मेडिकल छात्रों को कृत्रिम बुद्धिमत्ता सिखाने पर कनाडाई परिप्रेक्ष्य

Nature.com पर आने के लिए धन्यवाद।आप जिस ब्राउज़र संस्करण का उपयोग कर रहे हैं उसमें सीमित सीएसएस समर्थन है।सर्वोत्तम परिणामों के लिए, हम आपके ब्राउज़र के नए संस्करण का उपयोग करने (या इंटरनेट एक्सप्लोरर में संगतता मोड को बंद करने) की सलाह देते हैं।इस बीच, निरंतर समर्थन सुनिश्चित करने के लिए, हम साइट को बिना स्टाइल या जावास्क्रिप्ट के दिखा रहे हैं।
क्लिनिकल आर्टिफिशियल इंटेलिजेंस (एआई) के अनुप्रयोग 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 बुद्धिमत्ता प्रशिक्षण पाठ्यक्रम का वर्णन करते हैं जिसे हमने कनाडाई मेडिकल छात्रों के लिए विकसित और वितरित किया है और भविष्य के प्रशिक्षण के लिए सिफारिशें की हैं।
चिकित्सा में कृत्रिम बुद्धिमत्ता (एआई) कार्यस्थल की दक्षता में सुधार कर सकती है और नैदानिक ​​​​निर्णय लेने में सहायता कर सकती है।कृत्रिम बुद्धिमत्ता के उपयोग को सुरक्षित रूप से निर्देशित करने के लिए, चिकित्सकों को कृत्रिम बुद्धिमत्ता की कुछ समझ होनी चाहिए।कई टिप्पणियाँ एआई अवधारणाओं1 को पढ़ाने की वकालत करती हैं, जैसे एआई मॉडल और सत्यापन प्रक्रियाओं2 को समझाना।हालाँकि, कुछ संरचित योजनाएँ लागू की गई हैं, विशेषकर 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।मेडिकल 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 मेडिकल छात्रों के तीन समूहों को एआई कार्यशालाओं की एक श्रृंखला प्रदान करने के अपने अनुभव का वर्णन करते हैं और एआई में भविष्य की चिकित्सा शिक्षा के लिए सिफारिशें करते हैं।
मेडिकल छात्रों के लिए मेडिसिन में आर्टिफिशियल इंटेलिजेंस का हमारा पांच सप्ताह का परिचय कार्यशाला फरवरी 2019 और अप्रैल 2021 के बीच तीन बार आयोजित की गई थी। प्रत्येक कार्यशाला के लिए एक कार्यक्रम, पाठ्यक्रम में परिवर्तनों के संक्षिप्त विवरण के साथ, चित्र 1 में दिखाया गया है। हमारे पाठ्यक्रम में है सीखने के तीन प्राथमिक उद्देश्य: छात्र समझते हैं कि कृत्रिम बुद्धिमत्ता अनुप्रयोगों में डेटा को कैसे संसाधित किया जाता है, नैदानिक ​​​​अनुप्रयोगों के लिए कृत्रिम बुद्धिमत्ता साहित्य का विश्लेषण करना, और कृत्रिम बुद्धिमत्ता विकसित करने वाले इंजीनियरों के साथ सहयोग करने के अवसरों का लाभ उठाना।
नीला व्याख्यान का विषय है और हल्का नीला इंटरैक्टिव प्रश्न और उत्तर अवधि है।ग्रे सेक्शन संक्षिप्त साहित्य समीक्षा का फोकस है।नारंगी अनुभाग चयनित केस अध्ययन हैं जो कृत्रिम बुद्धिमत्ता मॉडल या तकनीकों का वर्णन करते हैं।ग्रीन एक निर्देशित प्रोग्रामिंग पाठ्यक्रम है जिसे नैदानिक ​​समस्याओं को हल करने और मॉडलों का मूल्यांकन करने के लिए कृत्रिम बुद्धिमत्ता सिखाने के लिए डिज़ाइन किया गया है।कार्यशालाओं की सामग्री और अवधि छात्रों की जरूरतों के आकलन के आधार पर भिन्न होती है।
पहली कार्यशाला ब्रिटिश कोलंबिया विश्वविद्यालय में फरवरी से अप्रैल 2019 तक आयोजित की गई थी, और सभी 8 प्रतिभागियों ने सकारात्मक प्रतिक्रिया4 दी थी।कोविड-19 के कारण, दूसरी कार्यशाला वस्तुतः अक्टूबर-नवंबर 2020 में आयोजित की गई, जिसमें 8 कनाडाई मेडिकल स्कूलों के 222 मेडिकल छात्रों और 3 निवासियों ने पंजीकरण कराया।प्रेजेंटेशन स्लाइड और कोड एक ओपन एक्सेस साइट (http://ubcaimed.github.io) पर अपलोड कर दिए गए हैं।पहले पुनरावृत्ति की मुख्य प्रतिक्रिया यह थी कि व्याख्यान बहुत गहन थे और सामग्री बहुत सैद्धांतिक थी।कनाडा के छह अलग-अलग समय क्षेत्रों में सेवा प्रदान करना अतिरिक्त चुनौतियाँ पेश करता है।इस प्रकार, दूसरी कार्यशाला ने प्रत्येक सत्र को 1 घंटे तक छोटा कर दिया, पाठ्यक्रम सामग्री को सरल बनाया, अधिक केस अध्ययन जोड़े, और बॉयलरप्लेट प्रोग्राम बनाए जो प्रतिभागियों को न्यूनतम डिबगिंग (बॉक्स 1) के साथ कोड स्निपेट पूरा करने की अनुमति देते थे।दूसरे पुनरावृत्ति 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 वस्तुतः आयोजित हमारी तीसरी कार्यशाला में, हमने परियोजनाओं पर कार्यशाला अवधारणाओं के उपयोग के प्रभाव को प्रदर्शित करने के लिए अधिक इंटरैक्टिव कोडिंग अभ्यास और प्रोजेक्ट फीडबैक सत्र शामिल किए।
डेटा विश्लेषण: सांख्यिकी में अध्ययन का एक क्षेत्र जो डेटा पैटर्न का विश्लेषण, प्रसंस्करण और संचार करके डेटा में सार्थक पैटर्न की पहचान करता है।
डेटा माइनिंग: डेटा को पहचानने और निकालने की प्रक्रिया।कृत्रिम बुद्धिमत्ता के संदर्भ में, यह अक्सर बड़ा होता है, प्रत्येक नमूने के लिए कई चर होते हैं।
आयामीता में कमी: मूल डेटा सेट के महत्वपूर्ण गुणों को संरक्षित करते हुए कई व्यक्तिगत विशेषताओं वाले डेटा को कम सुविधाओं में बदलने की प्रक्रिया।
विशेषताएँ (कृत्रिम बुद्धिमत्ता के संदर्भ में): एक नमूने के मापने योग्य गुण।अक्सर "संपत्ति" या "चर" के साथ परस्पर उपयोग किया जाता है।
ग्रेडिएंट एक्टिवेशन मैप: कृत्रिम बुद्धिमत्ता मॉडल (विशेष रूप से कन्वेन्शनल न्यूरल नेटवर्क) की व्याख्या करने के लिए इस्तेमाल की जाने वाली एक तकनीक, जो डेटा या छवियों के उन क्षेत्रों की पहचान करने के लिए नेटवर्क के अंतिम भाग को अनुकूलित करने की प्रक्रिया का विश्लेषण करती है जो अत्यधिक पूर्वानुमानित हैं।
मानक मॉडल: एक मौजूदा एआई मॉडल जिसे समान कार्य करने के लिए पूर्व-प्रशिक्षित किया गया है।
परीक्षण (कृत्रिम बुद्धिमत्ता के संदर्भ में): यह देखना कि कोई मॉडल उस डेटा का उपयोग करके कैसे 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 नए डेटा का उपयोग करके कार्य करने की अपनी क्षमता को अनुकूलित करने के लिए अपने आंतरिक मापदंडों को समायोजित कर सके।
वेक्टर: डेटा की सरणी.मशीन लर्निंग में, प्रत्येक सरणी तत्व आमतौर पर नमूने की एक अनूठी विशेषता होती है।
तालिका 1 अप्रैल 2021 के लिए नवीनतम पाठ्यक्रमों को सूचीबद्ध करती है, जिसमें प्रत्येक विषय के लिए लक्षित शिक्षण उद्देश्य शामिल हैं।यह कार्यशाला तकनीकी स्तर पर नए लोगों के लिए है और स्नातक चिकित्सा डिग्री के पहले वर्ष से परे किसी भी गणितीय ज्ञान की आवश्यकता नहीं है।यह पाठ्यक्रम 6 मेडिकल छात्रों और इंजीनियरिंग में उन्नत डिग्री वाले 3 शिक्षकों द्वारा विकसित किया गया था।इंजीनियर पढ़ाने के लिए कृत्रिम बुद्धिमत्ता सिद्धांत विकसित कर रहे हैं, और मेडिकल छात्र चिकित्सकीय रूप से प्रासंगिक सामग्री सीख रहे हैं।
कार्यशालाओं में व्याख्यान, केस अध्ययन 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।हालाँकि डेटा विश्लेषण कृत्रिम बुद्धिमत्ता की नींव है, हम डेटा माइनिंग, महत्व परीक्षण या इंटरैक्टिव विज़ुअलाइज़ेशन जैसे विषयों को बाहर रखते हैं।यह समय की कमी के कारण था और इसलिए भी क्योंकि कुछ स्नातक छात्रों के पास बायोस्टैटिस्टिक्स में पूर्व प्रशिक्षण था और वे अधिक अद्वितीय मशीन लर्निंग विषयों को कवर करना चाहते थे।बाद का व्याख्यान आधुनिक तरीकों का परिचय देता है और एआई समस्या निर्माण, एआई मॉडल के फायदे और सीमाएं और मॉडल परीक्षण पर चर्चा करता है।व्याख्यान मौजूदा कृत्रिम बुद्धिमत्ता उपकरणों पर साहित्य और व्यावहारिक अनुसंधान द्वारा पूरक हैं।हम मौजूदा कृत्रिम बुद्धिमत्ता उपकरणों की सीमाओं को समझने सहित नैदानिक ​​प्रश्नों को संबोधित करने के लिए एक मॉडल की प्रभावशीलता और व्यवहार्यता का मूल्यांकन करने के लिए आवश्यक कौशल पर जोर देते हैं।उदाहरण के लिए, हमने छात्रों से कुप्परमैन एट अल द्वारा प्रस्तावित बाल चिकित्सा सिर की चोट दिशानिर्देशों की व्याख्या करने के लिए कहा, 5 जिसने एक चिकित्सक की परीक्षा के आधार पर यह निर्धारित करने के लिए एक कृत्रिम बुद्धिमत्ता निर्णय वृक्ष एल्गोरिदम लागू किया कि क्या सीटी स्कैन उपयोगी होगा।हम इस बात पर जोर देते हैं कि यह एआई का एक सामान्य उदाहरण है जो चिकित्सकों को प्रतिस्थापित करने के बजाय चिकित्सकों को व्याख्या करने के लिए पूर्वानुमानित विश्लेषण प्रदान करता है।
उपलब्ध ओपन सोर्स बूटस्ट्रैप प्रोग्रामिंग उदाहरणों (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) में, हम प्रदर्शित करते हैं कि खोजपूर्ण डेटा विश्लेषण, आयामीता में कमी, मानक मॉडल लोडिंग और प्रशिक्षण कैसे करें .और परीक्षण.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 में चित्र 2 एक प्रोग्रामिंग अभ्यास का एक उदाहरण प्रदान करता है।इस अभ्यास में विस्कॉन्सिन ओपन ब्रेस्ट इमेजिंग डेटासेट6 और एक निर्णय वृक्ष एल्गोरिदम का उपयोग करके घातक बीमारियों की भविष्यवाणी करना शामिल है।
संबंधित विषयों पर पूरे सप्ताह कार्यक्रम प्रस्तुत करें और प्रकाशित एआई अनुप्रयोगों से उदाहरण चुनें।प्रोग्रामिंग तत्वों को केवल तभी शामिल किया जाता है यदि उन्हें भविष्य के नैदानिक ​​​​अभ्यास में अंतर्दृष्टि प्रदान करने के लिए प्रासंगिक माना जाता है, जैसे कि यह निर्धारित करने के लिए मॉडल का मूल्यांकन कैसे करें कि वे नैदानिक ​​​​परीक्षणों में उपयोग के लिए तैयार हैं या नहीं।ये उदाहरण एक संपूर्ण 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 की विविधता.हमारे प्रतिभागियों के गणितीय ज्ञान के स्तर में भिन्नता थी।उदाहरण के लिए, उन्नत इंजीनियरिंग पृष्ठभूमि वाले छात्र अधिक गहन सामग्री की तलाश में हैं, जैसे कि अपने स्वयं के फूरियर रूपांतरण कैसे करें।हालाँकि, कक्षा में फूरियर एल्गोरिदम पर चर्चा करना संभव नहीं है क्योंकि इसके लिए सिग्नल प्रोसेसिंग के गहन ज्ञान की आवश्यकता होती है।
उपस्थिति बहिर्वाह.अनुवर्ती बैठकों में उपस्थिति में गिरावट आई, विशेषकर ऑनलाइन प्रारूपों में।एक समाधान यह हो सकता है कि उपस्थिति पर नज़र रखी जाए और पूर्णता का प्रमाण पत्र प्रदान किया जाए।मेडिकल स्कूल छात्रों की पाठ्येतर शैक्षणिक गतिविधियों की प्रतिलेखों को पहचानने के लिए जाने जाते हैं, जो छात्रों को डिग्री हासिल करने के लिए प्रोत्साहित कर सकते हैं।
पाठ्यक्रम डिजाइन: क्योंकि एआई इतने सारे उपक्षेत्रों तक फैला हुआ 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 निर्माण और सत्यापन को कवर करते हैं, हम बड़े डेटा एनालिटिक्स, इंटरैक्टिव विज़ुअलाइज़ेशन, या एआई क्लिनिकल परीक्षण आयोजित करने जैसे विषयों को शामिल नहीं करते हैं, इसके बजाय हम सबसे अद्वितीय एआई अवधारणाओं पर ध्यान केंद्रित करते हैं।हमारा मार्गदर्शक सिद्धांत साक्षरता में सुधार करना है, कौशल में नहीं।उदाहरण के लिए, यह समझना कि एक मॉडल इनपुट सुविधाओं को कैसे संसाधित करता है, व्याख्या के लिए महत्वपूर्ण है।ऐसा करने का एक तरीका ग्रेडिएंट सक्रियण मानचित्रों का उपयोग करना है, जो यह कल्पना कर सकता है कि डेटा के कौन से क्षेत्र पूर्वानुमानित हैं।हालाँकि, इसके लिए बहुभिन्नरूपी कैलकुलस की आवश्यकता होती है और इसे प्रस्तुत नहीं किया जा सकता8।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 विभिन्न शब्दों का एक ही अर्थ होता है, उदाहरण के लिए, महामारी विज्ञान में, एक "विशेषता" को "चर" या "विशेषता" के रूप में वर्णित किया जाता है।
ज्ञान प्रतिधारण.चूँकि AI का अनुप्रयोग सीमित है, इसलिए यह देखना बाकी है कि प्रतिभागी किस हद तक ज्ञान बरकरार रखते हैं।मेडिकल स्कूल पाठ्यक्रम अक्सर व्यावहारिक घुमाव के दौरान ज्ञान को सुदृढ़ करने के लिए स्थानिक पुनरावृत्ति पर निर्भर करता है,9 जिसे एआई शिक्षा पर भी लागू किया जा सकता है।
व्यावसायिकता साक्षरता से अधिक महत्वपूर्ण है।सामग्री की गहराई गणितीय कठोरता के बिना डिज़ाइन की गई 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 यह समझे कि संपूर्ण प्रोग्रामिंग वातावरण कैसे सेट किया जाए।
कृत्रिम बुद्धिमत्ता के बारे में चिंताओं का समाधान: व्यापक चिंता है कि कृत्रिम बुद्धिमत्ता कुछ नैदानिक ​​कर्तव्यों3 की जगह ले सकती है।इस मुद्दे को हल करने के लिए, हम एआई की सीमाओं की व्याख्या करते हैं, जिसमें यह तथ्य भी शामिल है कि नियामकों द्वारा अनुमोदित लगभग सभी एआई प्रौद्योगिकियों को चिकित्सक पर्यवेक्षण11 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 है12।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 व्याख्यान स्लाइड और कोड सहित सार्वजनिक रूप से उपलब्ध संसाधन बनाए हैं।यद्यपि समय क्षेत्र के कारण सिंक्रोनस सामग्री तक पहुंच सीमित है, ओपन सोर्स सामग्री एसिंक्रोनस सीखने के लिए एक सुविधाजनक तरीका है क्योंकि एआई विशेषज्ञता सभी मेडिकल स्कूलों में उपलब्ध नहीं है।
अंतःविषय सहयोग: यह कार्यशाला मेडिकल छात्रों द्वारा इंजीनियरों के साथ मिलकर पाठ्यक्रम की योजना बनाने के लिए शुरू किया गया एक संयुक्त उद्यम है।यह दोनों क्षेत्रों में सहयोग के अवसरों और ज्ञान अंतराल को प्रदर्शित करता है, जिससे प्रतिभागियों को भविष्य में योगदान करने वाली संभावित भूमिका को समझने की अनुमति मिलती है।
एआई मुख्य दक्षताओं को परिभाषित करें।दक्षताओं की 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 वर्गीकरण के शिक्षण उद्देश्य स्तर 2 (समझ), 3 (अनुप्रयोग), और 4 (विश्लेषण) का उपयोग करती है।वर्गीकरण के उच्च स्तर पर संसाधन होने से, जैसे परियोजनाएँ बनाना, ज्ञान को और मजबूत कर सकता है।इसके लिए क्लिनिकल विशेषज्ञों के साथ काम करने की आवश्यकता है ताकि यह निर्धारित किया जा सके कि एआई विषयों को क्लिनिकल वर्कफ़्लो में कैसे लागू किया जा सकता है और मानक चिकित्सा पाठ्यक्रम में पहले से ही शामिल दोहराव वाले विषयों के शिक्षण को रोका जा सकता 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 अध्ययन ने प्रयोगशाला से क्लिनिक तक के रास्ते में बाहरी सत्यापन आवश्यकताओं और नियामक अनुमोदन मार्गों जैसी चुनौतियों की पहचान करने के लिए Google के AI-आधारित डायबिटिक रेटिनोपैथी डिटेक्शन सिस्टम 13 का विश्लेषण किया।
अनुभवात्मक शिक्षा का उपयोग करें: तकनीकी कौशल में महारत हासिल करने के लिए केंद्रित अभ्यास और बार-बार आवेदन की आवश्यकता होती है, जो नैदानिक ​​​​प्रशिक्षुओं के घूर्णन सीखने के अनुभवों के समान है।एक संभावित समाधान फ़्लिप्ड क्लासरूम मॉडल है, जिसके बारे में बताया गया है कि इससे इंजीनियरिंग शिक्षा में ज्ञान प्रतिधारण में सुधार होगा।इस मॉडल में, छात्र स्वतंत्र रूप से सैद्धांतिक सामग्री की समीक्षा करते हैं और कक्षा का समय केस स्टडीज के माध्यम से समस्याओं को हल करने के लिए समर्पित होता है।
बहु-विषयक प्रतिभागियों के लिए स्केलिंग: हम एआई को अपनाने की कल्पना करते हैं जिसमें विभिन्न विषयों में सहयोग शामिल है, जिसमें विभिन्न स्तरों के प्रशिक्षण वाले चिकित्सक और संबद्ध स्वास्थ्य पेशेवर शामिल हैं।इसलिए, स्वास्थ्य देखभाल के विभिन्न क्षेत्रों के लिए उनकी सामग्री को तैयार करने के लिए विभिन्न विभागों के संकाय के परामर्श से पाठ्यक्रम विकसित करने की आवश्यकता हो सकती है।
आर्टिफिशियल इंटेलिजेंस हाई-टेक है और इसकी मूल अवधारणाएँ गणित और कंप्यूटर विज्ञान से संबंधित हैं।कृत्रिम बुद्धिमत्ता को समझने के लिए स्वास्थ्य देखभाल कर्मियों को प्रशिक्षित करना सामग्री चयन, नैदानिक ​​​​प्रासंगिकता और वितरण विधियों में अद्वितीय चुनौतियाँ प्रस्तुत करता है।हमें उम्मीद है कि शिक्षा कार्यशालाओं में एआई से प्राप्त अंतर्दृष्टि भविष्य के शिक्षकों को चिकित्सा शिक्षा में एआई को एकीकृत करने के नवीन तरीकों को अपनाने में मदद करेगी।
Google Colaboratory Python स्क्रिप्ट खुला स्रोत है और यहां उपलब्ध है: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/।
प्रोबेर, केजी और खान, एस. रीथिंकिंग मेडिकल एजुकेशन: ए कॉल टू एक्शन।अक्कड़.दवा।88, 1407-1410 (2013)।
मैककॉय, एलजी आदि। मेडिकल छात्रों को कृत्रिम बुद्धिमत्ता के बारे में वास्तव में क्या जानने की आवश्यकता है?एनपीजेडएच संख्या।औषधि 3, 1-3 (2020)।
डॉस सैंटोस, डीपी, एट अल।कृत्रिम बुद्धिमत्ता के प्रति मेडिकल छात्रों का दृष्टिकोण: एक बहुकेंद्रीय सर्वेक्षण।यूरो.विकिरण.29, 1640-1646 (2019)।
फैन, केवाई, हू, आर., और सिंगला, आर. मेडिकल छात्रों के लिए मशीन लर्निंग का परिचय: एक पायलट प्रोजेक्ट।जे मेड.पढ़ाना।54, 1042-1043 (2020)।
कूपरमैन एन, एट अल।सिर की चोट के बाद चिकित्सकीय रूप से महत्वपूर्ण मस्तिष्क चोट के बहुत कम जोखिम वाले बच्चों की पहचान करना: एक संभावित समूह अध्ययन।लैंसेट 374, 1160-1170 (2009)।
स्ट्रीट, डब्ल्यूएन, वोल्बर्ग, डब्ल्यूएच और मंगसेरियन, ओएल।स्तन ट्यूमर के 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. स्वास्थ्य देखभाल के लिए मशीन लर्निंग मॉडल कैसे विकसित करें।नेट.मैट.18, 410-414 (2019)।
सेल्वाराजू, आरआर एट अल।ग्रैड-कैम: ग्रेडिएंट-आधारित स्थानीयकरण के माध्यम से गहरे नेटवर्क की दृश्य व्याख्या।कंप्यूटर विजन पर आईईईई अंतर्राष्ट्रीय सम्मेलन 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.पढ़ाना।21, 1-9 (2021)।
कोलाचलमा वीबी और गर्ग पीएस मशीन लर्निंग और चिकित्सा शिक्षा।एनपीजेडएच संख्या।दवा।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, ईजे उच्च प्रदर्शन चिकित्सा: मानव और कृत्रिम बुद्धि का अभिसरण।नेट.दवा।25, 44-56 (2019)।
बेडे, ई. एट अल.डायबिटिक रेटिनोपैथी का पता लगाने के लिए क्लिनिक में तैनात गहन शिक्षण प्रणाली 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।इंटरएक्टिव सहयोगात्मक शिक्षण (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।प्रोग्रामिंग उदाहरणों को विकसित करने के लिए आरएच और पीपी जिम्मेदार थे।केवाईएफ, ओए, एमटी और पीडब्ल्यू परियोजना के लॉजिस्टिक संगठन और कार्यशालाओं के विश्लेषण के लिए जिम्मेदार थे।आरएच, ओए, एमटी, आरएस आंकड़े और तालिकाएँ बनाने के लिए जिम्मेदार थे।RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS दस्तावेज़ का मसौदा तैयार करने और संपादित करने के लिए जिम्मेदार थे।
कम्युनिकेशन मेडिसिन इस कार्य की समीक्षा में योगदान के लिए कैरोलिन मैकग्रेगर, फैबियो मोरेस और आदित्य बोराकाती को धन्यवाद देता है।