वैद्यकीय विद्यार्थ्यांना कृत्रिम बुद्धिमत्ता शिकवण्याबद्दल कॅनेडियन दृष्टिकोन

Nature.com ला भेट दिल्याबद्दल धन्यवाद. तुम्ही वापरत असलेल्या ब्राउझरच्या आवृत्तीमध्ये CSS साठी मर्यादित समर्थन आहे. सर्वोत्तम परिणामांसाठी, आम्ही तुमच्या ब्राउझरची नवीन आवृत्ती वापरण्याची (किंवा इंटरनेट एक्सप्लोररमधील कंपॅटिबिलिटी मोड बंद करण्याची) शिफारस करतो. दरम्यान, सतत समर्थन सुनिश्चित करण्यासाठी, आम्ही ही साइट स्टायलिंग किंवा जावास्क्रिप्टशिवाय दाखवत आहोत.
क्लिनिकल आर्टिफिशियल इंटेलिजन्सचे (AI) उपयोग झपाट्याने वाढत आहेत, परंतु सध्याच्या वैद्यकीय महाविद्यालयांच्या अभ्यासक्रमात या क्षेत्राविषयी मर्यादित शिक्षण दिले जाते. येथे आम्ही कॅनेडियन वैद्यकीय विद्यार्थ्यांसाठी विकसित केलेल्या आणि त्यांना दिलेल्या आर्टिफिशियल इंटेलिजन्स प्रशिक्षण अभ्यासक्रमाचे वर्णन केले आहे आणि भविष्यातील प्रशिक्षणासाठी शिफारसी केल्या आहेत.
वैद्यकीय क्षेत्रात कृत्रिम बुद्धिमत्ता (AI) कामाच्या ठिकाणची कार्यक्षमता सुधारू शकते आणि वैद्यकीय निर्णय घेण्यास मदत करू शकते. कृत्रिम बुद्धिमत्तेच्या वापराचे सुरक्षितपणे मार्गदर्शन करण्यासाठी, डॉक्टरांना कृत्रिम बुद्धिमत्तेची काही समज असणे आवश्यक आहे. अनेक मतांनुसार AI संकल्पना शिकवण्याचे समर्थन केले जाते¹, जसे की AI मॉडेल्स आणि पडताळणी प्रक्रिया² समजावून सांगणे. तथापि, विशेषतः राष्ट्रीय स्तरावर, फार कमी संरचित योजना राबवल्या गेल्या आहेत. पिंटो डोस सँटोस आणि इतर³. २६३ वैद्यकीय विद्यार्थ्यांचे सर्वेक्षण करण्यात आले आणि त्यापैकी ७१% जणांनी मान्य केले की त्यांना कृत्रिम बुद्धिमत्तेमध्ये प्रशिक्षणाची आवश्यकता आहे. वैद्यकीय क्षेत्रातील विद्यार्थ्यांना कृत्रिम बुद्धिमत्ता शिकवण्यासाठी काळजीपूर्वक रचना करणे आवश्यक आहे, ज्यात तांत्रिक आणि अतांत्रिक संकल्पनांचा मेळ घातला जाईल, विशेषतः अशा विद्यार्थ्यांसाठी ज्यांना अनेकदा विस्तृत पूर्वज्ञान असते. आम्ही वैद्यकीय विद्यार्थ्यांच्या तीन गटांना AI कार्यशाळांची मालिका आयोजित करण्याचा आमचा अनुभव वर्णन करतो आणि AI मधील भविष्यातील वैद्यकीय शिक्षणासाठी शिफारसी करतो.
वैद्यकीय विद्यार्थ्यांसाठी आमची 'वैद्यकशास्त्रातील कृत्रिम बुद्धिमत्तेचा परिचय' ही पाच आठवड्यांची कार्यशाळा फेब्रुवारी २०१९ ते एप्रिल २०२१ दरम्यान तीन वेळा आयोजित करण्यात आली होती. प्रत्येक कार्यशाळेचे वेळापत्रक, अभ्यासक्रमातील बदलांच्या संक्षिप्त वर्णनासह, आकृती १ मध्ये दर्शविले आहे. आमच्या अभ्यासक्रमाची तीन प्रमुख उद्दिष्ट्ये आहेत: कृत्रिम बुद्धिमत्तेच्या अनुप्रयोगांमध्ये डेटावर प्रक्रिया कशी केली जाते हे विद्यार्थ्यांनी समजून घेणे, वैद्यकीय अनुप्रयोगांसाठी कृत्रिम बुद्धिमत्तेवरील साहित्याचे विश्लेषण करणे, आणि कृत्रिम बुद्धिमत्ता विकसित करणाऱ्या अभियंत्यांसोबत सहयोग करण्याच्या संधींचा लाभ घेणे.
निळा रंग व्याख्यानाचा विषय दर्शवतो आणि फिकट निळा रंग संवादात्मक प्रश्नोत्तर सत्रासाठी आहे. राखाडी विभाग संक्षिप्त साहित्य समीक्षेवर लक्ष केंद्रित करतो. नारंगी विभाग हे निवडक केस स्टडीज आहेत, जे कृत्रिम बुद्धिमत्तेचे मॉडेल किंवा तंत्रांचे वर्णन करतात. हिरवा रंग एक मार्गदर्शित प्रोग्रामिंग कोर्स आहे, जो कृत्रिम बुद्धिमत्तेला वैद्यकीय समस्या सोडवण्यासाठी आणि मॉडेल्सचे मूल्यांकन करण्यासाठी शिकवण्यासाठी तयार केला आहे. कार्यशाळांची सामग्री आणि कालावधी विद्यार्थ्यांच्या गरजांच्या मूल्यांकनानुसार बदलतात.
पहिली कार्यशाळा फेब्रुवारी ते एप्रिल २०१९ दरम्यान ब्रिटिश कोलंबिया विद्यापीठात आयोजित करण्यात आली होती आणि सर्व ८ सहभागींनी सकारात्मक अभिप्राय दिला⁴. कोविड-१९ मुळे, दुसरी कार्यशाळा ऑक्टोबर-नोव्हेंबर २०२० मध्ये आभासी पद्धतीने आयोजित करण्यात आली, ज्यामध्ये कॅनडातील ८ वैद्यकीय शाळांमधील २२२ वैद्यकीय विद्यार्थी आणि ३ निवासी डॉक्टरांनी नोंदणी केली. सादरीकरणाच्या स्लाइड्स आणि कोड एका ओपन ॲक्सेस साइटवर (http://ubcaimed.github.io) अपलोड करण्यात आले आहेत. पहिल्या आवृत्तीतील मुख्य अभिप्राय असा होता की व्याख्याने खूपच गहन होती आणि अभ्यासक्रम खूपच सैद्धांतिक होता. कॅनडाच्या सहा वेगवेगळ्या टाइम झोनमध्ये सेवा देणे हे अतिरिक्त आव्हान आहे. त्यामुळे, दुसऱ्या कार्यशाळेत प्रत्येक सत्र १ तासापर्यंत कमी करण्यात आले, अभ्यासक्रम सोपा करण्यात आला, अधिक केस स्टडीज जोडण्यात आल्या आणि बॉयलरप्लेट प्रोग्राम्स तयार करण्यात आले, ज्यामुळे सहभागींना कमीत कमी डीबगिंगसह कोड स्निपेट्स पूर्ण करता आले (बॉक्स १). दुसऱ्या आवृत्तीतील मुख्य अभिप्रायांमध्ये प्रोग्रामिंग व्यायामांवरील सकारात्मक अभिप्राय आणि मशीन लर्निंग प्रकल्पाच्या नियोजनाचे प्रात्यक्षिक दाखवण्याची विनंती यांचा समावेश होता. त्यामुळे, मार्च-एप्रिल २०२१ मध्ये १२६ वैद्यकीय विद्यार्थ्यांसाठी व्हर्च्युअली आयोजित केलेल्या आमच्या तिसऱ्या कार्यशाळेत, प्रकल्पांवर कार्यशाळेतील संकल्पना वापरण्याचा प्रभाव दाखवण्यासाठी आम्ही अधिक इंटरॅक्टिव्ह कोडिंग सराव आणि प्रकल्प अभिप्राय सत्रांचा समावेश केला.
डेटा विश्लेषण: सांख्यिकीमधील अभ्यासाची एक शाखा जी डेटा नमुन्यांचे विश्लेषण, प्रक्रिया आणि संप्रेषण करून त्यामधील अर्थपूर्ण नमुने ओळखते.
डेटा मायनिंग: डेटा ओळखण्याची आणि काढण्याची प्रक्रिया. कृत्रिम बुद्धिमत्तेच्या संदर्भात, ही प्रक्रिया अनेकदा मोठी असते, ज्यामध्ये प्रत्येक नमुन्यासाठी अनेक चल (व्हेरिएबल्स) असतात.
आयामी घट: मूळ डेटा सेटचे महत्त्वाचे गुणधर्म जतन करून, अनेक वैयक्तिक वैशिष्ट्ये असलेल्या डेटाला कमी वैशिष्ट्यांमध्ये रूपांतरित करण्याची प्रक्रिया.
वैशिष्ट्ये (कृत्रिम बुद्धिमत्तेच्या संदर्भात): नमुन्याचे मोजता येण्याजोगे गुणधर्म. अनेकदा “गुणधर्म” किंवा “चल” या शब्दांऐवजी वापरले जाते.
ग्रेडियंट ॲक्टिव्हेशन मॅप: कृत्रिम बुद्धिमत्ता मॉडेल्सचे (विशेषतः कन्व्होल्यूशनल न्यूरल नेटवर्क्सचे) विश्लेषण करण्यासाठी वापरले जाणारे एक तंत्र, जे नेटवर्कच्या शेवटच्या भागाला ऑप्टिमाइझ करण्याच्या प्रक्रियेचे विश्लेषण करून अत्यंत भविष्यसूचक असलेले डेटा किंवा प्रतिमांचे भाग ओळखते.
स्टँडर्ड मॉडेल: समान कार्ये करण्यासाठी पूर्व-प्रशिक्षित केलेले एक विद्यमान AI मॉडेल.
चाचणी (कृत्रिम बुद्धिमत्तेच्या संदर्भात): एखादे मॉडेल पूर्वी कधीही न पाहिलेल्या डेटाचा वापर करून एखादे कार्य कसे पार पाडते याचे निरीक्षण करणे.
प्रशिक्षण (कृत्रिम बुद्धिमत्तेच्या संदर्भात): मॉडेलला डेटा आणि परिणाम प्रदान करणे, जेणेकरून मॉडेल नवीन डेटा वापरून कार्ये पार पाडण्याची आपली क्षमता इष्टतम करण्यासाठी त्याचे अंतर्गत मापदंड समायोजित करेल.
वेक्टर: डेटाचा अॅरे. मशीन लर्निंगमध्ये, अॅरेमधील प्रत्येक घटक सहसा नमुन्याचे एक अद्वितीय वैशिष्ट्य असते.
तक्ता १ मध्ये एप्रिल २०२१ साठीचे नवीनतम अभ्यासक्रम सूचीबद्ध केले आहेत, ज्यात प्रत्येक विषयासाठीची लक्ष्यित अध्ययन उद्दिष्ट्ये समाविष्ट आहेत. ही कार्यशाळा तांत्रिक स्तरावर नवीन असलेल्यांसाठी आहे आणि यासाठी वैद्यकीय पदवीच्या पहिल्या वर्षापलीकडील कोणत्याही गणितीय ज्ञानाची आवश्यकता नाही. हा अभ्यासक्रम ६ वैद्यकीय विद्यार्थी आणि अभियांत्रिकीमध्ये उच्च पदवी असलेल्या ३ शिक्षकांनी विकसित केला आहे. अभियंते शिकवण्यासाठी कृत्रिम बुद्धिमत्तेचा सिद्धांत विकसित करत आहेत, आणि वैद्यकीय विद्यार्थी वैद्यकीयदृष्ट्या संबंधित विषय शिकत आहेत.
कार्यशाळांमध्ये व्याख्याने, केस स्टडीज आणि मार्गदर्शित प्रोग्रामिंगचा समावेश असतो. पहिल्या व्याख्यानात, आम्ही बायोस्टॅटिस्टिक्समधील डेटा विश्लेषणाच्या निवडक संकल्पनांचा आढावा घेतो, ज्यात डेटा व्हिज्युअलायझेशन, लॉजिस्टिक रिग्रेशन आणि वर्णनात्मक व आगमनात्मक सांख्यिकीची तुलना यांचा समावेश आहे. जरी डेटा विश्लेषण हे कृत्रिम बुद्धिमत्तेचा पाया असले तरी, आम्ही डेटा मायनिंग, सार्थकता चाचणी किंवा इंटरॅक्टिव्ह व्हिज्युअलायझेशन यांसारखे विषय वगळतो. हे वेळेच्या मर्यादेमुळे आणि काही पदवीपूर्व विद्यार्थ्यांना बायोस्टॅटिस्टिक्समध्ये पूर्व-प्रशिक्षण असल्यामुळे व त्यांना मशीन लर्निंगचे अधिक वैशिष्ट्यपूर्ण विषय अभ्यासायचे असल्यामुळे होते. त्यानंतरच्या व्याख्यानात आधुनिक पद्धतींचा परिचय करून दिला जातो आणि एआय समस्या सूत्रण, एआय मॉडेल्सचे फायदे व मर्यादा आणि मॉडेल चाचणी यावर चर्चा केली जाते. व्याख्यानांना सध्याच्या कृत्रिम बुद्धिमत्ता उपकरणांवरील साहित्य आणि व्यावहारिक संशोधनाची जोड दिली जाते. आम्ही क्लिनिकल प्रश्नांना सामोरे जाण्यासाठी मॉडेलची परिणामकारकता आणि व्यवहार्यता यांचे मूल्यांकन करण्यासाठी आवश्यक असलेल्या कौशल्यांवर भर देतो, ज्यात सध्याच्या कृत्रिम बुद्धिमत्ता उपकरणांच्या मर्यादा समजून घेणे समाविष्ट आहे. उदाहरणार्थ, आम्ही विद्यार्थ्यांना कुपरमन आणि इतरांनी प्रस्तावित केलेल्या बालकांच्या डोक्याच्या दुखापतीच्या मार्गदर्शक तत्त्वांचा अर्थ लावण्यास सांगितले, ज्यामध्ये डॉक्टरांच्या तपासणीच्या आधारावर सीटी स्कॅन उपयुक्त ठरेल की नाही हे ठरवण्यासाठी कृत्रिम बुद्धिमत्ता डिसिजन ट्री अल्गोरिदम लागू करण्यात आला होता. आम्ही यावर जोर देतो की, हे डॉक्टरांची जागा घेण्याऐवजी, डॉक्टरांना विश्लेषण करण्यासाठी भविष्यसूचक विश्लेषण प्रदान करणाऱ्या एआयचे एक सामान्य उदाहरण आहे.
उपलब्ध ओपन सोर्स बूटस्ट्रॅप प्रोग्रामिंग उदाहरणांमध्ये (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), आम्ही एक्सप्लोरेटरी डेटा ॲनालिसिस, डायमेन्शनॅलिटी रिडक्शन, स्टँडर्ड मॉडेल लोडिंग, आणि ट्रेनिंग व टेस्टिंग कसे करावे हे दाखवतो. आम्ही गूगल कोलॅबोरेटरी नोटबुक्स (गूगल एलएलसी, माउंटन व्ह्यू, सीए) वापरतो, जे वेब ब्राउझरवरून पायथॉन कोड कार्यान्वित करण्याची परवानगी देतात. आकृती २ मध्ये एका प्रोग्रामिंग सरावाचे उदाहरण दिले आहे. या सरावामध्ये विस्कॉन्सिन ओपन ब्रेस्ट इमेजिंग डेटासेट६ आणि डिसिजन ट्री अल्गोरिदम वापरून दुर्दम्य रोगांचा अंदाज लावणे समाविष्ट आहे.
आठवडाभर संबंधित विषयांवर कार्यक्रम सादर करा आणि प्रकाशित एआय ॲप्लिकेशन्समधून उदाहरणे निवडा. भविष्यातील वैद्यकीय पद्धतींबद्दल अंतर्दृष्टी देण्यासाठी संबंधित मानले जाणारे प्रोग्रामिंग घटकच समाविष्ट केले जातात, जसे की मॉडेल्स क्लिनिकल ट्रायल्समध्ये वापरासाठी तयार आहेत की नाही हे ठरवण्यासाठी त्यांचे मूल्यांकन कसे करावे. या उदाहरणांचा परिपाक एका संपूर्ण एंड-टू-एंड ॲप्लिकेशनमध्ये होतो, जे वैद्यकीय इमेज पॅरामीटर्सच्या आधारावर ट्यूमरचे सौम्य किंवा घातक असे वर्गीकरण करते.
पूर्वज्ञानातील भिन्नता. आमच्या सहभागींच्या गणितीय ज्ञानाची पातळी वेगवेगळी होती. उदाहरणार्थ, प्रगत अभियांत्रिकी पार्श्वभूमी असलेले विद्यार्थी अधिक सखोल माहितीच्या शोधात असतात, जसे की स्वतःचे फूरियर ट्रान्सफॉर्म कसे करावे. तथापि, वर्गात फूरियर अल्गोरिदमवर चर्चा करणे शक्य नाही, कारण त्यासाठी सिग्नल प्रोसेसिंगच्या सखोल ज्ञानाची आवश्यकता असते.
उपस्थितीतील घट. पाठपुरावा बैठकांमधील उपस्थिती कमी झाली, विशेषतः ऑनलाइन स्वरूपात. उपस्थितीचा मागोवा घेणे आणि अभ्यासक्रम पूर्ण केल्याचे प्रमाणपत्र देणे हा एक उपाय असू शकतो. वैद्यकीय महाविद्यालये विद्यार्थ्यांच्या अभ्यासक्रमेतर शैक्षणिक उपक्रमांच्या गुणपत्रिकांना मान्यता देतात, ज्यामुळे विद्यार्थ्यांना पदवी मिळवण्यासाठी प्रोत्साहन मिळू शकते.
अभ्यासक्रमाची रचना: एआय (AI) अनेक उपक्षेत्रांमध्ये विस्तारलेले असल्यामुळे, योग्य खोली आणि व्याप्ती असलेल्या मुख्य संकल्पना निवडणे आव्हानात्मक असू शकते. उदाहरणार्थ, प्रयोगशाळेपासून क्लिनिकपर्यंत एआय साधनांच्या वापराची सातत्यता हा एक महत्त्वाचा विषय आहे. आम्ही डेटा प्रीप्रोसेसिंग, मॉडेल बिल्डिंग आणि व्हॅलिडेशन यांचा समावेश करत असलो तरी, आम्ही बिग डेटा ॲनालिटिक्स, इंटरॲक्टिव्ह व्हिज्युअलायझेशन किंवा एआय क्लिनिकल ट्रायल्स आयोजित करणे यांसारख्या विषयांचा समावेश करत नाही, त्याऐवजी आम्ही सर्वात अद्वितीय एआय संकल्पनांवर लक्ष केंद्रित करतो. आमचे मार्गदर्शक तत्त्व कौशल्ये नव्हे, तर साक्षरता सुधारणे हे आहे. उदाहरणार्थ, एखादे मॉडेल इनपुट फीचर्सवर कशी प्रक्रिया करते हे समजून घेणे इंटरप्रिटेबिलिटीसाठी (अर्थबोधकतेसाठी) महत्त्वाचे आहे. हे करण्याचा एक मार्ग म्हणजे ग्रेडियंट ॲक्टिव्हेशन मॅप्स वापरणे, जे डेटाचे कोणते भाग अंदाज करण्यायोग्य आहेत हे व्हिज्युअलाइझ करू शकतात. तथापि, यासाठी मल्टिव्हॅरिएट कॅल्क्युलसची आवश्यकता असते आणि ते सादर केले जाऊ शकत नाही⁸. एक सामान्य परिभाषा विकसित करणे आव्हानात्मक होते कारण आम्ही गणितीय औपचारिकता न वापरता डेटाला वेक्टर्स म्हणून कसे हाताळावे हे स्पष्ट करण्याचा प्रयत्न करत होतो. लक्षात घ्या की वेगवेगळ्या संज्ञांचा अर्थ समान आहे, उदाहरणार्थ, एपिडेमियोलॉजीमध्ये, "कॅरॅक्टरिस्टिक" (वैशिष्ट्य) हे "व्हेरिएबल" (चल) किंवा "ॲट्रिब्यूट" (गुणधर्म) म्हणून वर्णन केले जाते.
ज्ञान टिकवून ठेवणे. एआयचा वापर मर्यादित असल्यामुळे, सहभागी किती प्रमाणात ज्ञान टिकवून ठेवतात हे पाहणे बाकी आहे. वैद्यकीय महाविद्यालयांचा अभ्यासक्रम अनेकदा प्रात्यक्षिक रोटेशन दरम्यान ज्ञान दृढ करण्यासाठी 'स्पेस्ड रिपीटेशन'वर अवलंबून असतो,९ जे एआय शिक्षणाला देखील लागू केले जाऊ शकते.
साक्षरतेपेक्षा व्यावसायिकता अधिक महत्त्वाची आहे. अभ्यासक्रमाची सखोलता गणिताच्या काटेकोरपणाशिवाय तयार केली आहे, जी कृत्रिम बुद्धिमत्तेमधील क्लिनिकल अभ्यासक्रम सुरू करताना एक समस्या होती. प्रोग्रामिंगच्या उदाहरणांमध्ये, आम्ही एक टेम्पलेट प्रोग्राम वापरतो, जो सहभागींना संपूर्ण प्रोग्रामिंग वातावरण कसे तयार करायचे हे शोधून न काढता, केवळ माहिती भरून सॉफ्टवेअर चालवण्याची सोय देतो.
कृत्रिम बुद्धिमत्तेबद्दलच्या चिंतांचे निराकरण: अशी व्यापक चिंता आहे की कृत्रिम बुद्धिमत्ता काही वैद्यकीय कर्तव्ये बदलू शकते³. या समस्येचे निराकरण करण्यासाठी, आम्ही एआयच्या मर्यादा स्पष्ट करतो, ज्यामध्ये नियामकांनी मंजूर केलेल्या जवळजवळ सर्व एआय तंत्रज्ञानांना डॉक्टरांच्या देखरेखीची आवश्यकता असते¹¹ या वस्तुस्थितीचा समावेश आहे. आम्ही पक्षपाताच्या महत्त्वावर देखील जोर देतो कारण अल्गोरिदम पक्षपातास प्रवण असतात, विशेषतः जर डेटा सेट वैविध्यपूर्ण नसेल¹². परिणामी, एका विशिष्ट उपसमूहाचे चुकीच्या पद्धतीने मॉडेलिंग केले जाऊ शकते, ज्यामुळे अन्यायकारक वैद्यकीय निर्णय घेतले जाऊ शकतात.
संसाधने सार्वजनिकरित्या उपलब्ध आहेत: आम्ही व्याख्यान स्लाइड्स आणि कोड यांसारखी सार्वजनिकरित्या उपलब्ध संसाधने तयार केली आहेत. जरी टाईम झोनमुळे समकालिक (synchronous) सामग्रीची उपलब्धता मर्यादित असली तरी, असामयिक (asynchronous) शिक्षणासाठी मुक्त स्रोत (open source) सामग्री ही एक सोयीस्कर पद्धत आहे, कारण सर्व वैद्यकीय महाविद्यालयांमध्ये एआय (AI) तज्ञता उपलब्ध नसते.
आंतरविद्याशाखीय सहकार्य: ही कार्यशाळा वैद्यकीय विद्यार्थ्यांनी अभियंत्यांसोबत मिळून अभ्यासक्रम आखण्यासाठी सुरू केलेला एक संयुक्त उपक्रम आहे. यातून दोन्ही क्षेत्रांमधील सहकार्याच्या संधी आणि ज्ञानातील उणिवा दिसून येतात, ज्यामुळे सहभागींना भविष्यात ते कोणती संभाव्य भूमिका बजावू शकतात हे समजण्यास मदत होते.
एआयच्या मुख्य क्षमता परिभाषित करा. क्षमतांची यादी परिभाषित केल्याने एक प्रमाणित रचना मिळते, जी सध्याच्या क्षमता-आधारित वैद्यकीय अभ्यासक्रमांमध्ये समाविष्ट केली जाऊ शकते. ही कार्यशाळा सध्या ब्लूमच्या वर्गीकरणातील अध्ययन उद्दिष्ट स्तर २ (आकलन), ३ (उपयोजन) आणि ४ (विश्लेषण) वापरते. वर्गीकरणाच्या उच्च स्तरांवर संसाधने उपलब्ध असणे, जसे की प्रकल्प तयार करणे, ज्ञानाला अधिक दृढ करू शकते. यासाठी, एआयचे विषय वैद्यकीय कार्यप्रवाहांमध्ये कसे लागू केले जाऊ शकतात हे ठरवण्यासाठी वैद्यकीय तज्ञांसोबत काम करणे आणि प्रमाणित वैद्यकीय अभ्यासक्रमांमध्ये आधीच समाविष्ट असलेल्या पुनरावृत्त विषयांचे अध्यापन टाळणे आवश्यक आहे.
एआय वापरून केस स्टडी तयार करा. क्लिनिकल उदाहरणांप्रमाणेच, केस-आधारित शिक्षणामुळे क्लिनिकल प्रश्नांशी त्यांची प्रासंगिकता अधोरेखित करून अमूर्त संकल्पना अधिक दृढ होऊ शकतात. उदाहरणार्थ, एका कार्यशाळेच्या अभ्यासात, प्रयोगशाळेपासून क्लिनिकपर्यंतच्या मार्गावरील आव्हाने, जसे की बाह्य प्रमाणीकरणाच्या आवश्यकता आणि नियामक मंजुरीचे मार्ग, ओळखण्यासाठी गुगलच्या एआय-आधारित डायबेटिक रेटिनोपॅथी शोध प्रणालीचे विश्लेषण केले गेले.
अनुभवात्मक शिक्षणाचा वापर करा: क्लिनिकल प्रशिक्षणार्थींच्या फिरत्या शिक्षण अनुभवांप्रमाणेच, तांत्रिक कौशल्यांमध्ये प्राविण्य मिळवण्यासाठी केंद्रित सराव आणि वारंवार वापराची आवश्यकता असते. यावर एक संभाव्य उपाय म्हणजे 'फ्लिप्ड क्लासरूम मॉडेल', ज्यामुळे अभियांत्रिकी शिक्षणामध्ये ज्ञान टिकवून ठेवण्यास मदत होते असे नोंदवले गेले आहे¹⁴. या मॉडेलमध्ये, विद्यार्थी स्वतंत्रपणे सैद्धांतिक सामग्रीचा आढावा घेतात आणि वर्गातील वेळ केस स्टडीजद्वारे समस्या सोडवण्यासाठी वापरला जातो.
बहुशाखीय सहभागींसाठी विस्तार: आमच्या कल्पनेनुसार, एआयच्या अवलंबनामध्ये विविध शाखांमधील सहकार्याचा समावेश असेल, ज्यामध्ये विविध प्रशिक्षण स्तरांचे डॉक्टर आणि संबंधित आरोग्य व्यावसायिक यांचा समावेश असेल. त्यामुळे, आरोग्यसेवेच्या विविध क्षेत्रांनुसार अभ्यासक्रमातील आशय तयार करण्यासाठी, वेगवेगळ्या विभागांतील प्राध्यापकांशी सल्लामसलत करून अभ्यासक्रम विकसित करण्याची आवश्यकता भासू शकते.
कृत्रिम बुद्धिमत्ता हे एक उच्च-तंत्रज्ञान असून, त्याच्या मूळ संकल्पना गणित आणि संगणकशास्त्राशी संबंधित आहेत. आरोग्यसेवा कर्मचाऱ्यांना कृत्रिम बुद्धिमत्ता समजून घेण्यासाठी प्रशिक्षण देताना आशयाची निवड, नैदानिक ​​प्रासंगिकता आणि सादरीकरणाच्या पद्धती यांमध्ये काही विशिष्ट आव्हाने येतात. आम्हाला आशा आहे की 'शिक्षणातील एआय' कार्यशाळांमधून मिळालेली माहिती भविष्यातील शिक्षकांना वैद्यकीय शिक्षणामध्ये एआय समाविष्ट करण्याचे नाविन्यपूर्ण मार्ग स्वीकारण्यास मदत करेल.
गूगल कोलॅबोरेटरी पायथन स्क्रिप्ट ओपन सोर्स आहे आणि https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ येथे उपलब्ध आहे.
प्रोबर, केजी आणि खान, एस. वैद्यकीय शिक्षणाचा पुनर्विचार: कृतीसाठी आवाहन. अक्कड. मेडिसिन. 88, 1407–1410 (2013).
मॅकॉय, एलजी इत्यादी. वैद्यकीय विद्यार्थ्यांना कृत्रिम बुद्धिमत्तेबद्दल खरोखर काय माहित असणे आवश्यक आहे? एनपीझेडएच संख्या. मेडिसिन 3, 1–3 (2020).
डोस सँटोस, डीपी, आणि इतर. वैद्यकीय विद्यार्थ्यांची कृत्रिम बुद्धिमत्तेबद्दलची वृत्ती: एक बहुकेंद्र सर्वेक्षण. युरो. रेडिएशन. 29, 1640–1646 (2019).
फॅन, के. वाय., हू, आर., आणि सिंगला, आर. वैद्यकीय विद्यार्थ्यांसाठी मशीन लर्निंगची ओळख: एक प्रायोगिक प्रकल्प. जे. मेड. टीच. 54, 1042–1043 (2020).
कूपरमन एन, व इतर. डोक्याला दुखापत झाल्यानंतर वैद्यकीयदृष्ट्या महत्त्वपूर्ण मेंदूच्या दुखापतीचा खूप कमी धोका असलेल्या मुलांना ओळखणे: एक प्रॉस्पेक्टिव्ह कोहोर्ट अभ्यास. लॅन्सेट 374, 1160–1170 (2009).
स्ट्रीट, डब्ल्यूएन, वोलबर्ग, डब्ल्यूएच आणि मंगसारियन, ओएल. स्तनाच्या ट्यूमरच्या निदानासाठी आण्विक वैशिष्ट्य निष्कर्षण. बायोमेडिकल सायन्स. प्रतिमा प्रक्रिया. बायोमेडिकल सायन्स. वेइस. 1905, 861–870 (1993).
चेन, पीएचसी, लिऊ, वाय. आणि पेंग, एल. आरोग्यसेवेसाठी मशीन लर्निंग मॉडेल्स कसे विकसित करावे. नॅट. मॅट. 18, 410–414 (2019).
सेल्वराजू, आर. आर. आणि इतर. ग्रॅड-कॅम: ग्रेडियंट-आधारित स्थानिकीकरणाद्वारे डीप नेटवर्क्सचे व्हिज्युअल इंटरप्रिटेशन. IEEE आंतरराष्ट्रीय संगणक दृष्टी परिषदेचे कार्यवृत्त, 618–626 (2017).
कुमारवेल बी, स्टीवर्ट के आणि इलिक डी. पदवीपूर्व वैद्यकीय शिक्षणामध्ये ओएससीई वापरून पुरावा-आधारित वैद्यकीय क्षमतांचे मूल्यांकन करण्यासाठी सर्पिल मॉडेलचा विकास आणि मूल्यांकन. बीएमके मेडिसिन. टीच. 21, 1–9 (2021).
कोलाचलमा व्हीबी आणि गर्ग पीएस मशीन लर्निंग आणि वैद्यकीय शिक्षण. एनपीझेडएच नंबर्स. मेडिसिन. 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. रेडिएशन ३१, ३७९७–३८०४ (२०२१).
टोपोल, ईजे उच्च-कार्यक्षमता औषध: मानवी आणि कृत्रिम बुद्धिमत्तेचा संगम. नॅट. मेडिसिन. 25, 44–56 (2019).
बेडे, ई. आणि इतर. मधुमेही रेटिनोपॅथीच्या निदानासाठी क्लिनिकमध्ये तैनात केलेल्या डीप लर्निंग सिस्टमचे मानवकेंद्रित मूल्यांकन. 2020 CHI कॉन्फरन्स ऑन ह्युमन फॅक्टर्स इन कॉम्प्युटिंग सिस्टम्स (2020) च्या कार्यवाही.
केर, बी. अभियांत्रिकी शिक्षणातील फ्लिप क्लासरूम: एक संशोधन आढावा. इंटरॲक्टिव्ह कोलॅबोरेटिव्ह लर्निंगवरील २०१५ आंतरराष्ट्रीय परिषदेचे कार्यवृत्त (२०१५).
लेखक, ब्रिटिश कोलंबिया विद्यापीठातील बायोमेडिकल इमेजिंग अँड आर्टिफिशियल इंटेलिजन्स रिसर्च क्लस्टरमधील डॅनिएल वॉकर, टिम साल्कुडिन आणि पीटर झँडस्ट्रा यांचे सहकार्य आणि निधी दिल्याबद्दल आभार मानतात.
कार्यशाळेतील शिकवण्याची सामग्री विकसित करण्याची जबाबदारी आरएच, पीपी, झेडएच, आरएस आणि एमए यांची होती. प्रोग्रामिंगची उदाहरणे विकसित करण्याची जबाबदारी आरएच आणि पीपी यांची होती. प्रकल्पाचे लॉजिस्टिकल आयोजन आणि कार्यशाळांचे विश्लेषण करण्याची जबाबदारी केवायएफ, ओवाय, एमटी आणि पीडब्ल्यू यांची होती. आकृत्या आणि तक्ते तयार करण्याची जबाबदारी आरएच, ओवाय, एमटी, आरएस यांची होती. दस्तऐवजाचा मसुदा तयार करणे आणि संपादन करण्याची जबाबदारी आरएच, केवायएफ, पीपी, झेडएच, ओवाय, एमवाय, पीडब्ल्यू, टीएल, एमए, आरएस यांची होती.
या कामाच्या पुनरावलोकनासाठी योगदान दिल्याबद्दल कम्युनिकेशन मेडिसिन कॅरोलिन मॅकग्रेगर, फॅबिओ मोरेस आणि आदित्य बोराकती यांचे आभार मानते.