मेडिकल छात्रों को कृत्रिम बुद्धिमत्ता सिखाने पर कनाडाई परिप्रेक्ष्य

Nature.com पर जाने के लिए धन्यवाद। आपके द्वारा उपयोग किए जा रहे ब्राउज़र का संस्करण सीमित सीएसएस समर्थन है। सर्वोत्तम परिणामों के लिए, हम आपके ब्राउज़र के एक नए संस्करण का उपयोग करने की सलाह देते हैं (या इंटरनेट एक्सप्लोरर में संगतता मोड को बंद करना)। इस बीच, चल रहे समर्थन को सुनिश्चित करने के लिए, हम स्टाइल या जावास्क्रिप्ट के बिना साइट दिखा रहे हैं।
क्लिनिकल आर्टिफिशियल इंटेलिजेंस (एआई) के एप्लिकेशन तेजी से बढ़ रहे हैं, लेकिन मौजूदा मेडिकल स्कूल पाठ्यक्रम इस क्षेत्र को कवर करने वाले सीमित शिक्षण की पेशकश करते हैं। यहां हम एक कृत्रिम खुफिया प्रशिक्षण पाठ्यक्रम का वर्णन करते हैं जिसे हमने कनाडाई मेडिकल छात्रों को विकसित और वितरित किया है और भविष्य के प्रशिक्षण के लिए सिफारिशें करते हैं।
चिकित्सा में आर्टिफिशियल इंटेलिजेंस (एआई) कार्यस्थल दक्षता में सुधार कर सकता है और नैदानिक ​​निर्णय लेने में सहायता कर सकता है। कृत्रिम बुद्धिमत्ता के उपयोग को सुरक्षित रूप से मार्गदर्शन करने के लिए, चिकित्सकों को कृत्रिम बुद्धिमत्ता की कुछ समझ होनी चाहिए। कई टिप्पणियां AI अवधारणाओं को पढ़ाने की वकालत करती हैं, जैसे कि AI मॉडल और सत्यापन प्रक्रियाओं की व्याख्या करना 2। हालांकि, कुछ संरचित योजनाएं लागू की गई हैं, खासकर राष्ट्रीय स्तर पर। पिंटो डॉस सैंटोस एट अल .3। 263 मेडिकल छात्रों का सर्वेक्षण किया गया और 71% सहमत हुए कि उन्हें कृत्रिम बुद्धिमत्ता में प्रशिक्षण की आवश्यकता है। एक चिकित्सा दर्शकों को कृत्रिम बुद्धिमत्ता सिखाने के लिए सावधानीपूर्वक डिजाइन की आवश्यकता होती है जो उन छात्रों के लिए तकनीकी और गैर-तकनीकी अवधारणाओं को जोड़ती है जिनके पास अक्सर व्यापक पूर्व ज्ञान होता है। हम अपने अनुभव का वर्णन करते हैं कि वे मेडिकल छात्रों के तीन समूहों को एआई कार्यशालाओं की एक श्रृंखला प्रदान करें और एआई में भविष्य की चिकित्सा शिक्षा के लिए सिफारिशें करें।
मेडिकल वर्कशॉप इन मेडिसिन वर्कशॉप इन मेडिसिन वर्कशॉप में आर्टिफिशियल इंटेलिजेंस का हमारा पांच सप्ताह का परिचय फरवरी 2019 और अप्रैल 2021 के बीच तीन बार आयोजित किया गया था। प्रत्येक कार्यशाला के लिए एक शेड्यूल, पाठ्यक्रम में परिवर्तनों के संक्षिप्त विवरण के साथ, चित्रा 1 में दिखाया गया है। हमारे पाठ्यक्रम में दिखाया गया है। तीन प्राथमिक सीखने के उद्देश्य: छात्र समझते हैं कि कैसे डेटा आर्टिफिशियल इंटेलिजेंस अनुप्रयोगों में संसाधित किया जाता है, नैदानिक ​​अनुप्रयोगों के लिए कृत्रिम खुफिया साहित्य का विश्लेषण करते हैं, और कृत्रिम बुद्धिमत्ता विकसित करने वाले इंजीनियरों के साथ सहयोग करने के अवसरों का लाभ उठाते हैं।
ब्लू व्याख्यान का विषय है और हल्का नीला इंटरैक्टिव प्रश्न और उत्तर अवधि है। ग्रे सेक्शन ब्रीफ लिटरेचर रिव्यू का फोकस है। ऑरेंज सेक्शन का चयन किया जाता है जो कृत्रिम बुद्धिमत्ता मॉडल या तकनीकों का वर्णन करते हैं। ग्रीन एक निर्देशित प्रोग्रामिंग कोर्स है जिसे नैदानिक ​​समस्याओं को हल करने और मॉडल का मूल्यांकन करने के लिए कृत्रिम बुद्धिमत्ता सिखाने के लिए डिज़ाइन किया गया है। कार्यशालाओं की सामग्री और अवधि छात्र की जरूरतों के आकलन के आधार पर भिन्न होती है।
पहली कार्यशाला फरवरी से अप्रैल 2019 तक ब्रिटिश कोलंबिया विश्वविद्यालय में आयोजित की गई थी, और सभी 8 प्रतिभागियों ने सकारात्मक प्रतिक्रिया दी। COVID-19 के कारण, दूसरी कार्यशाला लगभग अक्टूबर-नवंबर 2020 में आयोजित की गई थी, जिसमें 222 मेडिकल छात्रों और 8 कनाडाई मेडिकल स्कूलों के 3 निवासियों के साथ पंजीकरण किया गया था। प्रेजेंटेशन स्लाइड्स और कोड को एक ओपन एक्सेस साइट (http://ubcaimed.github.io) पर अपलोड किया गया है। पहले पुनरावृत्ति से प्रमुख प्रतिक्रिया यह थी कि व्याख्यान बहुत तीव्र थे और सामग्री बहुत सैद्धांतिक थी। कनाडा के छह अलग -अलग समय क्षेत्रों की सेवा करने से अतिरिक्त चुनौतियां हैं। इस प्रकार, दूसरी कार्यशाला ने प्रत्येक सत्र को 1 घंटे तक छोटा कर दिया, पाठ्यक्रम सामग्री को सरल बनाया, अधिक केस स्टडी जोड़े, और बॉयलरप्लेट कार्यक्रम बनाए जो प्रतिभागियों को न्यूनतम डिबगिंग (बॉक्स 1) के साथ कोड स्निपेट को पूरा करने की अनुमति देते थे। दूसरे पुनरावृत्ति से मुख्य प्रतिक्रिया में प्रोग्रामिंग अभ्यास पर सकारात्मक प्रतिक्रिया और मशीन लर्निंग प्रोजेक्ट के लिए योजना का प्रदर्शन करने का अनुरोध शामिल था। इसलिए, हमारी तीसरी कार्यशाला में, मार्च-अप्रैल 2021 में 126 मेडिकल छात्रों के लिए वस्तुतः आयोजित किया गया, हमने परियोजनाओं पर कार्यशाला अवधारणाओं का उपयोग करने के प्रभाव को प्रदर्शित करने के लिए अधिक इंटरैक्टिव कोडिंग अभ्यास और परियोजना प्रतिक्रिया सत्रों को शामिल किया।
डेटा विश्लेषण: आंकड़ों में अध्ययन का एक क्षेत्र जो डेटा पैटर्न का विश्लेषण, प्रसंस्करण और संचार करके डेटा में सार्थक पैटर्न की पहचान करता है।
डेटा खनन: डेटा की पहचान और निकालने की प्रक्रिया। कृत्रिम बुद्धिमत्ता के संदर्भ में, यह अक्सर बड़ा होता है, प्रत्येक नमूने के लिए कई चर के साथ।
आयामीता में कमी: मूल डेटा सेट के महत्वपूर्ण गुणों को संरक्षित करते हुए कई व्यक्तिगत सुविधाओं के साथ डेटा को कम सुविधाओं में बदलने की प्रक्रिया।
विशेषताएं (कृत्रिम बुद्धिमत्ता के संदर्भ में): एक नमूने के औसत दर्जे का गुण। अक्सर "संपत्ति" या "चर" के साथ परस्पर उपयोग किया जाता है।
ढाल सक्रियण मानचित्र: एक तकनीक जो कृत्रिम बुद्धिमत्ता मॉडल (विशेष रूप से दृढ़ तंत्रिका नेटवर्क) की व्याख्या करने के लिए उपयोग की जाती है, जो डेटा या छवियों के क्षेत्रों की पहचान करने के लिए नेटवर्क के अंतिम भाग को अनुकूलित करने की प्रक्रिया का विश्लेषण करती है जो अत्यधिक पूर्वानुमान हैं।
मानक मॉडल: एक मौजूदा एआई मॉडल जिसे समान कार्यों को करने के लिए पूर्व-प्रशिक्षित किया गया है।
परीक्षण (आर्टिफिशियल इंटेलिजेंस के संदर्भ में): यह देखना कि कैसे एक मॉडल डेटा का उपयोग करके एक कार्य करता है, जिसका उसने पहले सामना नहीं किया है।
प्रशिक्षण (कृत्रिम बुद्धिमत्ता के संदर्भ में): डेटा और परिणामों के साथ एक मॉडल प्रदान करना ताकि मॉडल अपने आंतरिक मापदंडों को समायोजित करे ताकि नए डेटा का उपयोग करके कार्यों को करने की अपनी क्षमता का अनुकूलन किया जा सके।
वेक्टर: डेटा की सरणी। मशीन लर्निंग में, प्रत्येक सरणी तत्व आमतौर पर नमूने की एक अनूठी विशेषता है।
तालिका 1 अप्रैल 2021 के लिए नवीनतम पाठ्यक्रमों को सूचीबद्ध करता है, जिसमें प्रत्येक विषय के लिए लक्षित सीखने के उद्देश्य शामिल हैं। यह कार्यशाला उन नए लोगों के लिए तकनीकी स्तर पर है और उन्हें स्नातक चिकित्सा डिग्री के पहले वर्ष से परे किसी भी गणितीय ज्ञान की आवश्यकता नहीं है। यह पाठ्यक्रम 6 मेडिकल छात्रों और 3 शिक्षकों द्वारा इंजीनियरिंग में उन्नत डिग्री के साथ विकसित किया गया था। इंजीनियर सिखाने के लिए कृत्रिम बुद्धिमत्ता सिद्धांत विकसित कर रहे हैं, और मेडिकल छात्र नैदानिक ​​रूप से प्रासंगिक सामग्री सीख रहे हैं।
कार्यशालाओं में व्याख्यान, केस स्टडी और निर्देशित प्रोग्रामिंग शामिल हैं। पहले व्याख्यान में, हम बायोस्टैटिस्टिक्स में डेटा विश्लेषण की चयनित अवधारणाओं की समीक्षा करते हैं, जिसमें डेटा विज़ुअलाइज़ेशन, लॉजिस्टिक रिग्रेशन और वर्णनात्मक और आगमनात्मक आंकड़ों की तुलना शामिल है। यद्यपि डेटा विश्लेषण कृत्रिम बुद्धिमत्ता की नींव है, हम डेटा खनन, महत्व परीक्षण, या इंटरैक्टिव विज़ुअलाइज़ेशन जैसे विषयों को बाहर करते हैं। यह समय की कमी के कारण था और इसलिए भी क्योंकि कुछ स्नातक छात्रों ने बायोस्टैटिस्टिक्स में पूर्व प्रशिक्षण लिया था और वे अधिक अद्वितीय मशीन सीखने के विषयों को कवर करना चाहते थे। बाद के व्याख्यान आधुनिक तरीकों का परिचय देते हैं और एआई समस्या निर्माण, फायदे और एआई मॉडल की सीमाओं और मॉडल परीक्षण पर चर्चा करते हैं। व्याख्यान मौजूदा कृत्रिम बुद्धिमत्ता उपकरणों पर साहित्य और व्यावहारिक अनुसंधान द्वारा पूरक हैं। हम नैदानिक ​​प्रश्नों को संबोधित करने के लिए एक मॉडल की प्रभावशीलता और व्यवहार्यता का मूल्यांकन करने के लिए आवश्यक कौशल पर जोर देते हैं, जिसमें मौजूदा कृत्रिम बुद्धिमत्ता उपकरणों की सीमाओं को समझना शामिल है। उदाहरण के लिए, हमने छात्रों को कुपरमैन एट अल।, 5 द्वारा प्रस्तावित बाल चिकित्सा सिर की चोट दिशानिर्देशों की व्याख्या करने के लिए कहा, जिसने यह निर्धारित करने के लिए एक कृत्रिम खुफिया निर्णय ट्री एल्गोरिथ्म को लागू किया कि क्या एक सीटी स्कैन एक चिकित्सक की परीक्षा के आधार पर उपयोगी होगा। हम इस बात पर जोर देते हैं कि यह एआई का एक सामान्य उदाहरण है जो चिकित्सकों को चिकित्सकों को बदलने के बजाय चिकित्सकों को व्याख्या करने के लिए भविष्य कहनेवाला विश्लेषण प्रदान करता है।
उपलब्ध ओपन सोर्स बूटस्ट्रैप प्रोग्रामिंग उदाहरणों में (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_example । और परीक्षण। हम Google Colaboratory नोटबुक (Google LLC, माउंटेन व्यू, CA) का उपयोग करते हैं, जो पायथन कोड को वेब ब्राउज़र से निष्पादित करने की अनुमति देता है। अंजीर में। चित्रा 2 एक प्रोग्रामिंग अभ्यास का एक उदाहरण प्रदान करता है। इस अभ्यास में विस्कॉन्सिन ओपन ब्रेस्ट इमेजिंग डेटासेट 6 और एक डिसीजन ट्री एल्गोरिथ्म का उपयोग करके विकृतियों की भविष्यवाणी करना शामिल है।
संबंधित विषयों पर सप्ताह भर में कार्यक्रम प्रस्तुत करें और प्रकाशित एआई अनुप्रयोगों से उदाहरणों का चयन करें। प्रोग्रामिंग तत्वों को केवल तभी शामिल किया जाता है जब उन्हें भविष्य के नैदानिक ​​अभ्यास में अंतर्दृष्टि प्रदान करने के लिए प्रासंगिक माना जाता है, जैसे कि मॉडल का मूल्यांकन कैसे करें ताकि यह निर्धारित किया जा सके कि क्या वे नैदानिक ​​परीक्षणों में उपयोग के लिए तैयार हैं। ये उदाहरण एक पूर्ण-एंड-टू-एंड एप्लिकेशन में समाप्त होते हैं जो ट्यूमर को चिकित्सा छवि मापदंडों के आधार पर सौम्य या घातक के रूप में वर्गीकृत करता है।
पूर्व ज्ञान की विषमता। हमारे प्रतिभागी गणितीय ज्ञान के अपने स्तर में भिन्न हैं। उदाहरण के लिए, उन्नत इंजीनियरिंग पृष्ठभूमि वाले छात्र अधिक गहराई से सामग्री की तलाश कर रहे हैं, जैसे कि अपने स्वयं के फूरियर ट्रांसफ़ॉर्म का प्रदर्शन कैसे करें। हालांकि, कक्षा में फूरियर एल्गोरिथ्म पर चर्चा करना संभव नहीं है क्योंकि इसके लिए सिग्नल प्रोसेसिंग के गहन ज्ञान की आवश्यकता है।
उपस्थिति बहिर्वाह। अनुवर्ती बैठकों में उपस्थिति में गिरावट आई, विशेष रूप से ऑनलाइन प्रारूपों में। एक समाधान उपस्थिति को ट्रैक करने और पूरा होने का प्रमाण पत्र प्रदान करने के लिए हो सकता है। मेडिकल स्कूलों को छात्रों की अतिरिक्त शैक्षणिक गतिविधियों के टेप को पहचानने के लिए जाना जाता है, जो छात्रों को डिग्री हासिल करने के लिए प्रोत्साहित कर सकते हैं।
पाठ्यक्रम डिजाइन: क्योंकि एआई इतने सारे उपक्षेत्रों को फैलाता है, उचित गहराई और चौड़ाई की मुख्य अवधारणाओं का चयन करना चुनौतीपूर्ण हो सकता है। उदाहरण के लिए, प्रयोगशाला से क्लिनिक तक एआई उपकरणों के उपयोग की निरंतरता एक महत्वपूर्ण विषय है। जबकि हम डेटा प्रीप्रोसेसिंग, मॉडल बिल्डिंग और सत्यापन को कवर करते हैं, हम बड़े डेटा एनालिटिक्स, इंटरैक्टिव विज़ुअलाइज़ेशन, या एआई क्लिनिकल ट्रायल का संचालन करने जैसे विषयों को शामिल नहीं करते हैं, इसके बजाय हम सबसे अनोखी एआई अवधारणाओं पर ध्यान केंद्रित करते हैं। हमारा मार्गदर्शक सिद्धांत साक्षरता में सुधार करना है, कौशल नहीं। उदाहरण के लिए, यह समझना कि कैसे एक मॉडल प्रोसेस इनपुट सुविधाएँ व्याख्याता के लिए महत्वपूर्ण है। ऐसा करने का एक तरीका ग्रेडिएंट सक्रियण मानचित्रों का उपयोग करना है, जो कल्पना कर सकता है कि डेटा के कौन से क्षेत्र अनुमानित हैं। हालाँकि, इसके लिए मल्टीवेरेट कैलकुलस की आवश्यकता होती है और इसे पेश नहीं किया जा सकता है। एक सामान्य शब्दावली विकसित करना चुनौतीपूर्ण था क्योंकि हम यह समझाने की कोशिश कर रहे थे कि गणितीय औपचारिकता के बिना वैक्टर के रूप में डेटा के साथ कैसे काम किया जाए। ध्यान दें कि अलग -अलग शब्दों का एक ही अर्थ है, उदाहरण के लिए, महामारी विज्ञान में, एक "विशेषता" को "चर" या "विशेषता" के रूप में वर्णित किया गया है।
ज्ञान प्रतिधारण। क्योंकि एआई का आवेदन सीमित है, प्रतिभागियों को ज्ञान बनाए रखने के लिए किस हद तक देखा जाना बाकी है। मेडिकल स्कूल पाठ्यक्रम अक्सर व्यावहारिक रोटेशन के दौरान ज्ञान को सुदृढ़ करने के लिए स्थान पर दोहराव पर भरोसा करता है, 9 जिसे एआई शिक्षा पर भी लागू किया जा सकता है।
व्यावसायिकता साक्षरता से अधिक महत्वपूर्ण है। सामग्री की गहराई को गणितीय कठोरता के बिना डिज़ाइन किया गया है, जो कृत्रिम बुद्धिमत्ता में नैदानिक ​​पाठ्यक्रम शुरू करते समय एक समस्या थी। प्रोग्रामिंग उदाहरणों में, हम एक टेम्प्लेट प्रोग्राम का उपयोग करते हैं जो प्रतिभागियों को फ़ील्ड भरने और सॉफ़्टवेयर को चलाने की अनुमति देता है, बिना यह पता लगाने के लिए कि कैसे एक पूर्ण प्रोग्रामिंग वातावरण सेट करें।
आर्टिफिशियल इंटेलिजेंस के बारे में चिंताओं को संबोधित किया गया: इस बात की व्यापक चिंता है कि कृत्रिम बुद्धिमत्ता कुछ नैदानिक ​​कर्तव्यों को बदल सकती है। इस मुद्दे को संबोधित करने के लिए, हम एआई की सीमाओं को समझाते हैं, इस तथ्य सहित कि नियामकों द्वारा अनुमोदित लगभग सभी एआई प्रौद्योगिकियों को चिकित्सक पर्यवेक्षण 11 की आवश्यकता होती है। हम पूर्वाग्रह के महत्व पर भी जोर देते हैं क्योंकि एल्गोरिदम पूर्वाग्रह से ग्रस्त हैं, खासकर यदि डेटा सेट विविध नहीं है। नतीजतन, एक निश्चित उपसमूह को गलत तरीके से तैयार किया जा सकता है, जिससे अनुचित नैदानिक ​​निर्णय हो सकते हैं।
संसाधन सार्वजनिक रूप से उपलब्ध हैं: हमने सार्वजनिक रूप से उपलब्ध संसाधन बनाए हैं, जिसमें व्याख्यान स्लाइड और कोड शामिल हैं। यद्यपि समय क्षेत्रों के कारण सिंक्रोनस सामग्री तक पहुंच सीमित है, ओपन सोर्स सामग्री अतुल्यकालिक सीखने के लिए एक सुविधाजनक तरीका है क्योंकि एआई विशेषज्ञता सभी मेडिकल स्कूलों में उपलब्ध नहीं है।
अंतःविषय सहयोग: यह कार्यशाला एक संयुक्त उद्यम है जिसे मेडिकल छात्रों द्वारा इंजीनियरों के साथ मिलकर पाठ्यक्रम की योजना बनाने के लिए शुरू किया गया है। यह दोनों क्षेत्रों में सहयोग के अवसरों और ज्ञान अंतराल को प्रदर्शित करता है, जिससे प्रतिभागियों को भविष्य में उन संभावित भूमिका को समझने की अनुमति मिलती है जो वे भविष्य में योगदान कर सकते हैं।
AI कोर दक्षताओं को परिभाषित करें। दक्षताओं की एक सूची को परिभाषित करना एक मानकीकृत संरचना प्रदान करता है जिसे मौजूदा योग्यता-आधारित चिकित्सा पाठ्यक्रम में एकीकृत किया जा सकता है। यह कार्यशाला वर्तमान में ब्लूम के टैक्सोनॉमी के लर्निंग ऑब्जेक्टिव लेवल्स 2 (समझ), 3 (एप्लिकेशन), और 4 (विश्लेषण) का उपयोग करती है। वर्गीकरण के उच्च स्तर पर संसाधन होने, जैसे कि परियोजनाएं बनाना, ज्ञान को और मजबूत कर सकता है। इसके लिए नैदानिक ​​विशेषज्ञों के साथ काम करने की आवश्यकता होती है ताकि यह निर्धारित किया जा सके कि एआई विषयों को नैदानिक ​​वर्कफ़्लोज़ पर कैसे लागू किया जा सकता है और मानक चिकित्सा पाठ्यक्रम में पहले से शामिल दोहराए जाने वाले विषयों के शिक्षण को रोकना है।
एआई का उपयोग करके केस स्टडी बनाएं। नैदानिक ​​उदाहरणों के समान, केस-आधारित शिक्षा नैदानिक ​​प्रश्नों के लिए उनकी प्रासंगिकता को उजागर करके अमूर्त अवधारणाओं को सुदृढ़ कर सकती है। उदाहरण के लिए, एक कार्यशाला के अध्ययन ने Google के AI- आधारित डायबिटिक रेटिनोपैथी डिटेक्शन सिस्टम 13 का विश्लेषण किया, ताकि लैब से क्लिनिक तक की चुनौतियों की पहचान की जा सके, जैसे कि बाहरी सत्यापन आवश्यकताओं और नियामक अनुमोदन मार्ग।
अनुभवात्मक सीखने का उपयोग करें: तकनीकी कौशल को नैदानिक ​​प्रशिक्षुओं के घूर्णन सीखने के अनुभवों के समान मास्टर करने के लिए केंद्रित अभ्यास और बार -बार आवेदन की आवश्यकता होती है। एक संभावित समाधान फ़्लिप क्लासरूम मॉडल है, जिसे इंजीनियरिंग एजुकेशन 14 में ज्ञान प्रतिधारण में सुधार करने के लिए सूचित किया गया है। इस मॉडल में, छात्र स्वतंत्र रूप से सैद्धांतिक सामग्री की समीक्षा करते हैं और कक्षा का समय केस स्टडी के माध्यम से समस्याओं को हल करने के लिए समर्पित है।
बहु -विषयक प्रतिभागियों के लिए स्केलिंग: हम एआई को अपनाने की कल्पना करते हैं, जिसमें कई विषयों में सहयोग शामिल है, जिसमें चिकित्सकों और संबद्ध स्वास्थ्य पेशेवरों को प्रशिक्षण के अलग -अलग स्तरों के साथ शामिल किया गया है। इसलिए, स्वास्थ्य देखभाल के विभिन्न क्षेत्रों में अपनी सामग्री को दर्जी करने के लिए विभिन्न विभागों से संकाय के परामर्श से पाठ्यक्रम विकसित करने की आवश्यकता हो सकती है।
आर्टिफिशियल इंटेलिजेंस हाई-टेक है और इसकी मुख्य अवधारणाएं गणित और कंप्यूटर विज्ञान से संबंधित हैं। आर्टिफिशियल इंटेलिजेंस को समझने के लिए हेल्थकेयर कर्मियों को ट्रेनिंग हेल्थकेयर कर्मियों को सामग्री चयन, नैदानिक ​​प्रासंगिकता और वितरण विधियों में अद्वितीय चुनौतियां प्रस्तुत करती हैं। हमें उम्मीद है कि एआई में शिक्षा कार्यशालाओं में प्राप्त अंतर्दृष्टि भविष्य के शिक्षकों को एआई को चिकित्सा शिक्षा में एकीकृत करने के लिए अभिनव तरीकों को गले लगाने में मदद करेगी।
Google Colaboratory Python स्क्रिप्ट खुला स्रोत है और उपलब्ध है: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/।
प्रोबेर, केजी और खान, एस। रीथिंकिंग मेडिकल एजुकेशन: ए कॉल टू एक्शन। अक्कद। दवा। 88, 1407–1410 (2013)।
मैककॉय, एलजी आदि। मेडिकल छात्रों को वास्तव में कृत्रिम बुद्धिमत्ता के बारे में क्या जानने की जरूरत है? Npzh संख्या। दवा 3, 1-3 (2020)।
डॉस सैंटोस, डीपी, एट अल। आर्टिफिशियल इंटेलिजेंस की ओर मेडिकल छात्रों का दृष्टिकोण: एक बहुस्तरीय सर्वेक्षण। यूरो। विकिरण। 29, 1640-1646 (2019)।
फैन, केवाई, हू, आर।, और सिंगला, आर। मेडिकल छात्रों के लिए मशीन लर्निंग का परिचय: एक पायलट परियोजना। जे। मेड। पढ़ाना। 54, 1042–1043 (2020)।
कोपरमैन एन, एट अल। सिर की चोट के बाद नैदानिक ​​रूप से महत्वपूर्ण मस्तिष्क की चोट के बहुत कम जोखिम वाले बच्चों की पहचान करना: एक संभावित कोहोर्ट अध्ययन। लैंसेट 374, 1160–1170 (2009)।
स्ट्रीट, डब्ल्यूएन, वोलबर्ग, डब्ल्यूएच और मंगासेरियन, ओएल। स्तन ट्यूमर निदान के लिए परमाणु सुविधा निष्कर्षण। जैव चिकित्सा विज्ञान। मूर्ति प्रोद्योगिकी। जैव चिकित्सा विज्ञान। वीस। 1905, 861-870 (1993)।
चेन, पीएचसी, लियू, वाई। और पेंग, एल। हेल्थकेयर के लिए मशीन लर्निंग मॉडल कैसे विकसित करें। नट। मैट। 18, 410-414 (2019)।
सेल्वराजू, आरआर एट अल। ग्रेड-कैम: ग्रेडिएंट-आधारित स्थानीयकरण के माध्यम से गहरे नेटवर्क की दृश्य व्याख्या। कंप्यूटर विजन पर IEEE अंतर्राष्ट्रीय सम्मेलन की कार्यवाही, 618-626 (2017)।
कुमारवेल बी, स्टीवर्ट के और इलिक डी। विकास और एक सर्पिल मॉडल का मूल्यांकन अंडरग्रेजुएट मेडिकल एजुकेशन में ओएससीई का उपयोग करके साक्ष्य-आधारित चिकित्सा दक्षताओं का आकलन करने के लिए। बीएमके दवा। पढ़ाना। 21, 1-9 (2021)।
कोलाचलमा वीबी और गर्ग पीएस मशीन लर्निंग एंड मेडिकल एजुकेशन। Npzh संख्या। दवा। 1, 1-3 (2018)।
वैन लीउवेन, केजी, शलेकैंप, एस।, रुट्टेन, एमजे, वैन गिनेकेन, बी। और डी रोय, एम। आर्टिफिशियल इंटेलिजेंस इन रेडियोलॉजी: 100 वाणिज्यिक उत्पाद और उनके वैज्ञानिक साक्ष्य। यूरो। विकिरण। 31, 3797–3804 (2021)।
टोपोल, ईजे हाई-परफॉर्मेंस मेडिसिन: द कन्वर्जेंस ऑफ ह्यूमन एंड आर्टिफिशियल इंटेलिजेंस। नट। दवा। 25, 44-56 (2019)।
बेडे, ई। एट अल। डायबिटिक रेटिनोपैथी का पता लगाने के लिए क्लिनिक में तैनात एक गहरी शिक्षण प्रणाली का मानव-केंद्रित मूल्यांकन। कंप्यूटिंग सिस्टम (2020) में मानव कारकों पर 2020 सीएचआई सम्मेलन की कार्यवाही।
केर, बी। इंजीनियरिंग शिक्षा में फ़्लिप क्लासरूम: एक शोध समीक्षा। इंटरएक्टिव कोलाबोरेटिव लर्निंग (2015) पर 2015 अंतर्राष्ट्रीय सम्मेलन की कार्यवाही।
लेखक समर्थन और फंडिंग के लिए ब्रिटिश कोलंबिया विश्वविद्यालय में बायोमेडिकल इमेजिंग और आर्टिफिशियल इंटेलिजेंस रिसर्च क्लस्टर से डेनिएल वॉकर, टिम सालकुडिन और पीटर ज़ैंडस्ट्रा को धन्यवाद देते हैं।
आरएच, पीपी, जेडएच, आरएस और एमए कार्यशाला शिक्षण सामग्री विकसित करने के लिए जिम्मेदार थे। आरएच और पीपी प्रोग्रामिंग उदाहरणों को विकसित करने के लिए जिम्मेदार थे। KYF, OY, MT और PW परियोजना के लॉजिस्टिक संगठन और कार्यशालाओं के विश्लेषण के लिए जिम्मेदार थे। आरएच, ओय, एमटी, आरएस आंकड़े और टेबल बनाने के लिए जिम्मेदार थे। आरएच, केवाईएफ, पीपी, जेडएच, ओय, एमई, पीडब्लू, टीएल, एमए, आरएस दस्तावेज़ को प्रारूपित और संपादित करने के लिए जिम्मेदार थे।
संचार चिकित्सा धन्यवाद कैरोलिन मैकग्रेगर, फैबियो मोरेस, और आदित्य बोरकती इस काम की समीक्षा में उनके योगदान के लिए।