Matur nuwun kanggo Visiting Nature.com. Versi Browser sing digunakake wis diwatesi dhukungan CSS. Kanggo asil sing paling apik, disaranake nggunakake versi anyar browser (utawa mateni mode kompatibilitas ing Internet Explorer). Ing sawetoro wektu, kanggo njamin dhukungan, kita nuduhake situs tanpa gaya utawa JavaScript.
Aplikasi saka intelijen buatan klinis (AI) tuwuh kanthi cepet, nanging kurikulasi sekolah medical sing wis ana winates piwulang sing diwatesi ing wilayah kasebut. Ing kene kita nggambarake kursus latihan intelijen buatan sing dikembangake lan dikirim menyang siswa medis Kanada lan nggawe rekomendasi kanggo latihan mbesuk.
Intelligence Ponggawa (AI) ing obat bisa nambah efisiensi kerja lan pertolongan keputusan klinis. Kanggo nuntun kanthi aman nggunakake intelijen buatan, dokter kudu sawetara pangerten babagan intelijen buatan. Akeh komentar sing ngatur konsep ajaran Ajian, kayata nerangake model AI lan proses verifikasi2. Nanging, sawetara rencana terstruktur ditindakake, utamane ing tingkat nasional. Dos Dos Santos et al.3. 263 Siswa Medical diteliti lan 71% setuju yen butuh latihan intelijen buatan. Pengajaran intelijen buatan kanggo pamirsa medis mbutuhake desain sing ati-ati sing nggabungake konsep teknis lan non-teknis kanggo siswa sing asring duwe kawruh. Kita nggambarake pengalaman kita ngirimake sawetara bengkel AI kanggo telung klompok siswa medis lan nggawe rekomendasi kanggo pendidikan medis ing ngarep AI.
Pengenalan limang minggu kanggo intelijen buatan ing bengkel medis kanggo siswa medis ditindakake kaping telu ing antarane saben bengkel kanggo saben bengkel, ditampilake ing Gambar 1. Kursus kita duwe Telung tujuan belajar utama: Siswa mangertos babagan data diproses ing aplikasi intelijen buatan kanggo aplikasi klinis, lan njupuk kesempatan kanggo kolaborasi kanthi injilur.
Biru minangka topik kuliah lan biru cahya minangka pitakonan interaktif lan wewelas. Bagean abu-abu yaiku fokus ing review literasi ringkes. Bagian oranye yaiku sinau babagan kasus sing dipilih sing nggambarake model cedera buatan utawa teknik. Ijo yaiku kursus pemrograman sing dirancang kanggo mulang intelijen buatan kanggo ngatasi masalah klinis lan model sing ngevaluasi. Konten lan durasi bengkel beda-beda adhedhasar penilaian kabutuhan siswa.
Bengkel pertama ditindakake ing Universitas British Columbia wiwit wulan Februari nganti April 2019, lan kabeh 8 peserta menehi tanggepan positif. Amarga COVID-19, bengkel kapindho ditindakake ing wulan Oktober-November 2020, kanthi 223 siswa medis lan 3 pendhudhuk saka 8 sekolah sekolah medis ing 8 sekolah kelas Kedokteran. Slide lan kode lan kode sing wis diunggah menyang situs akses sing mbukak (http://ubcaub.Ge). Umpan utama saka iterasi pisanan yaiku ceramah kasebut banget lan materi uga tansaya. Nglayani enem beda zona wektu Kanada nyebabake tantangan tambahan. Mangkono, bengkel kapindho saben sesi nganti 1 jam, nyederhanakake materi kursus, nambah paneliten sing luwih, lan nggawe program boilerplate sing ngidini para peserta kanggo ngrampungake para peserta kanggo ngrampungake potongan kode kanthi debugging kode (kothak 1). Umpan utama saka lelaran kapindho kalebu tanggepan sing positif babagan latihan pemrograman lan panjaluk kanggo nuduhake perencanaan proyek belajar mesin. Mula, ing bengkel katelu kita, sing ana ing 126 siswa medis ing wulan Maret-April 2021, kita kalebu latihan coding interaktif lan sesi umpan balik kanggo nampilake pengaruh kanggo nggunakake konsep bengkel ing proyek.
Analisis data: Bidang sinau ing statistik sing ngenali pola sing migunani ing data kanthi nganalisa, nganalisa, lan komunikasi pola data.
Data Mining: Proses kanggo ngenali lan ngekstrak data. Ing konteks intelijen buatan, iki asring gedhe, kanthi macem-macem variabel kanggo saben conto.
Pengurangan dimensi: Proses kanggo ngowahi data kanthi akeh fitur individu menyang fitur sing luwih sithik nalika njaga sifat penting ing pesawat data asli.
Karakteristik (ing konteks intelijen buatan): sifat-sifat sing bisa diukur saka conto. Asring digunakake kanthi ijen karo "properti" utawa "variabel".
Peta Aktivitas Gradient: Teknik sing digunakake kanggo nafsut model intelijen buatan (utamane jaringan saraf konvolusi), sing nganalisa proses ngoptimalake bagean pungkasan jaringan kanggo ngenali wilayah data utawa gambar sing diadegake banget.
Model standar: Model AI sing wis dilatih kanggo nindakake tugas sing padha.
Tes (ing konteks intelijen buatan): Ngrameke carane model nindakake tugas nggunakake data sing durung ditemoni sadurunge.
Latihan (ing konteks intelijen buatan): Nyedhiyakake model kanthi data lan asil supaya model nyetel paramèter internal kanggo ngoptimalake tugas kanthi nggunakake data anyar.
Vektor: Upload data. Ing belajar mesin, saben unsur array biasane minangka fitur unik conto.
Tabel 1 nampilake kursus paling anyar kanggo April 2021, kalebu target sinau target kanggo saben topik. Bengkel iki ditujokake kanggo sing anyar kanggo level teknis lan ora mbutuhake pengetahuan matematika ngluwihi taun pisanan saka gelar medis sarjana. Kursus kasebut dikembangake dening 6 siswa medis lan 3 guru kanthi derajat maju ing teknik. Engineers ngembangake teori intelijen buatan kanggo mulang, lan siswa medis sinau materi klinis sing relevan.
Bengkel kalebu kuliah, pasinaon kasus, lan pemrograman sing dipandu. Ing kuliah pisanan, kita nyemak konsep data analisis data ing biostatistik, kalebu visualisasi data, regresi logistik, lan perbandingan statistik deskriptif lan induTaction. Sanajan analisis data minangka dhasar intelijen buatan, kita ora kalebu topik kayata Data Mining, Pengujuran penting, utawa visualisasi interaktif. Iki amarga alangan wektu lan uga amarga ana siswa sarjana duwe latihan sadurunge ing biostatistik lan pengin nutupi topik sinau mesin sing unik. Kuliah sakteruse ngenalake metode modern lan mbahas babagan formulasi masalah AI, kaluwihan model model AI, lan tes model AI. Kuliah kasebut dilengkapi karo sastra lan riset praktis babagan piranti intelijen buatan sing ana. Kita negesake katrampilan sing dibutuhake kanggo ngevaluasi efektifitas lan kemungkinan model kanggo ngatasi pitakonan klinis, kalebu ngerteni watesan piranti intelijen buatan sing ana. Contone, kita njaluk siswa supaya bisa nerjemahake pedoman cedera sirah pediatrik sing diusulake dening kuppperman et al., 5 sing nindakake algoritma keputusan keputusan sing buatan kanggo nemtokake manawa pindai ct bakal migunani adhedhasar pemeriksaan dokter. Kita negesake manawa iki minangka conto umum AI nyedhiyakake analytics ramalan kanggo dokter kanggo napsirake, tinimbang ngganti dokter.
Ing conto program bootstrap bootstrap sing kasedhiya (https://github.com/ubcaimed.github.io/paster/programming_master/programing/programs), nyuda ukuran dimensi, model standar, lan latihan Waca rangkeng-. lan tes. Kita nggunakake Notebook Colaboratory Google (Google LLC, tampilan gunung, CA), sing ngidini kode Python dibunuh saka browser web. Ing Gambar 2 nyedhiyakake conto olahraga pemrograman. Latihan iki kalebu prédhiksi garansi kanthi nggunakake Imaging Imaging Wisconsin mbukak dataset6 sing ana ing wilayah lan algoritma wit keputusan.
Program saiki ing saben minggu ing topik sing ana gandhengane lan pilih conto saka aplikasi sing diterbitake AI sing diterbitake. Unsur pemrograman mung kalebu yen dianggep cocog kanggo nyedhiyakake wawasan babagan praktik klinis, kayata kanggo ngevaluasi model kanggo nemtokake manawa wis digunakake ing uji coba klinis. Conto kasebut kanthi cepet ing aplikasi akhir-entek sing lengkap sing nggabungake tumors minangka wani utawa ganas adhedhasar paramèter gambar medis.
Heterogeneity saka kawruh sadurunge. Peserta kita beda-beda ing tingkat kawruh matematika. Contone, siswa kanthi latar mburi teknik majeng nggoleki bahan sing luwih jero, kayata cara nindakake gantian fourier dhewe. Nanging, ngrembug algoritma Foundier ing kelas ora mungkin amarga mbutuhake kawruh babagan pangolahan sinyal.
Kumpul. Kehadiran ing rapat-rapat tindakake ditolak, utamane ing format online. Solusi bisa uga kanggo trek rawuh lan nyedhiyakake sertifikat rampung. Sekolah medis dikenal kanggo ngenali transkurik kegiatan akademik siswa ekstrakurikular, sing bisa nyengkuyung siswa kanggo ngupayakake gelar.
Desain mesthi: Amarga AI SPans akeh subfield, milih konsep inti ambane lan ambane bisa dadi tantangan. Contone, terus-terusan nggunakake alat AI saka laboratorium menyang klinik minangka topik penting. Nalika kita nutupi data preprocessing, bangunan model, lan validasi, kita ora kalebu topik kayata analytics amba, visualisasi interaktif, utawa nindakake uji coba klinis AI, tinimbang kita fokus ing konsep AI sing paling unik. Prinsip pandhuan kita yaiku nambah kesusastraan, dudu katrampilan. Contone, ngerti kepiye fitur input proses input penting kanggo interstracality. Salah siji cara kanggo nindakake iki yaiku nggunakake peta aktifitas, sing bisa nggambarake wilayah data kasebut bisa diramalake. Nanging, iki mbutuhake kalkulus multivariate lan ora bisa dikenalake. Ngembangake terminologi umum tantangan amarga kita nyoba nerangake carane nggarap data minangka vektor tanpa formalisme matematika. Elinga yen istilah sing beda duwe teges sing padha, umpamane, ing epidemiologi, "karakteristik" diterangake minangka "variabel" utawa "atribut" utawa "."
Penylametan kawruh. Amarga aplikasi AI diwatesi, sejatine para peserta njaga kawruh tetep katon. Kurikuluan sekolah medis asring gumantung ing pengulangan jarak kanggo nguatake kawruh sajrone rotasi praktis, 9 uga bisa ditrapake ing pendhidhikan AI.
Profesionalisme luwih penting tinimbang literasi. Ambane materi dirancang tanpa rigor matematika, sing dadi masalah nalika ngluncurake kursus klinis kanthi intelijen buatan. Ing conto program, kita nggunakake program template sing ngidini para peserta kanggo ngisi lapangan lan mbukak piranti lunak tanpa kudu ngerti carane nyiyapake lingkungan pemrograman lengkap.
Kawicaksanan babagan intelijen buatan sing ditangani: Ana prihatin sing nyebar yen intelijen buatan bisa ngganti tugas klinis. Kanggo ngrampungake masalah iki, kita nerangake watesan AI, kalebu kasunyatan sing meh disetujoni karo para pengatur mbutuhake pengecualian dokter sing mbutuhake penguasa dokter kanthi nyukupi pengawal dokter. Kita uga negesake pentinge bias amarga algoritma dadi rawan bias, utamane yen pesawat data ora beda. Akibate, subkumpulan tartamtu bisa ditindakake kanthi salah, nyebabake keputusan klinis sing ora adil.
Sumber sing kasedhiya kanthi umum: Kita wis nggawe sumber daya sing kasedhiya, kalebu ceramah lan kode slide lan kode. Sanajan akses menyang konten sinkronisasi amarga ana zona wektu, konten sumber mbukak minangka cara sing trep kanggo sinau sing ora seger amarga keahlian AI ora kasedhiya ing kabeh sekolah medical.
Kolaborasi interdisiplin: bengkel iki minangka usaha bareng kanggo siswa medis kanggo ngrancang kursus kanthi insinyur. Iki nuduhake kesempatan kolaborasi lan kawruh ing loro wilayah kasebut, ngidini para peserta supaya ngerti peran potensial sing bisa ditindakake ing ngarep.
Netepake kompetensi inti AI. Netepake dhaptar kompetensi nyedhiyakake struktur standar sing bisa digabung menyang kurikulum medis sing adhedhasar kompetensi sing ana. Bengkel iki saiki nggunakake tingkat objektif 2 (pemahaman), 3 (aplikasi), lan 4 (analisis) taksonomi mekar. Duwe sumber daya ing tingkat sing luwih dhuwur, kayata nggawe proyek, bisa uga bisa nguatake kawruh. Iki mbutuhake kerja karo ahli klinis kanggo nemtokake kepiye topik AI bisa ditrapake ing alur kerja klinis lan nyegah piwulang topik sing bisa diulangi sing wis dilebokake ing kurikulistik medis sing wis ditindakake.
Gawe studi kasus nggunakake AI. Padha karo conto klinis, sinau adhedhasar kasus bisa nguatake konsep abstrak kanthi nyorot relevansi kanggo pitakonan klinis. Contone, siji sinau bengkel nganalisa sistem deteksi diabetopy Google adhedhasar Google kanggo dalane saka laboratorium menyang klinik, kayata syarat validasi eksternal lan peraturan sing disetujoni.
Gunakake belajar pengalaman: Skills teknis mbutuhake praktik fokus lan aplikasi bola-bali kanggo nguwasani, padha karo pengalaman belajar sing muter pelatih klinis. Siji solusi potensial yaiku model kelas flip, sing wis dilaporake kanggo nambah penylametan pengetahuan ing pendidikan teknik14. Ing model iki, siswa nyemak materi teori kanthi mandiri lan kelas dikhususake kanggo ngrampungake masalah liwat pasinaon kasus.
Skala kanggo Peserta Multidisipliner: Kita seneng karo Adopsi AI sing melu kolaborasi ing pirang-pirang disiplin, kalebu dokter lan profesional kesehatan sekutu kanthi tingkat latihan sing beda-beda kanthi tingkat latihan. Mula, Kurikur, kudu dikembangake kanggo konsultasi karo Fakultas saka Departemen sing beda kanggo nyetel konten kanggo perawatan kesehatan.
Intelijen buatan yaiku teknologi dhuwur lan konsep inti ana gandhengane karo matématika lan ilmu komputer. Pelatihan personel kesehatancare kanggo mangertos intelijen buatan nampilake tantangan unik ing pilihan konten, relevansi klinis, lan cara pangiriman. Muga-muga wawasan sing dipikolehi saka AI ing bengkel pendidikan bakal mbantu pendhidhikan ngiseni cara inovatiatif kanggo nggabungake AI menyang pendidikan medis.
Skrip Python Colaboratory Google mbukak sumber lan kasedhiya ing: https://github.com/ubcaimed.github.io/Tree/Master/.
Praber, kg lan Khan, S. Reethink Education: Telpon tumindak. AKKAD. obat. 88, 1407-1410 (2013).
McCoy, LG lg. Apa sing kudu dingerteni siswa medis sing kudu ngerti babagan intelijen buatan? Nomer NPZH. Kedokteran 3, 1-3 (2020).
Dos Santos, Dp, et al. Sikep siswa 'kanthi intelijen buatan: survey multicenter. Euro. radiasi. 29, 1640-1646 (2019).
Fan, KY, Hu, R., lan Singla, R. Pambuka kanggo Mesin Pembelajaran Medical: Proyek pilot. J. Med. Ajar. 54, 1042-1043 (2020).
Coeperman N, et al. Ngenali bocah-bocah kanthi risiko cedera otak signifikan kanthi sithik sawise cedera sirah: calon sinau kohort. Lancet 374, 1160-1170 (2009).
Street, WN, Wolberg, WH lan Mangasarian, OL. Ekstraksi fitur nuklir kanggo diagnosis tumor susu. Ilmu Biomedis. Pangolahan gambar. Ilmu Biomedis. Weiss. 1905, 861-870 (1993).
Chen, Phc, Liu, Y. Lan Peng, L. Cara ngembangake Model Pembelajaran Mesin kanggo Kesehatan. NAT. Mat. 18, 410-414 (2019).
Selvaraju, rr et al. Grad-cam: interpretasi visual saka jaringan jero liwat lokalisasi adhedhasar gradient. Proses Konferensi Internasional IEEE ing Visi Komputer, 618-626 (2017).
Kumaravel b, Stewart K lan ILIC D. Pembangunan lan evaluasi model spiral kanggo ngevaluasi kompetensi obat adhedhasar bukti nggunakake OSCE ing pendhidhikan medis bukti. Obat Bmk. Ajar. 21, 1-9 (2021).
Kolachalama VB lan Garg PS sinau lan pendhidhikan medis. Nomer NPZH. obat. 1, 1-3 (2018).
Van Leeuwen, KG, Schalekamp, S., Ruten, MJ, Van Ginneken, B. Lan De Rooy, M. Intelligence Ponggawa ing Radiologi lan Bukti Komersial. Euro. radiasi. 31, 3797-3804 (2021).
Topol, EJ Kedokteran Kinerja High: Konvergensi intelijen manungsa lan buatan. NAT. obat. 25, 44-56 (2019).
Bede, E. et al. Evaluasi pusat manungsa-manungsa saka sistem belajar jero sing dilebokake ing klinik kanggo deteksi retinopathy diabetes. Proses Konferensi 2020 Chi ing Faktor Human ing Sistem Komputasi (2020).
Kern, B. The Flip Classroom in Engineering Education: Ulasan Riset. Proses Konferensi Internasional 2015 ing Pembelajaran kolaborasi interaktif (2015).
Penulis matur nuwun Walker Danielle, Tim Salcudin, lan Peter Zandstra saka imaging biodimia lan kluster riset intelijen buatan ing Universitas British Columbia kanggo dhukungan lan dana.
RH, PP, ZH, Rs lan Ma sing tanggung jawab ngembangake konten piwulang. RH lan PP tanggung jawab kanggo ngembangake conto program program. Kyf, Oy, MT lan PW tanggung jawab kanggo organisasi logistik proyek lan analisis bengkel kasebut. Rh, Oy, MT, RS dadi tanggung jawab nggawe tokoh lan tabel. Rh, Kyf, PP, ZH, Oy, My, TL, MA, RS dadi tanggung jawab kanggo ngrancang lan nyunting dokumen kasebut.
Kedokteran komunikasi Thanks carolyn McGregor, Moraes Fabio, lan Aditya Borakati kanggo sumbangan kanggo mriksa karya iki.
Wektu kirim: Feb-19-2024