वैद्यकीय विद्यार्थ्यांना कृत्रिम बुद्धिमत्ता शिकवण्याचा कॅनेडियन दृष्टीकोन

Nature.com ला भेट दिल्याबद्दल धन्यवाद.तुम्ही वापरत असलेल्या ब्राउझरच्या आवृत्तीमध्ये मर्यादित CSS सपोर्ट आहे.सर्वोत्तम परिणामांसाठी, आम्ही तुमच्या ब्राउझरची नवीन आवृत्ती वापरण्याची शिफारस करतो (किंवा Internet Explorer मधील सुसंगतता मोड बंद करा).दरम्यान, चालू असलेल्या समर्थनाची खात्री करण्यासाठी, आम्ही स्टाईल किंवा JavaScript शिवाय साइट दाखवत आहोत.
क्लिनिकल आर्टिफिशियल इंटेलिजन्स (AI) चे ऍप्लिकेशन्स झपाट्याने वाढत आहेत, परंतु विद्यमान वैद्यकीय शाळेचा अभ्यासक्रम या क्षेत्राला मर्यादित शिकवण्याची ऑफर देतो.येथे आम्ही एका कृत्रिम बुद्धिमत्ता प्रशिक्षण अभ्यासक्रमाचे वर्णन करतो जो आम्ही विकसित केला आणि कॅनेडियन वैद्यकीय विद्यार्थ्यांना वितरित केला आणि भविष्यातील प्रशिक्षणासाठी शिफारसी करतो.
औषधातील कृत्रिम बुद्धिमत्ता (AI) कामाच्या ठिकाणी कार्यक्षमता सुधारू शकते आणि वैद्यकीय निर्णय घेण्यास मदत करू शकते.कृत्रिम बुद्धिमत्तेच्या वापरासाठी सुरक्षितपणे मार्गदर्शन करण्यासाठी, चिकित्सकांना कृत्रिम बुद्धिमत्तेची काही समज असणे आवश्यक आहे.अनेक टिप्पण्या AI संकल्पना शिकवण्याचे समर्थन करतात, जसे की AI मॉडेल्स आणि सत्यापन प्रक्रिया स्पष्ट करणे2.तथापि, काही संरचित योजना राबविण्यात आल्या आहेत, विशेषतः राष्ट्रीय स्तरावर.पिंटो डॉस सँटोस आणि इतर.3.263 वैद्यकीय विद्यार्थ्यांचे सर्वेक्षण करण्यात आले आणि 71% लोकांनी मान्य केले की त्यांना कृत्रिम बुद्धिमत्तेचे प्रशिक्षण आवश्यक आहे.वैद्यकीय प्रेक्षकांना कृत्रिम बुद्धिमत्ता शिकवण्यासाठी काळजीपूर्वक डिझाइनची आवश्यकता असते ज्यात तांत्रिक आणि गैर-तांत्रिक संकल्पना एकत्रित केलेल्या विद्यार्थ्यांसाठी ज्यांना बऱ्याचदा पूर्वीचे ज्ञान असते.आम्ही वैद्यकीय विद्यार्थ्यांच्या तीन गटांना AI कार्यशाळांची मालिका वितरीत करण्याच्या आमच्या अनुभवाचे वर्णन करतो आणि AI मध्ये भविष्यातील वैद्यकीय शिक्षणासाठी शिफारस करतो.
वैद्यकीय विद्यार्थ्यांसाठी आमची पाच आठवड्यांची इंट्रोडक्शन टू मेडिसिन मधील कृत्रिम बुद्धिमत्ता कार्यशाळा फेब्रुवारी 2019 ते एप्रिल 2021 दरम्यान तीन वेळा आयोजित करण्यात आली होती. प्रत्येक कार्यशाळेचे वेळापत्रक, अभ्यासक्रमातील बदलांचे संक्षिप्त वर्णन आकृती 1 मध्ये दाखवले आहे. आमच्या अभ्यासक्रमात तीन प्राथमिक शिक्षण उद्दिष्टे: विद्यार्थ्यांना आर्टिफिशियल इंटेलिजन्स ऍप्लिकेशन्समध्ये डेटावर प्रक्रिया कशी केली जाते हे समजते, क्लिनिकल ऍप्लिकेशन्ससाठी आर्टिफिशियल इंटेलिजन्स साहित्याचे विश्लेषण करतात आणि कृत्रिम बुद्धिमत्ता विकसित करणाऱ्या अभियंत्यांशी सहयोग करण्याच्या संधींचा लाभ घ्यावा.
निळा हा व्याख्यानाचा विषय आहे आणि हलका निळा हा संवादात्मक प्रश्नोत्तरांचा कालावधी आहे.राखाडी विभाग हा संक्षिप्त साहित्य समीक्षेचा केंद्रबिंदू आहे.केशरी विभाग हे निवडक केस स्टडी आहेत जे कृत्रिम बुद्धिमत्ता मॉडेल्स किंवा तंत्रांचे वर्णन करतात.ग्रीन हा एक मार्गदर्शित प्रोग्रामिंग कोर्स आहे जो क्लिनिकल समस्या सोडवण्यासाठी आणि मॉडेल्सचे मूल्यांकन करण्यासाठी कृत्रिम बुद्धिमत्ता शिकवण्यासाठी डिझाइन केलेला आहे.विद्यार्थ्यांच्या गरजांच्या मूल्यांकनावर आधारित कार्यशाळांची सामग्री आणि कालावधी बदलतो.
पहिली कार्यशाळा ब्रिटिश कोलंबिया विद्यापीठात फेब्रुवारी ते एप्रिल 2019 मध्ये आयोजित करण्यात आली होती आणि सर्व 8 सहभागींनी सकारात्मक अभिप्राय दिला होता4.COVID-19 मुळे, दुसरी कार्यशाळा अक्षरशः ऑक्टोबर-नोव्हेंबर 2020 मध्ये आयोजित करण्यात आली होती, ज्यामध्ये 222 वैद्यकीय विद्यार्थी आणि 8 कॅनेडियन वैद्यकीय शाळांमधील 3 रहिवाशांनी नोंदणी केली होती.प्रेझेंटेशन स्लाइड्स आणि कोड ओपन ऍक्सेस साइटवर अपलोड केले गेले आहेत (http://ubcaimed.github.io).पहिल्या पुनरावृत्तीचा मुख्य अभिप्राय असा होता की व्याख्याने खूप तीव्र होती आणि सामग्री खूप सैद्धांतिक होती.कॅनडाच्या सहा वेगवेगळ्या टाइम झोनमध्ये सेवा देणे अतिरिक्त आव्हाने आहेत.अशा प्रकारे, दुसऱ्या कार्यशाळेने प्रत्येक सत्र 1 तासापर्यंत लहान केले, अभ्यासक्रमाचे साहित्य सोपे केले, अधिक केस स्टडी जोडले आणि बॉयलरप्लेट प्रोग्राम तयार केले ज्याने सहभागींना कमीतकमी डीबगिंगसह कोड स्निपेट पूर्ण करण्यास अनुमती दिली (बॉक्स 1).दुसऱ्या पुनरावृत्तीच्या मुख्य अभिप्रायामध्ये प्रोग्रामिंग व्यायामांवर सकारात्मक अभिप्राय आणि मशीन लर्निंग प्रकल्पासाठी नियोजन प्रदर्शित करण्याची विनंती समाविष्ट आहे.म्हणून, मार्च-एप्रिल 2021 मध्ये 126 वैद्यकीय विद्यार्थ्यांसाठी अक्षरशः आयोजित केलेल्या आमच्या तिसऱ्या कार्यशाळेत, आम्ही प्रकल्पांवर कार्यशाळेच्या संकल्पनांचा वापर करण्याचा प्रभाव दाखवण्यासाठी अधिक परस्परसंवादी कोडिंग व्यायाम आणि प्रकल्प अभिप्राय सत्रांचा समावेश केला.
डेटा विश्लेषण: आकडेवारीमधील अभ्यासाचे क्षेत्र जे डेटा पॅटर्नचे विश्लेषण, प्रक्रिया आणि संप्रेषण करून डेटामधील अर्थपूर्ण नमुने ओळखते.
डेटा मायनिंग: डेटा ओळखण्याची आणि काढण्याची प्रक्रिया.कृत्रिम बुद्धिमत्तेच्या संदर्भात, प्रत्येक नमुन्यासाठी अनेक व्हेरिएबल्ससह, हे सहसा मोठे असते.
आयाम कमी करणे: मूळ डेटा सेटचे महत्त्वाचे गुणधर्म जतन करून अनेक वैयक्तिक वैशिष्ट्यांसह डेटाचे कमी वैशिष्ट्यांमध्ये रूपांतर करण्याची प्रक्रिया.
वैशिष्ट्ये (कृत्रिम बुद्धिमत्तेच्या संदर्भात): नमुन्याचे मोजण्यायोग्य गुणधर्म.अनेकदा "प्रॉपर्टी" किंवा "व्हेरिएबल" सह अदलाबदल करण्यायोग्य वापरले जाते.
ग्रेडियंट ॲक्टिव्हेशन मॅप: कृत्रिम बुद्धिमत्ता मॉडेल्सचा (विशेषत: कन्व्होल्युशनल न्यूरल नेटवर्क्स) अर्थ लावण्यासाठी वापरले जाणारे तंत्र, जे डेटा किंवा प्रतिमांचे क्षेत्र ओळखण्यासाठी नेटवर्कच्या शेवटच्या भागाला अनुकूल करण्याच्या प्रक्रियेचे विश्लेषण करते.
मानक मॉडेल: एक विद्यमान AI मॉडेल ज्याला समान कार्ये करण्यासाठी पूर्व-प्रशिक्षित केले गेले आहे.
चाचणी (कृत्रिम बुद्धिमत्तेच्या संदर्भात): आधी न आलेला डेटा वापरून मॉडेल कसे कार्य करते याचे निरीक्षण करणे.
प्रशिक्षण (कृत्रिम बुद्धिमत्तेच्या संदर्भात): डेटा आणि परिणामांसह मॉडेल प्रदान करणे जेणेकरून मॉडेल नवीन डेटा वापरून कार्ये करण्याची क्षमता अनुकूल करण्यासाठी त्याचे अंतर्गत पॅरामीटर्स समायोजित करेल.
वेक्टर: डेटाचे ॲरे.मशीन लर्निंगमध्ये, प्रत्येक ॲरे घटक सामान्यतः नमुन्याचे एक अद्वितीय वैशिष्ट्य असते.
सारणी 1 मध्ये प्रत्येक विषयासाठी लक्ष्यित शिक्षण उद्दिष्टांसह, एप्रिल 2021 साठी नवीनतम अभ्यासक्रमांची सूची आहे.ही कार्यशाळा तांत्रिक स्तरावर नवीन असलेल्यांसाठी आहे आणि पदवीपूर्व वैद्यकीय पदवीच्या पहिल्या वर्षाच्या पलीकडे कोणतेही गणितीय ज्ञान आवश्यक नाही.हा अभ्यासक्रम 6 वैद्यकीय विद्यार्थी आणि 3 शिक्षकांनी अभियांत्रिकीमधील प्रगत पदवीसह विकसित केला आहे.अभियंते शिकवण्यासाठी कृत्रिम बुद्धिमत्ता सिद्धांत विकसित करत आहेत आणि वैद्यकीय विद्यार्थी वैद्यकीयदृष्ट्या संबंधित सामग्री शिकत आहेत.
कार्यशाळांमध्ये व्याख्याने, केस स्टडी आणि मार्गदर्शित प्रोग्रामिंग समाविष्ट आहे.पहिल्या लेक्चरमध्ये, आम्ही बायोस्टॅटिस्टिक्समधील डेटा विश्लेषणाच्या निवडक संकल्पनांचे पुनरावलोकन करतो, ज्यामध्ये डेटा व्हिज्युअलायझेशन, लॉजिस्टिक रिग्रेशन आणि वर्णनात्मक आणि प्रेरक आकडेवारीची तुलना समाविष्ट आहे.जरी डेटा विश्लेषण हा कृत्रिम बुद्धिमत्तेचा पाया असला तरी, आम्ही डेटा मायनिंग, महत्त्व चाचणी किंवा परस्पर व्हिज्युअलायझेशन यासारखे विषय वगळतो.हे वेळेच्या मर्यादेमुळे होते आणि काही अंडरग्रेजुएट विद्यार्थ्यांनी बायोस्टॅटिस्टिक्सचे अगोदर प्रशिक्षण घेतले होते आणि त्यांना अधिक अद्वितीय मशीन लर्निंग विषय समाविष्ट करायचे होते.त्यानंतरच्या व्याख्यानात आधुनिक पद्धतींचा परिचय करून दिला जातो आणि AI समस्या तयार करणे, AI मॉडेल्सचे फायदे आणि मर्यादा आणि मॉडेल चाचणी यावर चर्चा केली जाते.व्याख्याने साहित्य आणि विद्यमान कृत्रिम बुद्धिमत्ता उपकरणांवर व्यावहारिक संशोधनाद्वारे पूरक आहेत.आम्ही विद्यमान कृत्रिम बुद्धिमत्ता उपकरणांच्या मर्यादा समजून घेण्यासह क्लिनिकल प्रश्नांचे निराकरण करण्यासाठी मॉडेलची प्रभावीता आणि व्यवहार्यतेचे मूल्यांकन करण्यासाठी आवश्यक कौशल्यांवर जोर देतो.उदाहरणार्थ, आम्ही विद्यार्थ्यांना Kupperman et al. ने प्रस्तावित केलेल्या बालरोग डोके दुखापत मार्गदर्शक तत्त्वांचा अर्थ सांगण्यास सांगितले, 5 ज्याने डॉक्टरांच्या तपासणीवर आधारित CT स्कॅन उपयुक्त ठरेल की नाही हे निर्धारित करण्यासाठी कृत्रिम बुद्धिमत्ता निर्णय वृक्ष अल्गोरिदम लागू केला.आम्ही यावर जोर देतो की हे AI चे एक सामान्य उदाहरण आहे जे डॉक्टरांना बदलण्याऐवजी अर्थ लावण्यासाठी भविष्यसूचक विश्लेषणे प्रदान करते.
उपलब्ध ओपन सोर्स बूटस्ट्रॅप प्रोग्रामिंग उदाहरणांमध्ये (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), आम्ही एक्सप्लोरेटरी डेटा विश्लेषण, आयाम कमी करणे, मानक मॉडेल लोड करणे आणि प्रशिक्षण कसे करावे हे दाखवतो. .आणि चाचणी.आम्ही Google Colaboratory notebooks (Google LLC, Mountain View, CA) वापरतो, जे Python कोड वेब ब्राउझरवरून कार्यान्वित करण्याची परवानगी देतात.आकृती 2 मध्ये प्रोग्रामिंग व्यायामाचे उदाहरण दिले आहे.या व्यायामामध्ये विस्कॉन्सिन ओपन ब्रेस्ट इमेजिंग डेटासेट6 आणि निर्णय वृक्ष अल्गोरिदम वापरून घातकतेचा अंदाज लावणे समाविष्ट आहे.
संबंधित विषयांवर आठवड्याभरातील कार्यक्रम सादर करा आणि प्रकाशित AI अनुप्रयोगांमधून उदाहरणे निवडा.प्रोग्रॅमिंग घटक केवळ तेव्हाच समाविष्ट केले जातात जेव्हा ते भविष्यातील क्लिनिकल सराव मध्ये अंतर्दृष्टी प्रदान करण्यासाठी संबंधित मानले जातात, जसे की ते क्लिनिकल चाचण्यांमध्ये वापरण्यासाठी तयार आहेत की नाही हे निर्धारित करण्यासाठी मॉडेलचे मूल्यांकन कसे करावे.ही उदाहरणे वैद्यकीय इमेज पॅरामीटर्सच्या आधारे ट्यूमरला सौम्य किंवा घातक म्हणून वर्गीकृत करणाऱ्या पूर्ण वाढीच्या एंड-टू-एंड ऍप्लिकेशनमध्ये पराभूत होतात.
पूर्वीच्या ज्ञानाची विषमता.आमचे सहभागी त्यांच्या गणितीय ज्ञानाच्या पातळीवर भिन्न होते.उदाहरणार्थ, प्रगत अभियांत्रिकी पार्श्वभूमी असलेले विद्यार्थी अधिक सखोल सामग्री शोधत आहेत, जसे की त्यांचे स्वतःचे फूरियर ट्रान्सफॉर्म कसे करावे.तथापि, वर्गात फोरियर अल्गोरिदमची चर्चा करणे शक्य नाही कारण त्यासाठी सिग्नल प्रक्रियेचे सखोल ज्ञान आवश्यक आहे.
उपस्थिती बहिर्वाह.फॉलो-अप मीटिंगमध्ये उपस्थिती कमी झाली, विशेषत: ऑनलाइन फॉरमॅटमध्ये.उपस्थितीचा मागोवा घेणे आणि पूर्णत्वाचे प्रमाणपत्र प्रदान करणे हा एक उपाय असू शकतो.वैद्यकीय शाळा विद्यार्थ्यांच्या अभ्यासेतर शैक्षणिक क्रियाकलापांच्या प्रतिलिपी ओळखण्यासाठी ओळखल्या जातात, जे विद्यार्थ्यांना पदवी मिळविण्यास प्रोत्साहित करू शकतात.
कोर्स डिझाईन: AI अनेक उपक्षेत्रे व्यापत असल्यामुळे, योग्य खोली आणि रुंदीच्या मूलभूत संकल्पना निवडणे आव्हानात्मक असू शकते.उदाहरणार्थ, प्रयोगशाळेपासून क्लिनिकपर्यंत एआय टूल्सचा वापर सातत्य हा एक महत्त्वाचा विषय आहे.आम्ही डेटा प्रीप्रोसेसिंग, मॉडेल बिल्डिंग आणि प्रमाणीकरण कव्हर करत असताना, आम्ही बिग डेटा ॲनालिटिक्स, इंटरएक्टिव्ह व्हिज्युअलायझेशन किंवा AI क्लिनिकल ट्रायल्स आयोजित करणे यासारख्या विषयांचा समावेश करत नाही, त्याऐवजी आम्ही सर्वात अद्वितीय AI संकल्पनांवर लक्ष केंद्रित करतो.साक्षरता सुधारणे हे आमचे मार्गदर्शक तत्व आहे, कौशल्य नाही.उदाहरणार्थ, एक मॉडेल इनपुट वैशिष्ट्यांवर प्रक्रिया कशी करते हे समजून घेणे अर्थपूर्णतेसाठी महत्त्वाचे आहे.हे करण्याचा एक मार्ग म्हणजे ग्रेडियंट ॲक्टिव्हेशन नकाशे वापरणे, जे डेटाचे कोणते क्षेत्र अंदाज लावता येण्याजोगे आहेत याची कल्पना करू शकतात.तथापि, यासाठी मल्टीव्हेरिएट कॅल्क्युलस आवश्यक आहे आणि ते सादर केले जाऊ शकत नाही8.एक सामान्य शब्दावली विकसित करणे आव्हानात्मक होते कारण आम्ही गणितीय औपचारिकतेशिवाय वेक्टर म्हणून डेटासह कसे कार्य करावे हे स्पष्ट करण्याचा प्रयत्न करत होतो.लक्षात घ्या की भिन्न शब्दांचा समान अर्थ आहे, उदाहरणार्थ, महामारीविज्ञान मध्ये, "वैशिष्ट्य" चे वर्णन "चर" किंवा "विशेषता" म्हणून केले जाते.
ज्ञान धारणा.AI चा वापर मर्यादित असल्यामुळे, सहभागी किती प्रमाणात ज्ञान टिकवून ठेवतात हे पाहणे बाकी आहे.वैद्यकीय शालेय अभ्यासक्रम अनेकदा व्यावहारिक आवर्तनांदरम्यान ज्ञानाला बळकटी देण्यासाठी अंतराच्या पुनरावृत्तीवर अवलंबून असतात, जे AI शिक्षणावर देखील लागू केले जाऊ शकतात.
साक्षरतेपेक्षा व्यावसायिकता महत्त्वाची आहे.सामग्रीची खोली गणितीय कठोरतेशिवाय तयार केली गेली आहे, जी कृत्रिम बुद्धिमत्तेचे क्लिनिकल अभ्यासक्रम सुरू करताना एक समस्या होती.प्रोग्रामिंग उदाहरणांमध्ये, आम्ही एक टेम्प्लेट प्रोग्राम वापरतो जो सहभागींना फील्ड भरू देतो आणि संपूर्ण प्रोग्रामिंग वातावरण कसे सेट करावे हे न समजता सॉफ्टवेअर चालवू देतो.
कृत्रिम बुद्धिमत्तेबद्दलच्या चिंता दूर केल्या: कृत्रिम बुद्धिमत्ता काही क्लिनिकल कर्तव्ये बदलू शकते अशी व्यापक चिंता आहे3.या समस्येचे निराकरण करण्यासाठी, आम्ही AI च्या मर्यादा स्पष्ट करतो, ज्यामध्ये नियामकांनी मंजूर केलेल्या जवळजवळ सर्व AI तंत्रज्ञानांना डॉक्टरांच्या देखरेखीची आवश्यकता असते.आम्ही पूर्वाग्रहाच्या महत्त्वावर देखील भर देतो कारण अल्गोरिदम पूर्वाग्रहाला प्रवण असतात, विशेषत: डेटा संच वैविध्यपूर्ण नसल्यास12.परिणामी, विशिष्ट उपसमूह चुकीच्या पद्धतीने तयार केले जाऊ शकतात, ज्यामुळे अयोग्य क्लिनिकल निर्णय होतात.
संसाधने सार्वजनिकरित्या उपलब्ध आहेत: आम्ही व्याख्यान स्लाइड्स आणि कोडसह सार्वजनिकरित्या उपलब्ध संसाधने तयार केली आहेत.टाइम झोनमुळे सिंक्रोनस सामग्रीचा प्रवेश मर्यादित असला तरी, ओपन सोर्स सामग्री ही एसिंक्रोनस शिक्षणासाठी एक सोयीस्कर पद्धत आहे कारण सर्व वैद्यकीय शाळांमध्ये AI कौशल्य उपलब्ध नाही.
आंतरविद्याशाखीय सहयोग: ही कार्यशाळा वैद्यकीय विद्यार्थ्यांनी अभियंत्यांसह एकत्रितपणे अभ्यासक्रमांची आखणी करण्यासाठी सुरू केलेला एक संयुक्त उपक्रम आहे.हे दोन्ही क्षेत्रांमधील सहकार्याच्या संधी आणि ज्ञानातील अंतर दर्शविते, ज्यामुळे सहभागींना ते भविष्यात कोणती भूमिका देऊ शकतात हे समजून घेऊ शकतात.
AI मुख्य क्षमता परिभाषित करा.सक्षमतेची यादी परिभाषित केल्याने एक प्रमाणित रचना मिळते जी विद्यमान सक्षमता-आधारित वैद्यकीय अभ्यासक्रमात समाकलित केली जाऊ शकते.ही कार्यशाळा सध्या Bloom's Taxonomy चे शिक्षण उद्दिष्ट स्तर 2 (आकलन), 3 (अनुप्रयोग), आणि 4 (विश्लेषण) वापरते.वर्गीकरणाच्या उच्च स्तरावर संसाधने असणे, जसे की प्रकल्प तयार करणे, ज्ञान अधिक मजबूत करू शकते.यासाठी क्लिनिकल वर्कफ्लोवर AI विषय कसे लागू केले जाऊ शकतात हे निर्धारित करण्यासाठी आणि मानक वैद्यकीय अभ्यासक्रमात आधीच समाविष्ट केलेल्या पुनरावृत्ती विषयांचे शिक्षण रोखण्यासाठी क्लिनिकल तज्ञांसोबत काम करणे आवश्यक आहे.
AI वापरून केस स्टडी तयार करा.क्लिनिकल उदाहरणांप्रमाणेच, केस-आधारित शिक्षण अमूर्त संकल्पनांना त्यांच्या क्लिनिकल प्रश्नांशी सुसंगतता हायलाइट करून बळकट करू शकते.उदाहरणार्थ, एका कार्यशाळेच्या अभ्यासाने Google च्या AI-आधारित डायबेटिक रेटिनोपॅथी डिटेक्शन सिस्टम 13 चे विश्लेषण केले जे प्रयोगशाळेपासून क्लिनिकपर्यंतच्या मार्गातील आव्हाने ओळखण्यासाठी, जसे की बाह्य प्रमाणीकरण आवश्यकता आणि नियामक मंजूरी मार्ग.
प्रायोगिक शिक्षणाचा वापर करा: तांत्रिक कौशल्यांसाठी लक्ष केंद्रित सराव आणि मास्टर करण्यासाठी वारंवार अर्ज आवश्यक आहे, क्लिनिकल प्रशिक्षणार्थींच्या फिरत्या शिकण्याच्या अनुभवांप्रमाणेच.एक संभाव्य उपाय म्हणजे फ्लिप केलेले क्लासरूम मॉडेल, जे अभियांत्रिकी शिक्षणामध्ये ज्ञान धारणा सुधारण्यासाठी नोंदवले गेले आहे14.या मॉडेलमध्ये, विद्यार्थी सैद्धांतिक सामग्रीचे स्वतंत्रपणे पुनरावलोकन करतात आणि वर्गाचा वेळ केस स्टडीद्वारे समस्या सोडवण्यासाठी समर्पित केला जातो.
बहु-विद्याशाखीय सहभागींसाठी स्केलिंग: आम्ही एआय दत्तक घेण्याची कल्पना करतो ज्यामध्ये विविध स्तरांचे प्रशिक्षण असलेले चिकित्सक आणि संबंधित आरोग्य व्यावसायिकांसह अनेक शाखांमध्ये सहयोग समाविष्ट आहे.त्यामुळे, आरोग्य सेवेच्या विविध क्षेत्रांसाठी त्यांची सामग्री तयार करण्यासाठी विविध विभागांतील प्राध्यापकांशी सल्लामसलत करून अभ्यासक्रम विकसित करणे आवश्यक असू शकते.
आर्टिफिशियल इंटेलिजन्स हा हायटेक आहे आणि त्याच्या मूळ संकल्पना गणित आणि संगणक विज्ञानाशी संबंधित आहेत.कृत्रिम बुद्धिमत्ता समजून घेण्यासाठी आरोग्य सेवा कर्मचाऱ्यांना प्रशिक्षण देणे सामग्री निवड, क्लिनिकल प्रासंगिकता आणि वितरण पद्धतींमध्ये अद्वितीय आव्हाने प्रस्तुत करते.आम्हाला आशा आहे की AI मधून शैक्षणिक कार्यशाळेत मिळालेल्या अंतर्दृष्टीमुळे भविष्यातील शिक्षकांना वैद्यकीय शिक्षणात AI चे समाकलित करण्याचे नाविन्यपूर्ण मार्ग स्वीकारण्यास मदत होईल.
Google Colaboratory Python स्क्रिप्ट मुक्त स्रोत आहे आणि येथे उपलब्ध आहे: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
प्रोबर, केजी आणि खान, एस. वैद्यकीय शिक्षणाचा पुनर्विचार: ॲक्शनसाठी कॉल.अक्कड.औषध.८८, १४०७–१४१० (२०१३).
McCoy, LG इ. वैद्यकीय विद्यार्थ्यांना कृत्रिम बुद्धिमत्तेबद्दल खरोखर काय माहित असणे आवश्यक आहे?NPZh संख्या.औषध 3, 1–3 (2020).
Dos Santos, DP, et al.कृत्रिम बुद्धिमत्तेकडे वैद्यकीय विद्यार्थ्यांचा दृष्टिकोन: एक मल्टीसेंटर सर्वेक्षण.युरो.रेडिएशन29, 1640-1646 (2019).
फॅन, केवाय, हू, आर. आणि सिंगला, आर. वैद्यकीय विद्यार्थ्यांसाठी मशीन लर्निंगचा परिचय: एक पायलट प्रोजेक्ट.जे. मेड.शिकवणे५४, १०४२–१०४३ (२०२०).
कूपरमन एन, आणि इतर.डोक्याच्या दुखापतीनंतर वैद्यकीयदृष्ट्या महत्त्वपूर्ण मेंदूला दुखापत होण्याचा धोका कमी असलेल्या मुलांना ओळखणे: एक संभाव्य समूह अभ्यास.लॅन्सेट 374, 1160–1170 (2009).
स्ट्रीट, WN, Wolberg, WH आणि Mangasarian, OL.स्तन ट्यूमर निदानासाठी विभक्त वैशिष्ट्य निष्कर्षण.बायोमेडिकल सायन्स.प्रतिमा प्रक्रिया.बायोमेडिकल सायन्स.वेस.1905, 861–870 (1993).
चेन, पीएचसी, लियू, वाई. आणि पेंग, एल. हेल्थकेअरसाठी मशीन लर्निंग मॉडेल कसे विकसित करावे.नॅट.मॅट18, 410–414 (2019).
सेल्वाराजू, आरआर इत्यादी.ग्रॅड-कॅम: ग्रेडियंट-आधारित स्थानिकीकरणाद्वारे खोल नेटवर्कचे व्हिज्युअल व्याख्या.IEEE इंटरनॅशनल कॉन्फरन्स ऑन कॉम्प्युटर व्हिजन, 618–626 (2017) ची कार्यवाही.
कुमारवेल बी, स्टीवर्ट के आणि इलिक डी. अंडरग्रेजुएट वैद्यकीय शिक्षणात OSCE चा वापर करून पुराव्यावर आधारित औषधी क्षमतांचे मूल्यांकन करण्यासाठी सर्पिल मॉडेलचा विकास आणि मूल्यांकन.बीएमके औषध.शिकवणे21, 1-9 (2021).
कोलाचलमा व्हीबी आणि गर्ग पीएस मशीन लर्निंग आणि वैद्यकीय शिक्षण.NPZh संख्या.औषध.1, 1–3 (2018).
व्हॅन लीउवेन, केजी, शालेकॅम्प, एस., रुटन, एमजे, व्हॅन गिनेकेन, बी. आणि डी रॉय, एम. रेडिओलॉजीमधील कृत्रिम बुद्धिमत्ता: 100 व्यावसायिक उत्पादने आणि त्यांचे वैज्ञानिक पुरावे.युरो.रेडिएशन३१, ३७९७–३८०४ (२०२१).
टोपोल, ईजे उच्च-कार्यक्षमता औषध: मानवी आणि कृत्रिम बुद्धिमत्तेचे अभिसरण.नॅट.औषध.२५, ४४–५६ (२०१९).
बेडे, इ. इ.डायबेटिक रेटिनोपॅथी शोधण्यासाठी क्लिनिकमध्ये तैनात केलेल्या सखोल शिक्षण प्रणालीचे मानवी-केंद्रित मूल्यमापन.2020 CHI कॉन्फरन्स ऑन ह्युमन फॅक्टर्स इन कम्प्युटिंग सिस्टम्स (2020) ची कार्यवाही.
केर, बी. द फ्लिप्ड क्लासरूम इन इंजिनीअरिंग एज्युकेशन: अ रिसर्च रिव्ह्यू.इंटरएक्टिव्ह कोलॅबोरेटिव्ह लर्निंग (2015) वरील 2015 आंतरराष्ट्रीय परिषदेची कार्यवाही.
ब्रिटीश कोलंबिया विद्यापीठातील बायोमेडिकल इमेजिंग आणि आर्टिफिशियल इंटेलिजेंस रिसर्च क्लस्टरमधील डॅनियल वॉकर, टिम सालकुडिन आणि पीटर झांडस्ट्रा यांचे लेखक समर्थन आणि निधीसाठी आभार मानतात.
RH, PP, ZH, RS आणि MA हे कार्यशाळेतील शिक्षण सामग्री विकसित करण्यासाठी जबाबदार होते.प्रोग्रामिंग उदाहरणे विकसित करण्यासाठी RH आणि PP जबाबदार होते.KYF, OY, MT आणि PW प्रकल्पाच्या लॉजिस्टिकल संस्थेसाठी आणि कार्यशाळांच्या विश्लेषणासाठी जबाबदार होते.आरएच, ओवाय, एमटी, आरएस हे आकडे आणि तक्ते तयार करण्यासाठी जबाबदार होते.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS दस्तऐवजाचा मसुदा तयार करण्यासाठी आणि संपादित करण्यासाठी जबाबदार होते.
कम्युनिकेशन मेडिसीन कॅरोलिन मॅकग्रेगर, फॅबियो मोरेस आणि आदित्य बोराकाती यांनी या कामाच्या पुनरावलोकनासाठी दिलेल्या योगदानाबद्दल धन्यवाद.