक्षामा फुरियर एल्गोरिथ्मको बारेमा छलफल गर्न सम्भव छैन किनभने यसको लागि सिग्नल प्रशोधनको गहन ज्ञान आवश्यक पर्दछ।
उपस्थिति बहिर्गमन। अनुगमन बैठकहरूमा उपस्थिति घट्यो, विशेष गरी अनलाइन ढाँचाहरूमा। एउटा समाधान उपस्थिति ट्र्याक गर्नु र पूरा भएको प्रमाणपत्र प्रदान गर्नु हुन सक्छ। मेडिकल स्कूलहरूले विद्यार्थीहरूको अतिरिक्त शैक्षिक गतिविधिहरूको ट्रान्सक्रिप्टहरू पहिचान गर्न जानिन्छ, जसले विद्यार्थीहरूलाई डिग्री हासिल गर्न प्रोत्साहित गर्न सक्छ।
पाठ्यक्रम डिजाइन: AI ले धेरै उपक्षेत्रहरू फैलाएको हुनाले, उपयुक्त गहिराइ र चौडाइको मुख्य अवधारणाहरू छनौट गर्नु चुनौतीपूर्ण हुन सक्छ। उदाहरणका लागि, प्रयोगशालादेखि क्लिनिकसम्म AI उपकरणहरूको प्रयोगको निरन्तरता एउटा महत्त्वपूर्ण विषय हो। हामीले डेटा प्रिप्रोसेसिङ, मोडेल निर्माण, र प्रमाणीकरणलाई समेट्दा, हामी ठूलो डेटा विश्लेषण, अन्तरक्रियात्मक दृश्यावलोकन, वा AI 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, मोडेलले इनपुट सुविधाहरू कसरी प्रशोधन गर्छ भनेर बुझ्नु व्याख्यायोग्यताको लागि महत्त्वपूर्ण छ। यो गर्ने एउटा तरिका ग्रेडियन्ट सक्रियता नक्साहरू प्रयोग गर्नु हो, जसले डेटाको कुन क्षेत्रहरू अनुमानित छन् भनेर कल्पना गर्न सक्छ। यद्यपि, यसको लागि बहुभिन्न क्याल्कुलस आवश्यक छ र परिचय गर्न सकिँदैन। साझा शब्दावली विकास गर्नु चुनौतीपूर्ण थियो किनभने हामी गणितीय औपचारिकता बिना भेक्टरको रूपमा डेटासँग कसरी काम गर्ने भनेर व्याख्या गर्ने प्रयास गरिरहेका थियौं। ध्यान दिनुहोस् कि फरक शब्दहरूको एउटै अर्थ हुन्छ, उदाहरणका लागि, महामारी विज्ञानमा, "विशेषता" लाई "चर" वा "विशेषता" को रूपमा वर्णन गरिएको छ।
ज्ञान कायम राख्ने। एआईको प्रयोग सीमित भएकोले, सहभागीहरूले कति हदसम्म ज्ञान कायम राख्छन् भन्ने कुरा हेर्न बाँकी छ। मेडिकल स्कूलको पाठ्यक्रम प्रायः व्यावहारिक परिक्रमाको समयमा ज्ञानलाई सुदृढ पार्न अन्तराल दोहोरिने कुरामा निर्भर हुन्छ,9 जुन एआई शिक्षामा पनि लागू गर्न सकिन्छ।
साक्षरता भन्दा व्यावसायिकता बढी महत्त्वपूर्ण छ। सामग्रीको गहिराइ गणितीय कठोरता बिना डिजाइन गरिएको छ, जुन कृत्रिम बुद्धिमत्तामा क्लिनिकल पाठ्यक्रमहरू सुरु गर्दा समस्या थियो। प्रोग्रामिङ उदाहरणहरूमा, हामी एउटा टेम्प्लेट प्रोग्राम प्रयोग गर्छौं जसले सहभागीहरूलाई पूर्ण प्रोग्रामिङ वातावरण कसरी सेटअप गर्ने भनेर पत्ता नलागेर फिल्डहरू भर्न र सफ्टवेयर चलाउन अनुमति दिन्छ।
कृत्रिम बुद्धिमत्ता सम्बन्धी चिन्ताहरू सम्बोधन गरियो: कृत्रिम बुद्धिमत्ताले केही क्लिनिकल कर्तव्यहरू प्रतिस्थापन गर्न सक्छ भन्ने व्यापक चिन्ता छ। यस मुद्दालाई सम्बोधन गर्न, हामी AI को सीमितताहरू व्याख्या गर्छौं, जसमा नियामकहरूद्वारा अनुमोदित लगभग सबै AI प्रविधिहरूलाई चिकित्सकको पर्यवेक्षण आवश्यक पर्दछ भन्ने तथ्य पनि समावेश छ। हामी पूर्वाग्रहको महत्त्वलाई पनि जोड दिन्छौं किनभने एल्गोरिदमहरू पूर्वाग्रहको प्रवण हुन्छन्, विशेष गरी यदि डेटा सेट विविध छैन भने12। फलस्वरूप, एक निश्चित उपसमूह गलत तरिकाले मोडेल गरिएको हुन सक्छ, जसले अनुचित क्लिनिकल निर्णयहरू निम्त्याउँछ।
स्रोतहरू सार्वजनिक रूपमा उपलब्ध छन्: हामीले व्याख्यान स्लाइडहरू र कोड सहित सार्वजनिक रूपमा उपलब्ध स्रोतहरू सिर्जना गरेका छौं। समय क्षेत्रहरूको कारणले गर्दा सिंक्रोनस सामग्रीमा पहुँच सीमित भए पनि, सबै मेडिकल स्कूलहरूमा एआई विशेषज्ञता उपलब्ध नभएकोले खुला स्रोत सामग्री एसिन्क्रोनस सिकाइको लागि एक सुविधाजनक विधि हो।
अन्तरविषय सहकार्य: यो कार्यशाला मेडिकल विद्यार्थीहरूले इन्जिनियरहरूसँग मिलेर पाठ्यक्रमहरू योजना गर्न सुरु गरेको संयुक्त उद्यम हो। यसले दुवै क्षेत्रमा सहकार्यका अवसरहरू र ज्ञानको खाडलहरू प्रदर्शन गर्दछ, जसले सहभागीहरूलाई भविष्यमा उनीहरूले योगदान गर्न सक्ने सम्भावित भूमिका बुझ्न अनुमति दिन्छ।
एआई कोर दक्षताहरू परिभाषित गर्नुहोस्। दक्षताहरूको सूची परिभाषित गर्नाले एक मानकीकृत संरचना प्रदान गर्दछ जुन अवस्थित दक्षता-आधारित चिकित्सा पाठ्यक्रममा एकीकृत गर्न सकिन्छ। यो कार्यशालाले हाल ब्लूमको वर्गीकरणको सिकाइ उद्देश्य स्तर २ (समझ), ३ (अनुप्रयोग), र ४ (विश्लेषण) प्रयोग गर्दछ। परियोजनाहरू सिर्जना गर्ने जस्ता वर्गीकरणको उच्च स्तरमा स्रोतहरू हुनुले ज्ञानलाई अझ बलियो बनाउन सक्छ। यसका लागि क्लिनिकल कार्यप्रवाहहरूमा एआई विषयहरू कसरी लागू गर्न सकिन्छ र मानक चिकित्सा पाठ्यक्रममा पहिले नै समावेश गरिएका दोहोरिने विषयहरूको शिक्षणलाई रोक्नको लागि क्लिनिकल विशेषज्ञहरूसँग काम गर्न आवश्यक छ।
एआई प्रयोग गरेर केस स्टडीहरू सिर्जना गर्नुहोस्। क्लिनिकल उदाहरणहरू जस्तै, केस-आधारित सिकाइले क्लिनिकल प्रश्नहरूमा तिनीहरूको सान्दर्भिकता हाइलाइट गरेर अमूर्त अवधारणाहरूलाई सुदृढ पार्न सक्छ। उदाहरणका लागि, एउटा कार्यशाला अध्ययनले प्रयोगशालादेखि क्लिनिकसम्मको बाटोमा चुनौतीहरू पहिचान गर्न गुगलको एआई-आधारित मधुमेह रेटिनोपैथी पत्ता लगाउने प्रणाली १३ को विश्लेषण गर्यो, जस्तै बाह्य प्रमाणीकरण आवश्यकताहरू र नियामक स्वीकृति मार्गहरू।
अनुभवात्मक सिकाइ प्रयोग गर्नुहोस्: प्राविधिक सीपहरूको लागि ध्यान केन्द्रित अभ्यास र मास्टर गर्न बारम्बार प्रयोग आवश्यक पर्दछ, क्लिनिकल प्रशिक्षार्थीहरूको घुमाउरो सिकाइ अनुभवहरू जस्तै। एउटा सम्भावित समाधान फ्लिप गरिएको कक्षाकोठा मोडेल हो, जसले इन्जिनियरिङ शिक्षामा ज्ञान अवधारण सुधार गर्ने रिपोर्ट गरिएको छ14। यस मोडेलमा, विद्यार्थीहरूले सैद्धान्तिक सामग्रीको स्वतन्त्र रूपमा समीक्षा गर्छन् र कक्षाको समय केस स्टडीहरू मार्फत समस्याहरू समाधान गर्न समर्पित हुन्छ।
बहु-विषय सहभागीहरूको लागि स्केलिंग: हामी एआई अपनाउने परिकल्पना गर्छौं जसमा चिकित्सकहरू र विभिन्न स्तरका तालिम भएका सम्बद्ध स्वास्थ्य पेशेवरहरू सहित धेरै विषयहरूमा सहकार्य समावेश छ। त्यसकारण, स्वास्थ्य सेवाका विभिन्न क्षेत्रहरूमा उनीहरूको सामग्री अनुकूलित गर्न विभिन्न विभागका संकायहरूसँग परामर्श गरेर पाठ्यक्रम विकास गर्न आवश्यक पर्न सक्छ।
कृत्रिम बुद्धिमत्ता उच्च-प्रविधि हो र यसको मुख्य अवधारणाहरू गणित र कम्प्युटर विज्ञानसँग सम्बन्धित छन्। कृत्रिम बुद्धिमत्ता बुझ्न स्वास्थ्य सेवा कर्मचारीहरूलाई तालिम दिनुले सामग्री चयन, क्लिनिकल सान्दर्भिकता र वितरण विधिहरूमा अद्वितीय चुनौतीहरू प्रस्तुत गर्दछ। हामी आशा गर्छौं कि शिक्षामा एआई कार्यशालाहरूबाट प्राप्त अन्तर्दृष्टिले भविष्यका शिक्षकहरूलाई चिकित्सा शिक्षामा एआईलाई एकीकृत गर्न नवीन तरिकाहरू अँगाल्न मद्दत गर्नेछ।
गुगल कोल्याबोरेटरी पाइथन स्क्रिप्ट खुला स्रोत हो र https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ मा उपलब्ध छ।
प्रोबर, केजी र खान, एस. चिकित्सा शिक्षामा पुनर्विचार: कार्यको लागि आह्वान। अक्कड। औषधि। ८८, १४०७–१४१० (२०१३)।
म्याककोय, एलजी आदि। मेडिकल विद्यार्थीहरूले कृत्रिम बुद्धिमत्ताको बारेमा वास्तवमा के जान्न आवश्यक छ? NPZh संख्याहरू। चिकित्सा ३, १–३ (२०२०)।
डोस सान्तोस, डीपी, एट अल। कृत्रिम बुद्धिमत्ताप्रति मेडिकल विद्यार्थीहरूको दृष्टिकोण: एक बहुकेन्द्रीय सर्वेक्षण। यूरो। विकिरण। २९, १६४०–१६४६ (२०१९)।
फ्यान, केवाई, हु, आर., र सिंगला, आर. मेडिकल विद्यार्थीहरूको लागि मेसिन लर्निङको परिचय: एक पाइलट परियोजना। जे. मेड. अध्यापन। ५४, १०४२–१०४३ (२०२०)।
कूपरम्यान एन, एट अल। टाउकोमा चोट लागेपछि क्लिनिकली रूपमा महत्त्वपूर्ण मस्तिष्क चोटको धेरै कम जोखिममा रहेका बच्चाहरूको पहिचान: एक सम्भावित समूह अध्ययन। ल्यान्सेट ३७४, ११६०–११७० (२००९)।
स्ट्रिट, WN, वोलबर्ग, WH र मंगासारियन, OL। स्तन ट्यूमर निदानको लागि आणविक विशेषता निकासी। बायोमेडिकल विज्ञान। छवि प्रशोधन। बायोमेडिकल विज्ञान। वीस। १९०५, ८६१–८७० (१९९३)।
चेन, पीएचसी, लिउ, वाई. र पेङ, एल. स्वास्थ्य सेवाको लागि मेसिन लर्निङ मोडेलहरू कसरी विकास गर्ने। नेट. म्याट. १८, ४१०–४१४ (२०१९)।
सेल्वाराजु, आरआर एट अल। ग्राड-क्याम: ग्राडिएन्ट-आधारित स्थानीयकरण मार्फत गहिरो नेटवर्कहरूको दृश्य व्याख्या। कम्प्युटर भिजनमा IEEE अन्तर्राष्ट्रिय सम्मेलनको कार्यवाही, ६१८–६२६ (२०१७)।
कुमारवेल बी, स्टीवर्ट के र इलिक डी। स्नातक चिकित्सा शिक्षामा OSCE प्रयोग गरेर प्रमाण-आधारित चिकित्सा दक्षताहरूको मूल्याङ्कन गर्न सर्पिल मोडेलको विकास र मूल्याङ्कन। BMK चिकित्सा। अध्यापन। २१, १-९ (२०२१)।
कोलाचलामा भीबी र गर्ग पीएस मेसिन लर्निङ र मेडिकल शिक्षा। एनपीजेडएच नम्बरहरू। मेडिसिन। 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)।
टोपोल, ईजे उच्च-प्रदर्शन औषधि: मानव र कृत्रिम बुद्धिमत्ताको अभिसरण। नेसनल मेडिसिन। २५, ४४–५६ (२०१९)।
बेडे, ई. एट अल। मधुमेह रेटिनोप्याथी पत्ता लगाउन क्लिनिकमा तैनाथ गरिएको गहिरो सिकाइ प्रणालीको मानव-केन्द्रित मूल्याङ्कन। कम्प्युटिङ प्रणालीमा मानव कारकहरू (२०२०) मा २०२० CHI सम्मेलनको कार्यवाही।
केर, बी. इन्जिनियरिङ शिक्षामा उल्टो कक्षाकोठा: एक अनुसन्धान समीक्षा। अन्तरक्रियात्मक सहयोगी शिक्षामा २०१५ अन्तर्राष्ट्रिय सम्मेलनको कार्यवाही (२०१५)।
लेखकहरूले ब्रिटिश कोलम्बिया विश्वविद्यालयको बायोमेडिकल इमेजिङ एण्ड आर्टिफिसियल इन्टेलिजेन्स रिसर्च क्लस्टरका डेनियल वाकर, टिम साल्कुडिन र पिटर जान्डस्ट्रालाई सहयोग र कोषको लागि धन्यवाद दिन्छन्।
कार्यशाला शिक्षण सामग्री विकास गर्न RH, PP, ZH, RS र MA जिम्मेवार थिए। प्रोग्रामिङ उदाहरणहरू विकास गर्न RH र PP जिम्मेवार थिए। KYF, OY, MT र PW परियोजनाको रसद संगठन र कार्यशालाहरूको विश्लेषणको लागि जिम्मेवार थिए। RH, OY, MT, RS तथ्याङ्क र तालिकाहरू सिर्जना गर्न जिम्मेवार थिए। RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS कागजातको मस्यौदा र सम्पादन गर्न जिम्मेवार थिए।
कम्युनिकेसन मेडिसिनले यस कार्यको समीक्षामा योगदान पुर्याएकोमा क्यारोलिन म्याकग्रेगर, फाबियो मोरेस र आदित्य बोराकाटीलाई धन्यवाद दिन्छ।
पोस्ट समय: फेब्रुअरी-१९-२०२४