मेडिकल छात्रों को कृत्रिम बुद्धिमत्ता पढ़ाने पर कनाडाई दृष्टिकोण

Nature.com पर आने के लिए धन्यवाद। आपके ब्राउज़र के संस्करण में CSS का सीमित समर्थन है। बेहतर परिणामों के लिए, हम आपको ब्राउज़र का नया संस्करण उपयोग करने (या इंटरनेट एक्सप्लोरर में संगतता मोड बंद करने) की सलाह देते हैं। फिलहाल, निरंतर समर्थन सुनिश्चित करने के लिए, हम साइट को बिना स्टाइलिंग या जावास्क्रिप्ट के प्रदर्शित कर रहे हैं।
क्लिनिकल आर्टिफिशियल इंटेलिजेंस (एआई) के अनुप्रयोग तेजी से बढ़ रहे हैं, लेकिन मौजूदा मेडिकल स्कूलों के पाठ्यक्रम में इस क्षेत्र को कवर करने वाली शिक्षा सीमित है। यहां हम एक आर्टिफिशियल इंटेलिजेंस प्रशिक्षण पाठ्यक्रम का वर्णन करते हैं जिसे हमने विकसित किया और कनाडाई मेडिकल छात्रों को प्रदान किया, साथ ही भविष्य के प्रशिक्षण के लिए कुछ सुझाव भी देते हैं।
चिकित्सा क्षेत्र में कृत्रिम बुद्धिमत्ता (एआई) कार्यस्थल की कार्यकुशलता में सुधार कर सकती है और नैदानिक ​​निर्णय लेने में सहायता प्रदान कर सकती है। कृत्रिम बुद्धिमत्ता के सुरक्षित उपयोग के लिए चिकित्सकों को इसकी कुछ समझ होनी चाहिए। कई टिप्पणियाँ एआई अवधारणाओं को पढ़ाने की वकालत करती हैं, जैसे कि एआई मॉडल और सत्यापन प्रक्रियाओं की व्याख्या करना।¹ हालाँकि, विशेष रूप से राष्ट्रीय स्तर पर, कुछ ही सुनियोजित योजनाएँ लागू की गई हैं। पिंटो डॉस सैंटोस एट अल.³ ने 263 मेडिकल छात्रों का सर्वेक्षण किया और 71% ने सहमति व्यक्त की कि उन्हें कृत्रिम बुद्धिमत्ता में प्रशिक्षण की आवश्यकता है। चिकित्सा क्षेत्र के छात्रों को कृत्रिम बुद्धिमत्ता सिखाने के लिए एक सावधानीपूर्वक योजना की आवश्यकता होती है जो तकनीकी और गैर-तकनीकी अवधारणाओं को जोड़ती है, क्योंकि छात्रों को अक्सर पहले से ही इसका व्यापक ज्ञान होता है। हम मेडिकल छात्रों के तीन समूहों को एआई कार्यशालाओं की एक श्रृंखला आयोजित करने के अपने अनुभव का वर्णन करते हैं और एआई में भविष्य की चिकित्सा शिक्षा के लिए सिफारिशें प्रस्तुत करते हैं।
चिकित्सा छात्रों के लिए हमारा पांच सप्ताह का "चिकित्सा में कृत्रिम बुद्धिमत्ता का परिचय" कार्यशाला फरवरी 2019 और अप्रैल 2021 के बीच तीन बार आयोजित किया गया था। प्रत्येक कार्यशाला का कार्यक्रम, पाठ्यक्रम में हुए परिवर्तनों के संक्षिप्त विवरण के साथ, चित्र 1 में दिखाया गया है। हमारे पाठ्यक्रम के तीन प्राथमिक शिक्षण उद्देश्य हैं: छात्र यह समझते हैं कि कृत्रिम बुद्धिमत्ता अनुप्रयोगों में डेटा को कैसे संसाधित किया जाता है, नैदानिक ​​अनुप्रयोगों के लिए कृत्रिम बुद्धिमत्ता साहित्य का विश्लेषण करते हैं, और कृत्रिम बुद्धिमत्ता विकसित करने वाले इंजीनियरों के साथ सहयोग करने के अवसरों का लाभ उठाते हैं।
नीला भाग व्याख्यान का विषय है और हल्का नीला भाग प्रश्नोत्तर सत्र के लिए है। धूसर भाग संक्षिप्त साहित्य समीक्षा पर केंद्रित है। नारंगी भाग कृत्रिम बुद्धिमत्ता मॉडल या तकनीकों का वर्णन करने वाले चयनित केस स्टडीज़ हैं। हरा भाग नैदानिक ​​समस्याओं को हल करने और मॉडलों का मूल्यांकन करने के लिए कृत्रिम बुद्धिमत्ता सिखाने हेतु डिज़ाइन किया गया एक निर्देशित प्रोग्रामिंग पाठ्यक्रम है। कार्यशालाओं की विषयवस्तु और अवधि छात्रों की आवश्यकताओं के आकलन के आधार पर भिन्न-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 थी। कोविड-19 के कारण, दूसरी कार्यशाला अक्टूबर-नवंबर 2020 में ऑनलाइन आयोजित की गई, जिसमें कनाडा के 8 मेडिकल स्कूलों के 222 मेडिकल छात्रों और 3 रेजिडेंट डॉक्टरों ने पंजीकरण कराया। प्रस्तुति स्लाइड और कोड एक ओपन एक्सेस साइट (http://ubcaimed.github.io) पर अपलोड कर दिए गए हैं। पहले चरण की मुख्य प्रतिक्रिया यह थी कि व्याख्यान बहुत गहन थे और सामग्री बहुत सैद्धांतिक थी। कनाडा के छह अलग-अलग समय क्षेत्रों को ध्यान में रखना अतिरिक्त चुनौतियां पेश करता है। इसलिए, दूसरी कार्यशाला में प्रत्येक सत्र को 1 घंटे का कर दिया गया, पाठ्यक्रम सामग्री को सरल बनाया गया, अधिक केस स्टडी जोड़ी गईं, और ऐसे बॉयलरप्लेट प्रोग्राम बनाए गए जिनसे प्रतिभागियों को न्यूनतम डिबगिंग के साथ कोड स्निपेट पूरा करने में मदद मिली (बॉक्स 1)। दूसरे चरण की मुख्य प्रतिक्रिया में प्रोग्रामिंग अभ्यासों पर सकारात्मक प्रतिक्रिया और मशीन लर्निंग प्रोजेक्ट के लिए योजना प्रदर्शित करने का अनुरोध शामिल था। इसलिए, मार्च-अप्रैल 2021 में 126 मेडिकल छात्रों के लिए वर्चुअल रूप से आयोजित हमारी तीसरी कार्यशाला में, हमने कार्यशाला की अवधारणाओं को परियोजनाओं पर लागू करने के प्रभाव को प्रदर्शित करने के लिए अधिक इंटरैक्टिव कोडिंग अभ्यास और परियोजना प्रतिक्रिया सत्र शामिल किए।
डेटा विश्लेषण: सांख्यिकी के अध्ययन का एक क्षेत्र जो डेटा पैटर्न का विश्लेषण, प्रसंस्करण और संचार करके डेटा में सार्थक पैटर्न की पहचान करता है।
डेटा माइनिंग: डेटा की पहचान करने और उसे निकालने की प्रक्रिया। कृत्रिम बुद्धिमत्ता के संदर्भ में, यह अक्सर विशाल होता है, जिसमें प्रत्येक नमूने के लिए कई चर होते हैं।
आयाम में कमी: कई व्यक्तिगत विशेषताओं वाले डेटा को कम विशेषताओं में बदलने की प्रक्रिया, जिसमें मूल डेटा सेट के महत्वपूर्ण गुणों को संरक्षित रखा जाता है।
विशेषताएँ (कृत्रिम बुद्धिमत्ता के संदर्भ में): किसी नमूने के मापने योग्य गुण। अक्सर "गुण" या "चर" के साथ एक दूसरे के स्थान पर प्रयोग किया जाता है।
ग्रेडिएंट एक्टिवेशन मैप: कृत्रिम बुद्धिमत्ता मॉडल (विशेष रूप से कनवोल्यूशनल न्यूरल नेटवर्क) की व्याख्या करने के लिए उपयोग की जाने वाली एक तकनीक, जो अत्यधिक पूर्वानुमानित डेटा या छवियों के क्षेत्रों की पहचान करने के लिए नेटवर्क के अंतिम भाग को अनुकूलित करने की प्रक्रिया का विश्लेषण करती है।
मानक मॉडल: एक मौजूदा एआई मॉडल जिसे समान कार्यों को करने के लिए पहले से प्रशिक्षित किया गया है।
परीक्षण (कृत्रिम बुद्धिमत्ता के संदर्भ में): यह देखना कि कोई मॉडल ऐसे डेटा का उपयोग करके किसी कार्य को कैसे करता है जिसका सामना उसने पहले कभी नहीं किया है।
प्रशिक्षण (कृत्रिम बुद्धिमत्ता के संदर्भ में): किसी मॉडल को डेटा और परिणाम प्रदान करना ताकि मॉडल नए डेटा का उपयोग करके कार्यों को करने की अपनी क्षमता को अनुकूलित करने के लिए अपने आंतरिक मापदंडों को समायोजित कर सके।
वेक्टर: डेटा का एक ऐरे। मशीन लर्निंग में, ऐरे का प्रत्येक तत्व आमतौर पर सैंपल की एक अनूठी विशेषता होती है।
तालिका 1 में अप्रैल 2021 के नवीनतम पाठ्यक्रमों की सूची दी गई है, जिसमें प्रत्येक विषय के लिए लक्षित शिक्षण उद्देश्य शामिल हैं। यह कार्यशाला तकनीकी स्तर पर नए लोगों के लिए है और इसमें स्नातक चिकित्सा डिग्री के पहले वर्ष से आगे के गणितीय ज्ञान की आवश्यकता नहीं है। इस पाठ्यक्रम को 6 मेडिकल छात्रों और इंजीनियरिंग में उच्च डिग्री प्राप्त 3 शिक्षकों द्वारा विकसित किया गया है। इंजीनियर कृत्रिम बुद्धिमत्ता के सिद्धांत को विकसित कर रहे हैं और मेडिकल छात्र चिकित्सकीय रूप से प्रासंगिक सामग्री सीख रहे हैं।
कार्यशालाओं में व्याख्यान, केस स्टडी और निर्देशित प्रोग्रामिंग शामिल हैं। पहले व्याख्यान में, हम जैवसांख्यिकी में डेटा विश्लेषण की चुनिंदा अवधारणाओं की समीक्षा करते हैं, जिनमें डेटा विज़ुअलाइज़ेशन, लॉजिस्टिक रिग्रेशन और वर्णनात्मक और आगमनात्मक सांख्यिकी की तुलना शामिल है। यद्यपि डेटा विश्लेषण कृत्रिम बुद्धिमत्ता का आधार है, हम डेटा माइनिंग, सार्थकता परीक्षण या इंटरैक्टिव विज़ुअलाइज़ेशन जैसे विषयों को शामिल नहीं करते हैं। इसका कारण समय की कमी और कुछ स्नातक छात्रों का जैवसांख्यिकी में पूर्व प्रशिक्षण था और वे मशीन लर्निंग के अधिक विशिष्ट विषयों को कवर करना चाहते थे। अगले व्याख्यान में आधुनिक विधियों का परिचय दिया जाता है और एआई समस्या निर्माण, एआई मॉडल के लाभ और सीमाएं, और मॉडल परीक्षण पर चर्चा की जाती है। व्याख्यानों को मौजूदा कृत्रिम बुद्धिमत्ता उपकरणों पर साहित्य और व्यावहारिक अनुसंधान द्वारा पूरक किया जाता है। 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 से कुपरमैन एट अल., 5 द्वारा प्रस्तावित बाल चिकित्सा सिर की चोट के दिशानिर्देशों की व्याख्या करने के लिए कहा, जिसमें एक चिकित्सक की परीक्षा के आधार पर सीटी स्कैन उपयोगी होगा या नहीं, यह निर्धारित करने के लिए एक कृत्रिम बुद्धिमत्ता निर्णय वृक्ष एल्गोरिथम लागू किया गया था। हम इस बात पर जोर देते हैं कि यह एआई द्वारा चिकित्सकों को व्याख्या करने के लिए भविष्यसूचक विश्लेषण प्रदान करने का एक सामान्य उदाहरण है, न कि चिकित्सकों को प्रतिस्थापित करने का।
उपलब्ध ओपन सोर्स बूटस्ट्रैप प्रोग्रामिंग उदाहरणों (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) में, हम एक्सप्लोरेटरी डेटा विश्लेषण, डाइमेंशनलिटी रिडक्शन, स्टैंडर्ड मॉडल लोडिंग और ट्रेनिंग एवं टेस्टिंग करने का तरीका दिखाते हैं। हम Google Colaboratory नोटबुक (Google LLC, माउंटेन व्यू, CA) का उपयोग करते हैं, जो वेब ब्राउज़र से पायथन कोड को निष्पादित करने की अनुमति देता है। चित्र 2 में एक प्रोग्रामिंग अभ्यास का उदाहरण दिया गया है। इस अभ्यास में विस्कॉन्सिन ओपन ब्रेस्ट इमेजिंग डेटासेट6 और एक डिसीजन ट्री एल्गोरिदम का उपयोग करके कैंसर की भविष्यवाणी करना शामिल है।
सप्ताहभर संबंधित विषयों पर कार्यक्रम प्रस्तुत करें और प्रकाशित एआई अनुप्रयोगों से उदाहरण चुनें। प्रोग्रामिंग तत्वों को तभी शामिल किया जाएगा जब वे भविष्य की नैदानिक ​​प्रक्रियाओं में अंतर्दृष्टि प्रदान करने के लिए प्रासंगिक माने जाएं, जैसे कि मॉडल का मूल्यांकन करके यह निर्धारित करना कि वे नैदानिक ​​परीक्षणों में उपयोग के लिए तैयार हैं या नहीं। ये उदाहरण अंततः एक पूर्ण विकसित एंड-टू-एंड एप्लिकेशन में परिणत होते हैं जो चिकित्सा छवि मापदंडों के आधार पर ट्यूमर को सौम्य या घातक के रूप में वर्गीकृत करता है।
पूर्व ज्ञान में विविधता। हमारे प्रतिभागियों के गणितीय ज्ञान का स्तर भिन्न-भिन्न था। उदाहरण के लिए, उन्नत इंजीनियरिंग पृष्ठभूमि वाले छात्र अधिक गहन सामग्री की तलाश में थे, जैसे कि स्वयं फूरियर रूपांतरण कैसे करें। हालांकि, कक्षा में फूरियर एल्गोरिदम पर चर्चा करना संभव नहीं है क्योंकि इसके लिए सिग्नल प्रोसेसिंग के गहन ज्ञान की आवश्यकता होती है।
उपस्थिति में कमी। अनुवर्ती बैठकों में उपस्थिति घटी, विशेषकर ऑनलाइन प्रारूपों में। इसका एक समाधान उपस्थिति का रिकॉर्ड रखना और पूर्णता प्रमाणपत्र प्रदान करना हो सकता है। मेडिकल स्कूल छात्रों की पाठ्येतर शैक्षणिक गतिविधियों के ट्रांसक्रिप्ट को मान्यता देते हैं, जिससे छात्रों को डिग्री हासिल करने के लिए प्रोत्साहन मिल सकता है।
पाठ्यक्रम डिज़ाइन: चूंकि कृत्रिम बुद्धिमत्ता (AI) कई उपक्षेत्रों में फैली हुई है, इसलिए उचित गहराई और व्यापकता वाले मुख्य अवधारणाओं का चयन करना चुनौतीपूर्ण हो सकता है। उदाहरण के लिए, प्रयोगशाला से लेकर क्लिनिक तक AI उपकरणों के निरंतर उपयोग का विषय महत्वपूर्ण है। डेटा प्रीप्रोसेसिंग, मॉडल निर्माण और सत्यापन को कवर करते हुए, हम बिग डेटा एनालिटिक्स, इंटरैक्टिव विज़ुअलाइज़ेशन या AI नैदानिक ​​परीक्षणों के संचालन जैसे विषयों को शामिल नहीं करते हैं, बल्कि हम सबसे विशिष्ट AI अवधारणाओं पर ध्यान केंद्रित करते हैं। हमारा मार्गदर्शक सिद्धांत साक्षरता में सुधार करना है, न कि कौशल में। उदाहरण के लिए, यह समझना कि कोई मॉडल इनपुट विशेषताओं को कैसे संसाधित करता है, व्याख्यात्मकता के लिए महत्वपूर्ण है। ऐसा करने का एक तरीका ग्रेडिएंट एक्टिवेशन मैप्स का उपयोग करना है, जो यह दर्शा सकता है कि डेटा के कौन से क्षेत्र पूर्वानुमानित हैं। हालांकि, इसके लिए बहुभिन्नरूपी कैलकुलस की आवश्यकता होती है और इसे पाठ्यक्रम में शामिल नहीं किया जा सकता है। एक सामान्य शब्दावली विकसित करना चुनौतीपूर्ण था क्योंकि हम गणितीय औपचारिकता के बिना डेटा को वैक्टर के रूप में कैसे काम करना है, यह समझाने की कोशिश कर रहे थे। ध्यान दें कि विभिन्न शब्दों का अर्थ समान होता है, उदाहरण के लिए, महामारी विज्ञान में, एक "विशेषता" को "चर" या "गुण" के रूप में वर्णित किया जाता है।
ज्ञान प्रतिधारण। चूंकि एआई का अनुप्रयोग सीमित है, इसलिए प्रतिभागियों द्वारा ज्ञान को बनाए रखने की क्षमता अभी देखी जानी बाकी है। मेडिकल स्कूल के पाठ्यक्रम अक्सर व्यावहारिक रोटेशन के दौरान ज्ञान को सुदृढ़ करने के लिए अंतरालित पुनरावृत्ति पर निर्भर करते हैं,9 जिसे एआई शिक्षा पर भी लागू किया जा सकता है।
साक्षरता से अधिक व्यावसायिकता महत्वपूर्ण है। विषयवस्तु की गहराई को गणितीय कठोरता के बिना तैयार किया गया है, जो कृत्रिम बुद्धिमत्ता में नैदानिक ​​पाठ्यक्रम शुरू करते समय एक समस्या थी। प्रोग्रामिंग उदाहरणों में, हम एक टेम्पलेट प्रोग्राम का उपयोग करते हैं जो प्रतिभागियों को फ़ील्ड भरने और सॉफ़्टवेयर चलाने की अनुमति देता है, बिना उन्हें पूर्ण प्रोग्रामिंग वातावरण स्थापित करने का तरीका समझने की आवश्यकता के।
कृत्रिम बुद्धिमत्ता से जुड़ी चिंताओं का समाधान: व्यापक रूप से यह चिंता है कि कृत्रिम बुद्धिमत्ता कुछ नैदानिक ​​कार्यों को प्रतिस्थापित कर सकती है।³ इस मुद्दे को संबोधित करने के लिए, हम एआई की सीमाओं को स्पष्ट करते हैं, जिसमें यह तथ्य भी शामिल है कि नियामकों द्वारा अनुमोदित लगभग सभी एआई प्रौद्योगिकियों के लिए चिकित्सक की देखरेख आवश्यक है।¹¹ हम पूर्वाग्रह के महत्व पर भी बल देते हैं क्योंकि एल्गोरिदम पूर्वाग्रह से ग्रस्त होते हैं, विशेष रूप से यदि डेटा सेट विविध न हो।¹² परिणामस्वरूप, एक निश्चित उपसमूह का गलत मॉडल तैयार किया जा सकता है, जिससे अनुचित नैदानिक ​​निर्णय हो सकते हैं।
संसाधन सार्वजनिक रूप से उपलब्ध हैं: हमने व्याख्यान स्लाइड और कोड सहित सार्वजनिक रूप से उपलब्ध संसाधन बनाए हैं। यद्यपि समय क्षेत्रों के कारण समकालिक सामग्री तक पहुंच सीमित है, फिर भी ओपन सोर्स सामग्री अतुल्यकालिक शिक्षण का एक सुविधाजनक तरीका है क्योंकि एआई विशेषज्ञता सभी मेडिकल स्कूलों में उपलब्ध नहीं है।
अंतःविषयक सहयोग: यह कार्यशाला चिकित्सा छात्रों और इंजीनियरों द्वारा संयुक्त रूप से पाठ्यक्रम तैयार करने के लिए शुरू की गई एक पहल है। यह दोनों क्षेत्रों में सहयोग के अवसरों और ज्ञान की कमियों को दर्शाती है, जिससे प्रतिभागियों को भविष्य में अपनी संभावित भूमिका को समझने में मदद मिलती है।
एआई की मुख्य दक्षताओं को परिभाषित करें। दक्षताओं की एक सूची परिभाषित करने से एक मानकीकृत संरचना प्राप्त होती है जिसे मौजूदा दक्षता-आधारित चिकित्सा पाठ्यक्रमों में एकीकृत किया जा सकता है। यह कार्यशाला वर्तमान में ब्लूम के वर्गीकरण के अधिगम उद्देश्य स्तर 2 (समझ), 3 (अनुप्रयोग) और 4 (विश्लेषण) का उपयोग करती है। उच्च स्तर के वर्गीकरण पर संसाधन, जैसे कि परियोजना निर्माण, ज्ञान को और मजबूत कर सकते हैं। इसके लिए नैदानिक ​​विशेषज्ञों के साथ मिलकर यह निर्धारित करना आवश्यक है कि एआई विषयों को नैदानिक ​​कार्यप्रवाह में कैसे लागू किया जा सकता है और मानक चिकित्सा पाठ्यक्रमों में पहले से शामिल दोहराव वाले विषयों को पढ़ाने से कैसे बचा जा सकता है।
कृत्रिम बुद्धिमत्ता का उपयोग करके केस स्टडी तैयार करें। नैदानिक ​​उदाहरणों की तरह, केस-आधारित शिक्षण नैदानिक ​​प्रश्नों के लिए उनकी प्रासंगिकता को उजागर करके अमूर्त अवधारणाओं को सुदृढ़ कर सकता है। उदाहरण के लिए, एक कार्यशाला अध्ययन ने प्रयोगशाला से क्लिनिक तक के मार्ग में आने वाली चुनौतियों, जैसे कि बाहरी सत्यापन आवश्यकताओं और नियामक अनुमोदन प्रक्रियाओं की पहचान करने के लिए Google की कृत्रिम बुद्धिमत्ता-आधारित मधुमेह रेटिनोपैथी पहचान प्रणाली 13 का विश्लेषण किया।
अनुभवात्मक अधिगम का उपयोग करें: तकनीकी कौशल में महारत हासिल करने के लिए केंद्रित अभ्यास और बार-बार प्रयोग की आवश्यकता होती है, जो नैदानिक ​​प्रशिक्षुओं के घूर्णनशील अधिगम अनुभवों के समान है। एक संभावित समाधान फ़्लिप्ड क्लासरूम मॉडल है, जिसके बारे में इंजीनियरिंग शिक्षा में ज्ञान प्रतिधारण में सुधार की रिपोर्ट की गई है14। इस मॉडल में, छात्र सैद्धांतिक सामग्री की स्वतंत्र रूप से समीक्षा करते हैं और कक्षा का समय केस स्टडी के माध्यम से समस्याओं को हल करने में व्यतीत होता है।
बहुविषयक प्रतिभागियों के लिए अनुकूलन: हम एआई को अपनाने में कई विषयों के सहयोग की कल्पना करते हैं, जिसमें विभिन्न स्तरों के प्रशिक्षण वाले चिकित्सक और संबद्ध स्वास्थ्य पेशेवर शामिल हैं। इसलिए, विभिन्न विभागों के संकाय सदस्यों के परामर्श से पाठ्यक्रम विकसित करने की आवश्यकता हो सकती है ताकि उनकी सामग्री को स्वास्थ्य देखभाल के विभिन्न क्षेत्रों के अनुरूप बनाया जा सके।
कृत्रिम बुद्धिमत्ता एक उच्च-तकनीकी तकनीक है और इसके मूल सिद्धांत गणित और कंप्यूटर विज्ञान से संबंधित हैं। स्वास्थ्य कर्मियों को कृत्रिम बुद्धिमत्ता को समझने का प्रशिक्षण देना विषयवस्तु के चयन, नैदानिक ​​प्रासंगिकता और वितरण विधियों के संदर्भ में अनूठी चुनौतियाँ प्रस्तुत करता है। हमें आशा है कि शिक्षा में कृत्रिम बुद्धिमत्ता कार्यशालाओं से प्राप्त अंतर्दृष्टि भावी शिक्षकों को चिकित्सा शिक्षा में कृत्रिम बुद्धिमत्ता को एकीकृत करने के नवीन तरीकों को अपनाने में मदद करेगी।
गूगल कोलाबोरेटरी पायथन स्क्रिप्ट ओपन सोर्स है और https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ पर उपलब्ध है।
प्रोबर, के.जी. और खान, एस. चिकित्सा शिक्षा पर पुनर्विचार: कार्रवाई के लिए एक आह्वान। अक्कड़. चिकित्सा. 88, 1407–1410 (2013)।
मैककॉय, एलजी आदि। मेडिकल छात्रों को कृत्रिम बुद्धिमत्ता के बारे में वास्तव में क्या जानने की आवश्यकता है? एनपीजेडएच संख्याएँ। मेडिसिन 3, 1-3 (2020)।
डोस सैंटोस, डीपी, एट अल। कृत्रिम बुद्धिमत्ता के प्रति मेडिकल छात्रों का दृष्टिकोण: एक बहुकेंद्रीय सर्वेक्षण। यूरो. विकिरण. 29, 1640–1646 (2019)।
फैन, के.वाई., हू, आर., और सिंगला, आर. मेडिकल छात्रों के लिए मशीन लर्निंग का परिचय: एक पायलट प्रोजेक्ट। जे. मेड. टीच. 54, 1042–1043 (2020)।
कूपरमैन एन, एट अल। सिर की चोट के बाद चिकित्सकीय रूप से महत्वपूर्ण मस्तिष्क क्षति के बहुत कम जोखिम वाले बच्चों की पहचान: एक संभावित समूह अध्ययन। लैंसेट 374, 1160-1170 (2009)।
स्ट्रीट, डब्ल्यूएन, वोल्बर्ग, डब्ल्यूएच और मंगसारियन, ओएल। स्तन ट्यूमर निदान के लिए परमाणु विशेषता निष्कर्षण। बायोमेडिकल साइंस। इमेज प्रोसेसिंग। बायोमेडिकल साइंस। वीस। 1905, 861–870 (1993)।
चेन, पीएचसी, लियू, वाई. और पेंग, एल. स्वास्थ्य सेवा के लिए मशीन लर्निंग मॉडल कैसे विकसित करें। नेट. मैट. 18, 410–414 (2019)।
सेल्वाराजू, आर.आर. एट अल. ग्रेड-कैम: ग्रेडिएंट-आधारित स्थानीयकरण के माध्यम से डीप नेटवर्क की दृश्य व्याख्या। आई.ई.ई.ई. इंटरनेशनल कॉन्फ्रेंस ऑन कंप्यूटर विज़न की कार्यवाही, 618–626 (2017)।
कुमारवेल बी, स्टीवर्ट के और इलिक डी. स्नातक चिकित्सा शिक्षा में ओएससीई का उपयोग करके साक्ष्य-आधारित चिकित्सा दक्षताओं का आकलन करने के लिए एक सर्पिल मॉडल का विकास और मूल्यांकन। बीएमके मेडिसिन. टीच. 21, 1–9 (2021)।
कोलाचलमा वीबी और गार्ग पीएस मशीन लर्निंग और चिकित्सा शिक्षा। एन.पी.जेड.एच. संख्याएँ। चिकित्सा। 1, 1–3 (2018)।
वैन लीउवेन, केजी, शालेकैंप, एस., रटन, एमजे, वैन गिन्नकेन, बी. और डी रूय, एम. रेडियोलॉजी में कृत्रिम बुद्धिमत्ता: 100 वाणिज्यिक उत्पाद और उनके वैज्ञानिक साक्ष्य। यूरो. विकिरण. 31, 3797-3804 (2021)।
टोपोल, ई.जे. उच्च-प्रदर्शन चिकित्सा: मानव और कृत्रिम बुद्धिमत्ता का अभिसरण। नेट. मेडिसिन. 25, 44–56 (2019)।
बेडे, ई. एट अल. मधुमेह रेटिनोपैथी का पता लगाने के लिए क्लिनिक में तैनात डीप लर्निंग सिस्टम का मानव-केंद्रित मूल्यांकन। कंप्यूटिंग सिस्टम में मानव कारकों पर 2020 सीएचआई सम्मेलन की कार्यवाही (2020)।
केर, बी. इंजीनियरिंग शिक्षा में फ़्लिप्ड क्लासरूम: एक शोध समीक्षा। 2015 इंटरनेशनल कॉन्फ्रेंस ऑन इंटरेक्टिव कोलैबोरेटिव लर्निंग (2015) की कार्यवाही।
लेखक ब्रिटिश कोलंबिया विश्वविद्यालय में बायोमेडिकल इमेजिंग और आर्टिफिशियल इंटेलिजेंस रिसर्च क्लस्टर के डेनियल वॉकर, टिम सालकुडिन और पीटर ज़ैंडस्ट्रा को उनके सहयोग और वित्तीय सहायता के लिए धन्यवाद देते हैं।
RH, PP, ZH, RS और MA कार्यशाला की शिक्षण सामग्री विकसित करने के लिए जिम्मेदार थे। RH और PP प्रोग्रामिंग उदाहरण विकसित करने के लिए जिम्मेदार थे। KYF, OY, MT और PW परियोजना के लॉजिस्टिकल संगठन और कार्यशालाओं के विश्लेषण के लिए जिम्मेदार थे। RH, OY, MT और RS आंकड़े और सारणियां बनाने के लिए जिम्मेदार थे। RH, KYF, PP, ZH, OY, MY, PW, TL, MA और RS दस्तावेज़ का मसौदा तैयार करने और संपादित करने के लिए जिम्मेदार थे।
कम्युनिकेशन मेडिसिन इस कार्य की समीक्षा में योगदान देने के लिए कैरोलिन मैकग्रेगर, फैबियो मोरेस और आदित्य बोराकाटी को धन्यवाद देता है।