वैद्यकीय विद्यार्थ्यांना कृत्रिम बुद्धिमत्ता शिकविण्याविषयी कॅनेडियन दृष्टीकोन

निसर्ग.कॉमला भेट दिल्याबद्दल धन्यवाद. आपण वापरत असलेल्या ब्राउझरच्या आवृत्तीमध्ये मर्यादित सीएसएस समर्थन आहे. सर्वोत्कृष्ट निकालांसाठी, आम्ही आपल्या ब्राउझरची नवीन आवृत्ती वापरण्याची शिफारस करतो (किंवा इंटरनेट एक्सप्लोररमध्ये सुसंगतता मोड बंद करणे). दरम्यान, चालू समर्थन सुनिश्चित करण्यासाठी आम्ही स्टाईल किंवा जावास्क्रिप्टशिवाय साइट दर्शवित आहोत.
क्लिनिकल कृत्रिम बुद्धिमत्ता (एआय) चे अनुप्रयोग वेगाने वाढत आहेत, परंतु विद्यमान वैद्यकीय शालेय अभ्यासक्रमाने या भागाचे मर्यादित शिक्षण दिले आहे. येथे आम्ही कॅनेडियन वैद्यकीय विद्यार्थ्यांना विकसित आणि वितरित केलेल्या कृत्रिम बुद्धिमत्ता प्रशिक्षण कोर्सचे वर्णन करतो आणि भविष्यातील प्रशिक्षणासाठी शिफारसी करतो.
औषधातील कृत्रिम बुद्धिमत्ता (एआय) कामाच्या ठिकाणी कार्यक्षमता सुधारू शकते आणि क्लिनिकल निर्णय घेण्यास मदत करू शकते. कृत्रिम बुद्धिमत्तेच्या वापरास सुरक्षितपणे मार्गदर्शन करण्यासाठी, चिकित्सकांना कृत्रिम बुद्धिमत्तेची थोडीशी समज असणे आवश्यक आहे. एआय मॉडेल्स आणि सत्यापन प्रक्रिया 2 चे स्पष्टीकरण यासारख्या अनेक टिप्पण्या एआय संकल्पनांचे अध्यापन करतात. तथापि, विशेषत: राष्ट्रीय स्तरावर काही संरचित योजना राबविल्या गेल्या आहेत. पिंटो डॉस सॅंटोस एट अल .3. 263 वैद्यकीय विद्यार्थ्यांचे सर्वेक्षण केले गेले आणि 71% लोकांनी सहमती दर्शविली की त्यांना कृत्रिम बुद्धिमत्तेचे प्रशिक्षण आवश्यक आहे. वैद्यकीय प्रेक्षकांना कृत्रिम बुद्धिमत्ता शिकवण्याकरिता काळजीपूर्वक डिझाइन आवश्यक आहे जे बर्‍याचदा पूर्वीचे ज्ञान असलेल्या विद्यार्थ्यांसाठी तांत्रिक आणि गैर-तांत्रिक संकल्पना एकत्र करते. आम्ही वैद्यकीय विद्यार्थ्यांच्या तीन गटांना एआय कार्यशाळांची मालिका वितरित करण्याच्या आमच्या अनुभवाचे वर्णन करतो आणि एआयमध्ये भविष्यातील वैद्यकीय शिक्षणासाठी शिफारसी करतो.
वैद्यकीय विद्यार्थ्यांसाठी वैद्यकीय विद्यार्थ्यांसाठी कृत्रिम बुद्धिमत्तेची आमची पाच आठवड्यांची ओळख फेब्रुवारी २०१ and ते एप्रिल २०२१ दरम्यान तीन वेळा आयोजित करण्यात आली होती. प्रत्येक कार्यशाळेचे वेळापत्रक, कोर्समधील बदलांचे संक्षिप्त वर्णन असलेले, आकृती १ मध्ये दर्शविले गेले आहे. आमचा अभ्यासक्रम आहे. तीन प्राथमिक शिक्षणाची उद्दीष्टे: विद्यार्थ्यांना कृत्रिम बुद्धिमत्ता अनुप्रयोगांमध्ये डेटावर कसे प्रक्रिया केली जाते हे समजते, क्लिनिकल अनुप्रयोगांसाठी कृत्रिम बुद्धिमत्ता साहित्याचे विश्लेषण करते आणि कृत्रिम बुद्धिमत्ता विकसित करणार्‍या अभियंत्यांसह सहयोग करण्याच्या संधींचा फायदा घ्या.
निळा हा व्याख्यानाचा विषय आहे आणि हलका निळा हा परस्परसंवादी प्रश्न आणि उत्तर कालावधी आहे. राखाडी विभाग हा संक्षिप्त साहित्य पुनरावलोकनाचे लक्ष आहे. ऑरेंज विभाग निवडलेले केस स्टडी आहेत जे कृत्रिम बुद्धिमत्ता मॉडेल किंवा तंत्राचे वर्णन करतात. ग्रीन हा एक मार्गदर्शित प्रोग्रामिंग कोर्स आहे जो क्लिनिकल समस्यांचे निराकरण करण्यासाठी आणि मॉडेलचे मूल्यांकन करण्यासाठी कृत्रिम बुद्धिमत्ता शिकविण्यासाठी डिझाइन केलेला आहे. कार्यशाळेची सामग्री आणि कालावधी विद्यार्थ्यांच्या गरजेच्या मूल्यांकनानुसार बदलतात.
प्रथम कार्यशाळा फेब्रुवारी ते एप्रिल 2019 या कालावधीत ब्रिटीश कोलंबिया विद्यापीठात आयोजित करण्यात आली होती आणि सर्व 8 सहभागींनी सकारात्मक अभिप्राय 4 दिला. कोव्हिड -१ compape च्या कारणास्तव, ऑक्टोबर-नोव्हेंबर २०२० मध्ये दुसरी कार्यशाळा अक्षरशः आयोजित करण्यात आली होती, त्यात २२२ वैद्यकीय विद्यार्थी आणि canadian कॅनेडियन वैद्यकीय शाळांमधील residents रहिवासी नोंदणीकृत होते. सादरीकरण स्लाइड्स आणि कोड ओपन Site क्सेस साइटवर अपलोड केले गेले आहेत (http://ubcaimed.github.io). पहिल्या पुनरावृत्तीचा मुख्य अभिप्राय असा होता की व्याख्याने खूपच तीव्र आणि सामग्री खूप सैद्धांतिक होती. कॅनडाच्या सहा वेगवेगळ्या टाइम झोनची सेवा देण्यामुळे अतिरिक्त आव्हाने आहेत. अशाप्रकारे, दुसर्‍या कार्यशाळेने प्रत्येक सत्रात 1 तास लहान केले, कोर्स मटेरियल सुलभ केले, अधिक केस स्टडीज जोडली आणि बॉयलरप्लेट प्रोग्राम तयार केले ज्यामुळे सहभागींना कमीतकमी डीबगिंग (बॉक्स 1) सह कोड स्निपेट पूर्ण करण्यास अनुमती दिली. दुसर्‍या पुनरावृत्तीच्या मुख्य अभिप्रायामध्ये प्रोग्रामिंग व्यायामावरील सकारात्मक अभिप्राय आणि मशीन लर्निंग प्रोजेक्टसाठी नियोजन दर्शविण्याची विनंती समाविष्ट आहे. म्हणूनच, मार्च-एप्रिल 2021 मध्ये 126 वैद्यकीय विद्यार्थ्यांसाठी आमच्या तिसर्‍या कार्यशाळेमध्ये आम्ही प्रकल्पांवर कार्यशाळेच्या संकल्पनांचा वापर केल्याचा परिणाम दर्शविण्यासाठी अधिक परस्परसंवादी कोडिंग व्यायाम आणि प्रकल्प अभिप्राय सत्र समाविष्ट केले.
डेटा विश्लेषणः आकडेवारीतील अभ्यासाचे क्षेत्र जे डेटाचे विश्लेषण, प्रक्रिया आणि संवाद साधून डेटामधील अर्थपूर्ण नमुने ओळखते.
डेटा खाण: डेटा ओळखण्याची आणि काढण्याची प्रक्रिया. कृत्रिम बुद्धिमत्तेच्या संदर्भात, प्रत्येक नमुन्यासाठी एकाधिक व्हेरिएबल्ससह हे बर्‍याचदा मोठे असते.
आयाम कमी करणे: मूळ डेटा सेटच्या महत्त्वपूर्ण गुणधर्मांचे जतन करताना बर्‍याच वैयक्तिक वैशिष्ट्यांसह डेटा कमी करण्याच्या प्रक्रियेस कमी वैशिष्ट्यांसह.
वैशिष्ट्ये (कृत्रिम बुद्धिमत्तेच्या संदर्भात): नमुन्याचे मोजण्यायोग्य गुणधर्म. बर्‍याचदा “प्रॉपर्टी” किंवा “व्हेरिएबल” सह अदलाबदल वापरली जाते.
ग्रेडियंट ation क्टिवेशन नकाशा: कृत्रिम बुद्धिमत्ता मॉडेल (विशेषत: कॉन्व्होल्यूशनल न्यूरल नेटवर्क) चे स्पष्टीकरण करण्यासाठी वापरले जाणारे एक तंत्र, जे अत्यंत अंदाज असलेल्या डेटा किंवा प्रतिमांचे क्षेत्र ओळखण्यासाठी नेटवर्कच्या शेवटच्या भागास अनुकूलित करण्याच्या प्रक्रियेचे विश्लेषण करते.
मानक मॉडेल: विद्यमान एआय मॉडेल जे समान कार्ये करण्यासाठी पूर्व-प्रशिक्षित केले गेले आहे.
चाचणी (कृत्रिम बुद्धिमत्तेच्या संदर्भात): मॉडेल यापूर्वी न आलेल्या डेटाचा वापर करून एखादे मॉडेल कसे कार्य करते हे निरीक्षण करणे.
प्रशिक्षण (कृत्रिम बुद्धिमत्तेच्या संदर्भात): डेटा आणि परिणामांसह एक मॉडेल प्रदान करणे जेणेकरून मॉडेल नवीन डेटा वापरुन कार्ये करण्याची क्षमता अनुकूल करण्यासाठी त्याचे अंतर्गत पॅरामीटर्स समायोजित करेल.
वेक्टर: डेटाचा अ‍ॅरे. मशीन लर्निंगमध्ये, प्रत्येक अ‍ॅरे घटक सामान्यत: नमुन्याचे एक अद्वितीय वैशिष्ट्य असतो.
सारणी 1 प्रत्येक विषयासाठी लक्ष्यित शिक्षणाच्या उद्दीष्टांसह एप्रिल 2021 साठी नवीनतम अभ्यासक्रमांची यादी करते. ही कार्यशाळा तांत्रिक पातळीवर नवीन असलेल्यांसाठी आहे आणि पदवीधर वैद्यकीय पदवीच्या पहिल्या वर्षाच्या पलीकडे गणिताच्या ज्ञानाची आवश्यकता नाही. हा कोर्स 6 वैद्यकीय विद्यार्थी आणि अभियांत्रिकीमध्ये प्रगत पदवी असलेल्या 3 शिक्षकांनी विकसित केला आहे. अभियंता शिकवण्यासाठी कृत्रिम बुद्धिमत्ता सिद्धांत विकसित करीत आहेत आणि वैद्यकीय विद्यार्थी वैद्यकीयदृष्ट्या संबंधित सामग्री शिकत आहेत.
कार्यशाळांमध्ये व्याख्याने, केस स्टडीज आणि मार्गदर्शित प्रोग्रामिंगचा समावेश आहे. पहिल्या व्याख्यानात, आम्ही बायोस्टॅटिस्टिक्समधील डेटा विश्लेषणाच्या निवडलेल्या संकल्पनांचे पुनरावलोकन करतो, ज्यात डेटा व्हिज्युअलायझेशन, लॉजिस्टिक रीग्रेशन आणि वर्णनात्मक आणि प्रेरक आकडेवारीची तुलना समाविष्ट आहे. जरी डेटा विश्लेषण कृत्रिम बुद्धिमत्तेचा पाया आहे, परंतु आम्ही डेटा खाण, महत्त्व चाचणी किंवा परस्परसंवादी व्हिज्युअलायझेशन यासारख्या विषयांना वगळतो. हे वेळेच्या अडचणींमुळे होते आणि कारण काही पदवीधर विद्यार्थ्यांनी बायोस्टॅटिस्टिक्सचे पूर्वीचे प्रशिक्षण घेतले होते आणि त्यांना अधिक अद्वितीय मशीन लर्निंग विषय कव्हर करायचे होते. त्यानंतरच्या व्याख्यानात आधुनिक पद्धतींचा परिचय आहे आणि एआय समस्या तयार करणे, एआय मॉडेल्सचे फायदे आणि मर्यादा आणि मॉडेल चाचणी यावर चर्चा केली आहे. विद्यमान कृत्रिम बुद्धिमत्ता उपकरणांवरील साहित्य आणि व्यावहारिक संशोधनाद्वारे व्याख्याने पूरक आहेत. विद्यमान कृत्रिम बुद्धिमत्ता उपकरणांची मर्यादा समजून घेण्यासह, क्लिनिकल प्रश्नांची पूर्तता करण्यासाठी मॉडेलच्या प्रभावीपणा आणि व्यवहार्यतेचे मूल्यांकन करण्यासाठी आम्ही आवश्यक कौशल्यांवर जोर देतो. उदाहरणार्थ, आम्ही विद्यार्थ्यांना कुपरमॅन एट अल यांनी प्रस्तावित केलेल्या बालरोगाच्या डोक्याच्या दुखापतीच्या मार्गदर्शक तत्त्वांचे स्पष्टीकरण करण्यास सांगितले. आम्ही यावर जोर देतो की एआयने चिकित्सकांच्या पुनर्स्थित करण्याऐवजी चिकित्सकांना अर्थ लावण्यासाठी भाकित विश्लेषणे प्रदान करण्याचे हे एक सामान्य उदाहरण आहे.
उपलब्ध ओपन सोर्स बूटस्ट्रॅप प्रोग्रामिंग उदाहरणे (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) मध्ये आम्ही शोध लावतो की शोध डेटा विश्लेषण, आयाम कमी करणे, मानक मॉडेल लोडिंग आणि प्रशिक्षण कसे करावे ? आणि चाचणी. आम्ही Google कोलाबोरेटरी नोटबुक (Google LLC, माउंटन व्ह्यू, सीए) वापरतो, जे पायथन कोड वेब ब्राउझरमधून कार्यान्वित करण्यास अनुमती देते. अंजीर मध्ये आकृती 2 प्रोग्रामिंग व्यायामाचे एक उदाहरण प्रदान करते. या व्यायामामध्ये विस्कॉन्सिन ओपन ब्रेस्ट इमेजिंग डेटासेट 6 आणि निर्णय वृक्ष अल्गोरिदम वापरुन विकृतींचा अंदाज करणे समाविष्ट आहे.
संबंधित विषयांवर आठवड्यातून कार्यक्रम सादर करा आणि प्रकाशित एआय अनुप्रयोगांकडील उदाहरणे निवडा. प्रोग्रामिंग घटक केवळ भविष्यातील क्लिनिकल प्रॅक्टिसबद्दल अंतर्दृष्टी प्रदान करण्यासाठी संबंधित मानले जातात, जसे की क्लिनिकल चाचण्यांमध्ये ते वापरण्यासाठी तयार आहेत की नाही हे ठरवण्यासाठी मॉडेलचे मूल्यांकन कसे करावे. ही उदाहरणे पूर्ण-समाप्ती-टू-एंड अनुप्रयोगात आहेत जी वैद्यकीय प्रतिमेच्या मापदंडांवर आधारित सौम्य किंवा घातक म्हणून ट्यूमरचे वर्गीकरण करते.
पूर्वीच्या ज्ञानाची विषमता. आमच्या सहभागींनी त्यांच्या गणिताच्या ज्ञानाच्या पातळीवर भिन्नता दर्शविली. उदाहरणार्थ, प्रगत अभियांत्रिकी पार्श्वभूमी असलेले विद्यार्थी अधिक सखोल सामग्री शोधत आहेत, जसे की त्यांचे स्वतःचे फूरियर ट्रान्सफॉर्म कसे करावे. तथापि, वर्गातील फूरियर अल्गोरिदमबद्दल चर्चा करणे शक्य नाही कारण त्यासाठी सिग्नल प्रक्रियेचे सखोल ज्ञान आवश्यक आहे.
उपस्थिती बहिर्वाह. पाठपुरावा बैठकीत उपस्थिती कमी झाली, विशेषत: ऑनलाइन स्वरूपात. एक उपाय म्हणजे उपस्थितीचा मागोवा घेणे आणि पूर्णतेचे प्रमाणपत्र प्रदान करणे. वैद्यकीय शाळा विद्यार्थ्यांच्या अतिरिक्त शैक्षणिक क्रियाकलापांची उतारे ओळखण्यासाठी ओळखली जातात, ज्यामुळे विद्यार्थ्यांना पदवी मिळविण्यास प्रोत्साहित केले जाऊ शकते.
कोर्स डिझाइनः एआयने बर्‍याच सबफिल्ड्समध्ये विस्तार केला आहे, योग्य खोली आणि रुंदीच्या मुख्य संकल्पना निवडणे आव्हानात्मक असू शकते. उदाहरणार्थ, प्रयोगशाळेपासून क्लिनिकमध्ये एआय साधनांचा वापर करणे हा एक महत्त्वाचा विषय आहे. आम्ही डेटा प्रीप्रोसेसिंग, मॉडेल इमारत आणि प्रमाणीकरण कव्हर करत असताना, आम्ही बिग डेटा tics नालिटिक्स, इंटरएक्टिव्ह व्हिज्युअलायझेशन किंवा एआय क्लिनिकल चाचण्या आयोजित करणे यासारख्या विषयांचा समावेश करीत नाही, त्याऐवजी आम्ही सर्वात अद्वितीय एआय संकल्पनांवर लक्ष केंद्रित करतो. आमचे मार्गदर्शक तत्व म्हणजे कौशल्य नव्हे तर साक्षरता सुधारणे. उदाहरणार्थ, मॉडेल इनपुट वैशिष्ट्ये कशी प्रक्रिया करते हे समजणे स्पष्टीकरणात्मकतेसाठी महत्त्वपूर्ण आहे. हे करण्याचा एक मार्ग म्हणजे ग्रेडियंट ation क्टिवेशन नकाशे वापरणे, जे डेटाचे कोणते क्षेत्र अंदाज लावतात हे दृश्यमान करू शकतात. तथापि, यासाठी मल्टीव्हिएट कॅल्क्युलस आवश्यक आहे आणि 8 परिचय केला जाऊ शकत नाही. सामान्य शब्दावली विकसित करणे आव्हानात्मक होते कारण आम्ही गणिताच्या औपचारिकतेशिवाय वेक्टर म्हणून डेटासह कसे कार्य करावे हे स्पष्ट करण्याचा प्रयत्न करीत होतो. लक्षात घ्या की वेगवेगळ्या शब्दांचा समान अर्थ आहे, उदाहरणार्थ, महामारीशास्त्रात, "वैशिष्ट्यपूर्ण" वर्णन "व्हेरिएबल" किंवा "विशेषता" म्हणून केले जाते.
ज्ञान धारणा. एआयचा वापर मर्यादित असल्याने, सहभागी किती प्रमाणात ज्ञान टिकवून ठेवतात हे पाहणे बाकी आहे. वैद्यकीय शालेय अभ्यासक्रम व्यावहारिक रोटेशन दरम्यान ज्ञान मजबूत करण्यासाठी स्पेस केलेल्या पुनरावृत्तीवर बर्‍याचदा अवलंबून असतो, 9 जे एआय शिक्षणावर देखील लागू केले जाऊ शकते.
साक्षरतेपेक्षा व्यावसायिकता अधिक महत्त्वाची आहे. सामग्रीची खोली गणिताच्या कठोरपणाशिवाय डिझाइन केली गेली आहे, जी कृत्रिम बुद्धिमत्तेत क्लिनिकल कोर्स सुरू करताना एक समस्या होती. प्रोग्रामिंगच्या उदाहरणांमध्ये, आम्ही एक टेम्पलेट प्रोग्राम वापरतो जो सहभागींना फील्ड भरण्यास आणि संपूर्ण प्रोग्रामिंग वातावरण कसे सेट करावे हे ठरविल्याशिवाय सॉफ्टवेअर चालविण्यास अनुमती देते.
कृत्रिम बुद्धिमत्तेबद्दल चिंता व्यक्त केली: कृत्रिम बुद्धिमत्ता काही क्लिनिकल कर्तव्ये बदलू शकते याची व्यापक चिंता आहे. या समस्येचे निराकरण करण्यासाठी, आम्ही एआयच्या मर्यादांचे स्पष्टीकरण देतो, ज्यात नियामकांनी मंजूर केलेल्या जवळजवळ सर्व एआय तंत्रज्ञानास डॉक्टरांच्या पर्यवेक्षणाची आवश्यकता असते. आम्ही पक्षपातीपणाच्या महत्त्ववर देखील जोर देतो कारण अल्गोरिदम पक्षपातीपणाची शक्यता असते, विशेषत: जर डेटा सेट वैविध्यपूर्ण नसेल तर 12. परिणामी, विशिष्ट उपसमूह चुकीच्या पद्धतीने मॉडेल केले जाऊ शकते, ज्यामुळे अन्यायकारक क्लिनिकल निर्णय होऊ शकतात.
संसाधने सार्वजनिकपणे उपलब्ध आहेत: आम्ही लेक्चर स्लाइड्स आणि कोडसह सार्वजनिकपणे उपलब्ध संसाधने तयार केली आहेत. टाइम झोनमुळे सिंक्रोनस सामग्रीमध्ये प्रवेश मर्यादित असला तरी, सर्व वैद्यकीय शाळांमध्ये एआय कौशल्य उपलब्ध नसल्यामुळे ओपन सोर्स सामग्री एसिंक्रोनस लर्निंगसाठी एक सोयीस्कर पद्धत आहे.
अंतःविषय सहयोग: ही कार्यशाळा वैद्यकीय विद्यार्थ्यांनी अभियंत्यांसह अभ्यासक्रमांची योजना आखण्यासाठी सुरू केलेली संयुक्त उद्यम आहे. हे दोन्ही क्षेत्रातील सहयोग संधी आणि ज्ञानातील अंतर दर्शविते, जे सहभागींना भविष्यात योगदान देऊ शकतील अशा संभाव्य भूमिकेस समजू शकतात.
एआय कोर क्षमता परिभाषित करा. कार्यक्षमतेची यादी निश्चित करणे एक प्रमाणित रचना प्रदान करते जी विद्यमान कार्यक्षमता-आधारित वैद्यकीय अभ्यासक्रमात समाकलित केली जाऊ शकते. ही कार्यशाळा सध्या ब्लूमच्या वर्गीकरणातील शिकण्याच्या उद्दीष्ट पातळी 2 (आकलन), 3 (अनुप्रयोग) आणि 4 (विश्लेषण) वापरते. प्रकल्प तयार करण्यासारख्या उच्च पातळीवरील वर्गीकरणावर संसाधने असणे, ज्ञान अधिक मजबूत करू शकते. क्लिनिकल वर्कफ्लोवर एआय विषय कसे लागू केले जाऊ शकतात आणि मानक वैद्यकीय अभ्यासक्रमात आधीच समाविष्ट असलेल्या पुनरावृत्ती विषयांच्या अध्यापनास प्रतिबंधित करण्यासाठी क्लिनिकल तज्ञांसह कार्य करणे आवश्यक आहे.
एआय वापरुन केस स्टडी तयार करा. क्लिनिकल उदाहरणांप्रमाणेच, केस-आधारित शिक्षण क्लिनिकल प्रश्नांशी त्यांची प्रासंगिकता हायलाइट करून अमूर्त संकल्पनांना मजबुती देऊ शकते. उदाहरणार्थ, एका कार्यशाळेच्या अभ्यासानुसार बाह्य प्रमाणीकरण आवश्यकता आणि नियामक मंजुरी मार्ग यासारख्या प्रयोगशाळेपासून क्लिनिकपर्यंतच्या मार्गावरील आव्हाने ओळखण्यासाठी Google च्या एआय-आधारित मधुमेह रेटिनोपैथी डिटेक्शन सिस्टम 13 चे विश्लेषण केले गेले.
अनुभवात्मक शिक्षण वापरा: क्लिनिकल प्रशिक्षणार्थींच्या फिरणार्‍या शिकण्याच्या अनुभवांप्रमाणेच तांत्रिक कौशल्यांना केंद्रित सराव आणि मास्टरसाठी पुनरावृत्ती अनुप्रयोग आवश्यक आहे. एक संभाव्य उपाय म्हणजे फ्लिप्ड क्लासरूम मॉडेल, जे अभियांत्रिकी शिक्षण 14 मध्ये ज्ञान धारणा सुधारण्यासाठी नोंदवले गेले आहे. या मॉडेलमध्ये, विद्यार्थी स्वतंत्रपणे सैद्धांतिक सामग्रीचे पुनरावलोकन करतात आणि वर्ग वेळ केस स्टडीद्वारे समस्या सोडविण्यासाठी समर्पित आहे.
बहु -अनुशासनात्मक सहभागींसाठी स्केलिंगः आम्ही एआय दत्तक घेण्याची कल्पना करतो की विविध विषयांमध्ये अनेक विषयांमध्ये सहकार्याने सहकार्य केले आहे, ज्यात वेगवेगळ्या प्रशिक्षणातील विविध स्तरांसह संबंधित आरोग्य व्यावसायिकांचा समावेश आहे. म्हणूनच, आरोग्य सेवेच्या वेगवेगळ्या क्षेत्रात त्यांची सामग्री तयार करण्यासाठी वेगवेगळ्या विभागांच्या प्राध्यापकांच्या सल्ल्यानुसार अभ्यासक्रम विकसित करण्याची आवश्यकता असू शकते.
कृत्रिम बुद्धिमत्ता ही उच्च-टेक आहे आणि त्याच्या मूळ संकल्पना गणित आणि संगणक विज्ञानाशी संबंधित आहेत. कृत्रिम बुद्धिमत्ता समजून घेण्यासाठी हेल्थकेअर कर्मचार्‍यांना प्रशिक्षण देण्याचे प्रशिक्षण सामग्री निवड, क्लिनिकल प्रासंगिकता आणि वितरण पद्धतींमध्ये अद्वितीय आव्हाने सादर करते. आम्हाला आशा आहे की शिक्षण कार्यशाळांमधील एआयकडून प्राप्त झालेल्या अंतर्दृष्टी भविष्यातील शिक्षकांना एआयला वैद्यकीय शिक्षणामध्ये समाकलित करण्यासाठी नाविन्यपूर्ण मार्ग स्वीकारण्यास मदत करतील.
गूगल कोलाबोरेटरी पायथन स्क्रिप्ट ओपन सोर्स आणि येथे उपलब्ध आहे:
प्रोपर, केजी आणि खान, एस. रीथिंकिंग मेडिकल एज्युकेशन: एक कॉल टू अ‍ॅक्शन. अक्कड. औषध. 88, 1407–1410 (2013).
मॅककोय, एलजी इ. वैद्यकीय विद्यार्थ्यांना कृत्रिम बुद्धिमत्तेबद्दल खरोखर काय माहित असणे आवश्यक आहे? एनपीझेडएच क्रमांक. औषध 3, 1–3 (2020).
डॉस सॅंटोस, डीपी, इत्यादी. कृत्रिम बुद्धिमत्तेकडे वैद्यकीय विद्यार्थ्यांचा दृष्टिकोन: मल्टीसेन्टर सर्वेक्षण. युरो. रेडिएशन. 29, 1640–1646 (2019).
फॅन, केवाय, हू, आर., आणि सिंगला, आर. वैद्यकीय विद्यार्थ्यांसाठी मशीन लर्निंगची ओळख: एक पायलट प्रोजेक्ट. जे. मेड. शिकवा. 54, 1042–1043 (2020).
कूपरमॅन एन, इत्यादी. डोक्याच्या दुखापतीनंतर क्लिनिकदृष्ट्या मेंदूच्या दुखापतीचा धोका कमी असलेल्या मुलांना ओळखणे: संभाव्य समूह अभ्यास. लॅन्सेट 374, 1160–1170 (2009).
स्ट्रीट, डब्ल्यूएन, वोलबर्ग, डब्ल्यूएच आणि मंगासेरियन, ओएल. स्तन ट्यूमर निदानासाठी अणु वैशिष्ट्य माहिती. बायोमेडिकल विज्ञान. प्रतिमा प्रक्रिया. बायोमेडिकल विज्ञान. वेस. 1905, 861-870 (1993).
चेन, पीएचसी, लिऊ, वाय. आणि पेंग, एल. हेल्थकेअरसाठी मशीन लर्निंग मॉडेल कसे विकसित करावे. नेट. मॅट. 18, 410–414 (2019).
सेल्वराजु, आरआर एट अल. ग्रेड-सीएएम: ग्रेडियंट-आधारित स्थानिकीकरणाद्वारे खोल नेटवर्कचे व्हिज्युअल स्पष्टीकरण. संगणक व्हिजनवरील आयईईई आंतरराष्ट्रीय परिषदेची कार्यवाही, 618-626 (2017).
कुमारवेल बी, स्टीवर्ट के आणि इलिक डी. विकास आणि पदवीधर वैद्यकीय शिक्षणामध्ये ओएससीईचा वापर करून पुरावा-आधारित औषधांच्या कार्यक्षमतेचे मूल्यांकन करण्यासाठी सर्पिल मॉडेलचे विकास आणि मूल्यांकन. बीएमके औषध. शिकवा. 21, 1-9 (2021).
कोलाचलामा व्हीबी आणि गर्ग पीएस मशीन लर्निंग अँड मेडिकल एज्युकेशन. एनपीझेडएच क्रमांक. औषध. 1, 1–3 (2018).
व्हॅन लीयूवेन, केजी, शेलेकॅम्प, एस., रट्टन, एमजे, व्हॅन गिनकेन, बी. युरो. रेडिएशन. 31, 3797–3804 (2021).
टोपोल, ईजे उच्च-कार्यक्षमता औषध: मानवी आणि कृत्रिम बुद्धिमत्तेचे अभिसरण. नेट. औषध. 25, 44-56 (2019).
बेडे, ई. इत्यादी. मधुमेह रेटिनोपैथी शोधण्यासाठी क्लिनिकमध्ये तैनात असलेल्या खोल शिक्षण प्रणालीचे मानवी-केंद्रीत मूल्यांकन. संगणकीय यंत्रणेतील मानवी घटकांवर 2020 ची परिषदेची कार्यवाही (2020).
केर, बी. अभियांत्रिकी शिक्षणातील फ्लिप केलेले वर्ग: एक संशोधन पुनरावलोकन. इंटरएक्टिव्ह सहयोगी शिक्षण (2015) वर 2015 आंतरराष्ट्रीय परिषदेची कार्यवाही.
ब्रिटिश कोलंबिया विद्यापीठातील बायोमेडिकल इमेजिंग आणि कृत्रिम बुद्धिमत्ता संशोधन क्लस्टरकडून डॅनियल वॉकर, टिम साल्कुउडिन आणि पीटर झँडस्ट्र्राचे लेखकांचे समर्थन व निधीसाठी आभार मानतात.
आरएच, पीपी, झेडएच, आरएस आणि एमए कार्यशाळेच्या अध्यापन सामग्री विकसित करण्यास जबाबदार होते. प्रोग्रामिंगची उदाहरणे विकसित करण्यासाठी आरएच आणि पीपी जबाबदार होते. केवायएफ, ओवाय, एमटी आणि पीडब्ल्यू या प्रकल्पाच्या लॉजिस्टिकल ऑर्गनायझेशन आणि कार्यशाळांच्या विश्लेषणासाठी जबाबदार होते. आकडेवारी आणि सारण्या तयार करण्यासाठी आरएच, ओवाय, एमटी, आरएस जबाबदार होते. आरएच, केवायएफ, पीपी, झेडएच, ओवाय, एमवाय, पीडब्ल्यू, टीएल, एमए, आरएस दस्तऐवज तयार करणे आणि संपादित करण्यास जबाबदार होते.
या कार्याच्या पुनरावलोकनासाठी दिलेल्या योगदानाबद्दल संप्रेषण औषध कॅरोलिन मॅकग्रेगोर, फॅबिओ मोरेस आणि आदित्य बोरकती यांचे आभार.