มุมมองของแคนาดาเกี่ยวกับการสอนปัญญาประดิษฐ์ให้กับนักศึกษาแพทย์

ขอบคุณสำหรับการเยี่ยมชม Nature.com รุ่นของเบราว์เซอร์ที่คุณใช้มีการสนับสนุน CSS จำกัด เพื่อผลลัพธ์ที่ดีที่สุดเราขอแนะนำให้ใช้เบราว์เซอร์รุ่นใหม่กว่า (หรือปิดโหมดความเข้ากันได้ใน Internet Explorer) ในระหว่างนี้เพื่อให้แน่ใจว่าการสนับสนุนอย่างต่อเนื่องเรากำลังแสดงเว็บไซต์โดยไม่ต้องจัดแต่งทรงผมหรือจาวาสคริปต์
การประยุกต์ใช้ปัญญาประดิษฐ์ทางคลินิก (AI) กำลังเติบโตอย่างรวดเร็ว แต่หลักสูตรโรงเรียนแพทย์ที่มีอยู่มีการสอนที่ จำกัด ซึ่งครอบคลุมพื้นที่นี้ ที่นี่เราอธิบายหลักสูตรการฝึกอบรมปัญญาประดิษฐ์ที่เราพัฒนาและส่งมอบให้กับนักศึกษาแพทย์ของแคนาดาและให้คำแนะนำสำหรับการฝึกอบรมในอนาคต
ปัญญาประดิษฐ์ (AI) ในการแพทย์สามารถปรับปรุงประสิทธิภาพการทำงานและช่วยในการตัดสินใจทางคลินิก เพื่อเป็นแนวทางในการใช้ปัญญาประดิษฐ์อย่างปลอดภัยแพทย์จะต้องมีความเข้าใจเกี่ยวกับปัญญาประดิษฐ์ ความคิดเห็นจำนวนมากสนับสนุนการสอนแนวคิด AI 1 เช่นการอธิบายแบบจำลอง AI และกระบวนการตรวจสอบ 2 อย่างไรก็ตามมีการดำเนินการตามโครงสร้างเพียงเล็กน้อยโดยเฉพาะอย่างยิ่งในระดับชาติ Pinto dos Santos และคณะ 3 มีการสำรวจนักศึกษาแพทย์ 263 คนและ 71% ตกลงว่าพวกเขาต้องการการฝึกอบรมด้านปัญญาประดิษฐ์ การสอนปัญญาประดิษฐ์ให้กับผู้ชมทางการแพทย์จำเป็นต้องมีการออกแบบอย่างระมัดระวังซึ่งรวมแนวคิดทางเทคนิคและไม่ใช่ด้านเทคนิคสำหรับนักเรียนที่มักจะมีความรู้มาก่อน เราอธิบายประสบการณ์ของเราในการส่งมอบชุดการประชุมเชิงปฏิบัติการ AI ให้กับนักศึกษาแพทย์สามกลุ่มและให้คำแนะนำสำหรับการศึกษาด้านการแพทย์ในอนาคตใน AI
การแนะนำห้าสัปดาห์ของเราเกี่ยวกับปัญญาประดิษฐ์ในเวิร์กช็อปการแพทย์สำหรับนักศึกษาแพทย์จัดขึ้นสามครั้งระหว่างเดือนกุมภาพันธ์ 2019 ถึงเมษายน 2564 กำหนดการสำหรับการประชุมเชิงปฏิบัติการแต่ละครั้งพร้อมคำอธิบายสั้น ๆ เกี่ยวกับการเปลี่ยนแปลงหลักสูตรแสดงในรูปที่ 1 หลักสูตรของเรามี วัตถุประสงค์การเรียนรู้หลักสามประการ: นักเรียนเข้าใจว่าข้อมูลถูกประมวลผลในแอพพลิเคชั่นปัญญาประดิษฐ์วิเคราะห์วรรณกรรมปัญญาประดิษฐ์สำหรับการใช้งานทางคลินิกอย่างไรและใช้ประโยชน์จากโอกาสในการร่วมมือกับวิศวกรที่พัฒนาปัญญาประดิษฐ์
สีน้ำเงินเป็นหัวข้อของการบรรยายและสีฟ้าอ่อนเป็นคำถามเชิงโต้ตอบและระยะเวลาตอบ ส่วนสีเทาเป็นจุดสนใจของการทบทวนวรรณกรรมสั้น ๆ ส่วนสีส้มได้รับการคัดเลือกกรณีศึกษาที่อธิบายโมเดลหรือเทคนิคปัญญาประดิษฐ์ กรีนเป็นหลักสูตรการเขียนโปรแกรมที่มีแนวทางที่ออกแบบมาเพื่อสอนปัญญาประดิษฐ์เพื่อแก้ปัญหาทางคลินิกและประเมินแบบจำลอง เนื้อหาและระยะเวลาของการประชุมเชิงปฏิบัติการแตกต่างกันไปตามการประเมินความต้องการของนักเรียน
การประชุมเชิงปฏิบัติการครั้งแรกจัดขึ้นที่มหาวิทยาลัยบริติชโคลัมเบียตั้งแต่เดือนกุมภาพันธ์ถึงเมษายน 2562 และผู้เข้าร่วมทั้ง 8 คนให้ข้อเสนอแนะในเชิงบวก 4 เนื่องจาก COVID-19 การประชุมเชิงปฏิบัติการครั้งที่สองจัดขึ้นเกือบทุกเดือนตุลาคม-พฤศจิกายน 2563 โดยมีนักศึกษาแพทย์ 222 คนและผู้อยู่อาศัย 3 คนจากโรงเรียนแพทย์แคนาดา 8 แห่งที่ลงทะเบียน การนำเสนอสไลด์และรหัสได้รับการอัปโหลดไปยังไซต์การเข้าถึงแบบเปิด (http://ubcaimed.github.io) ข้อเสนอแนะที่สำคัญจากการทำซ้ำครั้งแรกคือการบรรยายนั้นรุนแรงเกินไปและวัสดุทางทฤษฎีเกินไป การให้บริการโซนเวลาที่แตกต่างกันหกแห่งของแคนาดาเป็นความท้าทายเพิ่มเติม ดังนั้นการประชุมเชิงปฏิบัติการครั้งที่สองจะสั้นลงในแต่ละเซสชั่นเป็น 1 ชั่วโมงทำให้วัสดุหลักสูตรง่ายขึ้นเพิ่มกรณีศึกษาเพิ่มเติมและสร้างโปรแกรมหม้อไอน้ำที่อนุญาตให้ผู้เข้าร่วมสามารถกรอกข้อมูลโค้ดด้วยการดีบักน้อยที่สุด (กล่อง 1) ข้อเสนอแนะที่สำคัญจากการทำซ้ำครั้งที่สองรวมถึงข้อเสนอแนะเชิงบวกเกี่ยวกับแบบฝึกหัดการเขียนโปรแกรมและการร้องขอเพื่อแสดงให้เห็นถึงการวางแผนสำหรับโครงการการเรียนรู้ของเครื่อง ดังนั้นในการประชุมเชิงปฏิบัติการครั้งที่สามของเราที่จัดขึ้นเกือบ 126 นักศึกษาแพทย์ในเดือนมีนาคม-เมษายน 2021 เราได้รวมแบบฝึกหัดการเข้ารหัสแบบโต้ตอบและเซสชันข้อเสนอแนะโครงการเพื่อแสดงให้เห็นถึงผลกระทบของการใช้แนวคิดการประชุมเชิงปฏิบัติการในโครงการ
การวิเคราะห์ข้อมูล: สาขาการศึกษาในสถิติที่ระบุรูปแบบที่มีความหมายในข้อมูลโดยการวิเคราะห์การประมวลผลและการสื่อสารรูปแบบข้อมูล
การขุดข้อมูล: กระบวนการระบุและแยกข้อมูล ในบริบทของปัญญาประดิษฐ์สิ่งนี้มักจะมีขนาดใหญ่โดยมีตัวแปรหลายตัวสำหรับแต่ละตัวอย่าง
การลดขนาดมิติ: กระบวนการแปลงข้อมูลด้วยคุณสมบัติส่วนบุคคลมากมายเป็นคุณสมบัติที่น้อยลงในขณะที่รักษาคุณสมบัติที่สำคัญของชุดข้อมูลต้นฉบับ
ลักษณะ (ในบริบทของปัญญาประดิษฐ์): คุณสมบัติที่วัดได้ของตัวอย่าง มักใช้แทนกันได้กับ“ คุณสมบัติ” หรือ“ ตัวแปร”
แผนที่การเปิดใช้งานการไล่ระดับสี: เทคนิคที่ใช้ในการตีความโมเดลปัญญาประดิษฐ์ (โดยเฉพาะเครือข่ายประสาทเทียม) ซึ่งวิเคราะห์กระบวนการของการเพิ่มประสิทธิภาพส่วนสุดท้ายของเครือข่ายเพื่อระบุภูมิภาคของข้อมูลหรือรูปภาพที่คาดการณ์ได้สูง
โมเดลมาตรฐาน: โมเดล AI ที่มีอยู่ซึ่งได้รับการฝึกอบรมล่วงหน้าเพื่อทำงานที่คล้ายกัน
การทดสอบ (ในบริบทของปัญญาประดิษฐ์): สังเกตว่าโมเดลทำงานอย่างไรโดยใช้ข้อมูลที่ไม่เคยพบมาก่อน
การฝึกอบรม (ในบริบทของปัญญาประดิษฐ์): การจัดทำแบบจำลองด้วยข้อมูลและผลลัพธ์เพื่อให้โมเดลปรับพารามิเตอร์ภายในเพื่อเพิ่มประสิทธิภาพความสามารถในการทำงานโดยใช้ข้อมูลใหม่
เวกเตอร์: อาร์เรย์ของข้อมูล ในการเรียนรู้ของเครื่องแต่ละองค์ประกอบอาร์เรย์มักเป็นคุณสมบัติที่ไม่ซ้ำกันของตัวอย่าง
ตารางที่ 1 แสดงรายการหลักสูตรล่าสุดสำหรับเดือนเมษายน 2564 รวมถึงวัตถุประสงค์การเรียนรู้เป้าหมายสำหรับแต่ละหัวข้อ การประชุมเชิงปฏิบัติการนี้มีไว้สำหรับผู้ที่เพิ่งเริ่มต้นในระดับเทคนิคและไม่ต้องการความรู้ทางคณิตศาสตร์ใด ๆ นอกเหนือจากปีแรกของการแพทย์ระดับปริญญาตรี หลักสูตรนี้ได้รับการพัฒนาโดยนักศึกษาแพทย์ 6 คนและครู 3 คนที่มีวุฒิการศึกษาขั้นสูงในสาขาวิศวกรรม วิศวกรกำลังพัฒนาทฤษฎีปัญญาประดิษฐ์เพื่อสอนและนักศึกษาแพทย์กำลังเรียนรู้เนื้อหาที่เกี่ยวข้องทางคลินิก
การประชุมเชิงปฏิบัติการรวมถึงการบรรยายกรณีศึกษาและการเขียนโปรแกรมแบบมีไกด์ ในการบรรยายครั้งแรกเราจะตรวจสอบแนวคิดที่เลือกของการวิเคราะห์ข้อมูลในชีวสถิติรวมถึงการสร้างภาพข้อมูลการถดถอยโลจิสติกและการเปรียบเทียบสถิติเชิงพรรณนาและอุปนัย แม้ว่าการวิเคราะห์ข้อมูลเป็นรากฐานของปัญญาประดิษฐ์ แต่เราไม่รวมหัวข้อต่าง ๆ เช่นการขุดข้อมูลการทดสอบอย่างมีนัยสำคัญหรือการสร้างภาพข้อมูลแบบโต้ตอบ นี่เป็นเพราะข้อ จำกัด ด้านเวลาและเนื่องจากนักศึกษาระดับปริญญาตรีบางคนมีการฝึกอบรมก่อนหน้านี้ในด้านชีวสถิติและต้องการครอบคลุมหัวข้อการเรียนรู้ของเครื่องจักรที่ไม่เหมือนใครมากขึ้น การบรรยายที่ตามมาแนะนำวิธีการที่ทันสมัยและกล่าวถึงการกำหนดปัญหา AI ข้อดีและข้อ จำกัด ของแบบจำลอง AI และการทดสอบแบบจำลอง การบรรยายได้รับการเสริมด้วยวรรณกรรมและการวิจัยเชิงปฏิบัติเกี่ยวกับอุปกรณ์ปัญญาประดิษฐ์ที่มีอยู่ เราเน้นทักษะที่จำเป็นในการประเมินประสิทธิภาพและความเป็นไปได้ของแบบจำลองเพื่อตอบคำถามทางคลินิกรวมถึงการทำความเข้าใจข้อ จำกัด ของอุปกรณ์ปัญญาประดิษฐ์ที่มีอยู่ ตัวอย่างเช่นเราขอให้นักเรียนตีความแนวทางการบาดเจ็บที่ศีรษะในเด็กที่เสนอโดย Kupperman et al., 5 ซึ่งใช้อัลกอริทึมการตัดสินใจของหน่วยสืบราชการลับปัญญาประดิษฐ์เพื่อตรวจสอบว่าการสแกน CT จะเป็นประโยชน์ตามการตรวจของแพทย์หรือไม่ เราเน้นว่านี่เป็นตัวอย่างทั่วไปของ AI ที่ให้การวิเคราะห์เชิงพยากรณ์สำหรับแพทย์ในการตีความแทนที่จะเปลี่ยนแพทย์
ในตัวอย่างการเขียนโปรแกรม Bootstrap โอเพนซอร์สที่มีอยู่ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) เราสาธิตวิธีทำการวิเคราะห์ข้อมูลเชิงสำรวจ . และการทดสอบ เราใช้สมุดบันทึก Google Colaboratory (Google LLC, Mountain View, CA) ซึ่งอนุญาตให้ใช้รหัส Python จากเว็บเบราว์เซอร์ ในรูปที่ 2 แสดงตัวอย่างของแบบฝึกหัดการเขียนโปรแกรม แบบฝึกหัดนี้เกี่ยวข้องกับการทำนายมะเร็งโดยใช้ชุดข้อมูลการถ่ายภาพเต้านมแบบเปิดวิสคอนซิน 6 และอัลกอริทึมการตัดสินใจของต้นไม้
นำเสนอโปรแกรมตลอดทั้งสัปดาห์ในหัวข้อที่เกี่ยวข้องและเลือกตัวอย่างจากแอปพลิเคชัน AI ที่เผยแพร่ องค์ประกอบการเขียนโปรแกรมจะรวมอยู่ในกรณีที่พวกเขาได้รับการพิจารณาว่าเกี่ยวข้องกับการให้ข้อมูลเชิงลึกเกี่ยวกับการปฏิบัติทางคลินิกในอนาคตเช่นวิธีการประเมินแบบจำลองเพื่อตรวจสอบว่าพวกเขาพร้อมสำหรับการใช้ในการทดลองทางคลินิกหรือไม่ ตัวอย่างเหล่านี้ถึงจุดสูงสุดในแอปพลิเคชันแบบ end-to-end เต็มรูปแบบที่จำแนกเนื้องอกเป็นอ่อนโยนหรือเป็นมะเร็งตามพารามิเตอร์ภาพทางการแพทย์
ความหลากหลายของความรู้ก่อน ผู้เข้าร่วมของเราแตกต่างกันไปในระดับความรู้ทางคณิตศาสตร์ ตัวอย่างเช่นนักเรียนที่มีภูมิหลังทางวิศวกรรมขั้นสูงกำลังมองหาเนื้อหาเชิงลึกเพิ่มเติมเช่นวิธีการแปลงฟูริเยร์ของตนเอง อย่างไรก็ตามการพูดคุยเกี่ยวกับอัลกอริทึมฟูริเยร์ในชั้นเรียนเป็นไปไม่ได้เพราะต้องใช้ความรู้เชิงลึกเกี่ยวกับการประมวลผลสัญญาณ
การเข้าร่วมการไหลออก การเข้าร่วมการประชุมติดตามผลลดลงโดยเฉพาะในรูปแบบออนไลน์ วิธีแก้ปัญหาอาจเป็นการติดตามการเข้าร่วมและให้ใบรับรองความสำเร็จ โรงเรียนแพทย์เป็นที่รู้จักกันว่ารับรู้การถอดเสียงของกิจกรรมการศึกษานอกหลักสูตรของนักเรียนซึ่งสามารถกระตุ้นให้นักเรียนสำเร็จการศึกษาระดับปริญญา
การออกแบบหลักสูตร: เนื่องจาก AI ครอบคลุมสาขาย่อยมากมายการเลือกแนวคิดหลักของความลึกและความกว้างที่เหมาะสมอาจเป็นสิ่งที่ท้าทาย ตัวอย่างเช่นความต่อเนื่องของการใช้เครื่องมือ AI จากห้องปฏิบัติการไปยังคลินิกเป็นหัวข้อสำคัญ ในขณะที่เราครอบคลุมการประมวลผลข้อมูลล่วงหน้าการสร้างแบบจำลองและการตรวจสอบเราไม่ได้รวมหัวข้อต่าง ๆ เช่นการวิเคราะห์ข้อมูลขนาดใหญ่การสร้างภาพข้อมูลเชิงโต้ตอบหรือการทดลองทางคลินิก AI แทนที่จะมุ่งเน้นไปที่แนวคิด AI ที่ไม่เหมือนใครที่สุด หลักการชี้นำของเราคือการปรับปรุงการรู้หนังสือไม่ใช่ทักษะ ตัวอย่างเช่นการทำความเข้าใจว่าโมเดลประมวลผลคุณสมบัติการป้อนข้อมูลมีความสำคัญต่อความสามารถในการตีความได้อย่างไร วิธีหนึ่งในการทำเช่นนี้คือการใช้แผนที่การเปิดใช้งานการไล่ระดับสีซึ่งสามารถมองเห็นได้ว่าภูมิภาคของข้อมูลสามารถคาดการณ์ได้ อย่างไรก็ตามสิ่งนี้ต้องการแคลคูลัสหลายตัวแปรและไม่สามารถแนะนำได้ 8 การพัฒนาคำศัพท์ทั่วไปเป็นสิ่งที่ท้าทายเพราะเราพยายามอธิบายวิธีการทำงานกับข้อมูลในฐานะเวกเตอร์โดยไม่มีพิธีการทางคณิตศาสตร์ โปรดทราบว่าคำศัพท์ที่แตกต่างกันมีความหมายเหมือนกันเช่นในระบาดวิทยา“ ลักษณะ” ถูกอธิบายว่าเป็น“ ตัวแปร” หรือ“ แอตทริบิวต์”
การเก็บรักษาความรู้ เนื่องจากการประยุกต์ใช้ AI มี จำกัด ขอบเขตที่ผู้เข้าร่วมยังคงมีความรู้อยู่ หลักสูตรโรงเรียนแพทย์มักจะพึ่งพาการทำซ้ำระยะห่างเพื่อเสริมความรู้ในระหว่างการหมุนเวียนจริง 9 ซึ่งสามารถนำไปใช้กับการศึกษา AI ได้
ความเป็นมืออาชีพมีความสำคัญมากกว่าการรู้หนังสือ ความลึกของวัสดุได้รับการออกแบบโดยไม่มีความเข้มงวดทางคณิตศาสตร์ซึ่งเป็นปัญหาเมื่อเปิดตัวหลักสูตรทางคลินิกในปัญญาประดิษฐ์ ในตัวอย่างการเขียนโปรแกรมเราใช้โปรแกรมเทมเพลตที่อนุญาตให้ผู้เข้าร่วมกรอกข้อมูลและเรียกใช้ซอฟต์แวร์โดยไม่ต้องหาวิธีการตั้งค่าสภาพแวดล้อมการเขียนโปรแกรมที่สมบูรณ์
ความกังวลเกี่ยวกับปัญญาประดิษฐ์ที่กล่าวถึง: มีความกังวลอย่างกว้างขวางว่าปัญญาประดิษฐ์สามารถแทนที่หน้าที่ทางคลินิก 3 เพื่อแก้ไขปัญหานี้เราอธิบายถึงข้อ จำกัด ของ AI รวมถึงความจริงที่ว่าเทคโนโลยี AI เกือบทั้งหมดที่ได้รับอนุมัติจากหน่วยงานกำกับดูแลจำเป็นต้องมีการดูแลแพทย์ 11 นอกจากนี้เรายังเน้นถึงความสำคัญของอคติเนื่องจากอัลกอริทึมมีแนวโน้มที่จะมีอคติโดยเฉพาะอย่างยิ่งหากชุดข้อมูลไม่หลากหลาย 12 ดังนั้นกลุ่มย่อยบางกลุ่มอาจถูกจำลองอย่างไม่ถูกต้องนำไปสู่การตัดสินใจทางคลินิกที่ไม่เป็นธรรม
มีทรัพยากรสาธารณะ: เราได้สร้างทรัพยากรที่เปิดเผยต่อสาธารณะรวมถึงสไลด์บรรยายและรหัส แม้ว่าการเข้าถึงเนื้อหาแบบซิงโครนัสนั้นมี จำกัด เนื่องจากเขตเวลา แต่เนื้อหาโอเพ่นซอร์สเป็นวิธีที่สะดวกสำหรับการเรียนรู้แบบอะซิงโครนัสเนื่องจากความเชี่ยวชาญ AI ไม่สามารถใช้ได้ในโรงเรียนแพทย์ทุกแห่ง
การทำงานร่วมกันแบบสหวิทยาการ: การประชุมเชิงปฏิบัติการนี้เป็นกิจการร่วมค้าที่ริเริ่มโดยนักศึกษาแพทย์เพื่อวางแผนหลักสูตรร่วมกับวิศวกร สิ่งนี้แสดงให้เห็นถึงโอกาสการทำงานร่วมกันและช่องว่างความรู้ในทั้งสองด้านทำให้ผู้เข้าร่วมเข้าใจถึงบทบาทที่เป็นไปได้ที่พวกเขาสามารถมีส่วนร่วมในอนาคต
กำหนดความสามารถหลักของ AI การกำหนดรายการความสามารถให้โครงสร้างมาตรฐานที่สามารถรวมเข้ากับหลักสูตรการแพทย์ตามความสามารถที่มีอยู่ การประชุมเชิงปฏิบัติการนี้ใช้ระดับวัตถุประสงค์การเรียนรู้ 2 (ความเข้าใจ), 3 (แอปพลิเคชัน) และ 4 (การวิเคราะห์) ของอนุกรมวิธานของ Bloom การมีทรัพยากรในระดับที่สูงขึ้นของการจำแนกประเภทเช่นการสร้างโครงการสามารถเสริมสร้างความรู้เพิ่มเติม สิ่งนี้ต้องการการทำงานกับผู้เชี่ยวชาญทางคลินิกเพื่อพิจารณาว่าหัวข้อ AI สามารถนำไปใช้กับเวิร์กโฟลว์ทางคลินิกได้อย่างไรและป้องกันการสอนหัวข้อซ้ำ ๆ ที่รวมอยู่ในหลักสูตรการแพทย์มาตรฐาน
สร้างกรณีศึกษาโดยใช้ AI เช่นเดียวกับตัวอย่างทางคลินิกการเรียนรู้แบบกรณีเป็นกรณีสามารถเสริมสร้างแนวคิดนามธรรมโดยเน้นความเกี่ยวข้องกับคำถามทางคลินิก ตัวอย่างเช่นการศึกษาเชิงปฏิบัติการหนึ่งครั้งวิเคราะห์ระบบตรวจจับจอประสาทตาเบาหวานที่ใช้ AI ของ AI ของ Google 13 เพื่อระบุความท้าทายตามเส้นทางจากห้องปฏิบัติการไปยังคลินิกเช่นข้อกำหนดการตรวจสอบภายนอกและเส้นทางการอนุมัติตามกฎระเบียบ
ใช้การเรียนรู้จากประสบการณ์: ทักษะทางเทคนิคต้องใช้การฝึกฝนที่มุ่งเน้นและการประยุกต์ใช้ซ้ำเพื่อมาสเตอร์คล้ายกับประสบการณ์การเรียนรู้การหมุนของผู้เข้ารับการฝึกอบรมทางคลินิก ทางออกหนึ่งที่เป็นไปได้คือรูปแบบห้องเรียนที่พลิกกลับซึ่งได้รับการรายงานเพื่อปรับปรุงการเก็บรักษาความรู้ในการศึกษาด้านวิศวกรรม 14 ในรูปแบบนี้นักเรียนทบทวนเนื้อหาทางทฤษฎีอย่างอิสระและเวลาในชั้นเรียนอุทิศให้กับการแก้ปัญหาผ่านกรณีศึกษา
การปรับขนาดสำหรับผู้เข้าร่วมสหสาขาวิชาชีพ: เราจินตนาการถึงการยอมรับ AI ที่เกี่ยวข้องกับการทำงานร่วมกันในหลายสาขารวมถึงแพทย์และผู้เชี่ยวชาญด้านสุขภาพพันธมิตรที่มีระดับการฝึกอบรมที่แตกต่างกัน ดังนั้นหลักสูตรอาจจำเป็นต้องได้รับการพัฒนาในการปรึกษาหารือกับคณะจากแผนกต่าง ๆ เพื่อปรับเนื้อหาของพวกเขาให้เข้ากับด้านการดูแลสุขภาพที่แตกต่างกัน
ปัญญาประดิษฐ์เป็นเทคโนโลยีขั้นสูงและแนวคิดหลักเกี่ยวข้องกับคณิตศาสตร์และวิทยาศาสตร์คอมพิวเตอร์ การฝึกอบรมบุคลากรด้านการดูแลสุขภาพเพื่อทำความเข้าใจกับปัญญาประดิษฐ์นำเสนอความท้าทายที่ไม่เหมือนใครในการเลือกเนื้อหาความเกี่ยวข้องทางคลินิกและวิธีการจัดส่ง เราหวังว่าข้อมูลเชิงลึกที่ได้รับจากการประชุมเชิงปฏิบัติการการศึกษา AI ในการศึกษาจะช่วยให้นักการศึกษาในอนาคตยอมรับวิธีการที่เป็นนวัตกรรมในการรวม AI เข้ากับการศึกษาทางการแพทย์
สคริปต์ Google Colaboratory Python เป็นโอเพ่นซอร์สและมีอยู่ที่: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/
Prober, KG และ Khan, S. ทบทวนการศึกษาด้านการแพทย์: การเรียกร้องให้ดำเนินการ Akkad ยา. 88, 1407–1410 (2013)
McCoy, LG เป็นต้นนักศึกษาแพทย์ต้องรู้อะไรเกี่ยวกับปัญญาประดิษฐ์? ตัวเลข NPZH ยา 3, 1–3 (2020)
Dos Santos, DP, et al. ทัศนคติของนักศึกษาแพทย์ที่มีต่อปัญญาประดิษฐ์: การสำรวจหลายศูนย์ ยูโร. รังสี 29, 1640–1646 (2019)
Fan, Ky, Hu, R. , และ Singla, R. บทนำเกี่ยวกับการเรียนรู้ของเครื่องจักรสำหรับนักศึกษาแพทย์: โครงการนำร่อง J. Med. สอน. 54, 1042–1043 (2020)
Cooperman N, et al. การระบุเด็กที่มีความเสี่ยงต่ำมากต่อการบาดเจ็บที่สมองอย่างมีนัยสำคัญทางคลินิกหลังจากได้รับบาดเจ็บที่ศีรษะ: การศึกษาแบบกลุ่มที่คาดหวัง Lancet 374, 1160–1170 (2009)
Street, WN, Wolberg, WH และ Mangasarian, OL การสกัดคุณสมบัตินิวเคลียร์สำหรับการวินิจฉัยเนื้องอกเต้านม วิทยาศาสตร์ชีวการแพทย์ การประมวลผลภาพ วิทยาศาสตร์ชีวการแพทย์ ไวส์ 2448, 861–870 (1993)
Chen, PHC, Liu, Y. และ Peng, L. วิธีการพัฒนารูปแบบการเรียนรู้ของเครื่องจักรสำหรับการดูแลสุขภาพ นัต แมตต์ 18, 410–414 (2019)
Selvaraju, RR และคณะ Grad-CAM: การตีความภาพของเครือข่ายลึกผ่านการแปลตามการไล่ระดับสี การดำเนินการประชุมนานาชาติ IEEE เกี่ยวกับวิสัยทัศน์คอมพิวเตอร์, 618–626 (2017)
Kumaravel B, Stewart K และ Ilic D. การพัฒนาและการประเมินผลของแบบจำลองเกลียวสำหรับการประเมินความสามารถในการแพทย์ตามหลักฐานโดยใช้ OSCE ในการศึกษาทางการแพทย์ระดับปริญญาตรี ยา BMK สอน. 21, 1–9 (2021)
Kolachalama VB และ GARG PS การเรียนรู้และการศึกษาทางการแพทย์ ตัวเลข NPZH ยา. 1, 1–3 (2018)
Van Leeuwen, KG, Schalekamp, ​​S. , Rutten, MJ, Van Ginneken, B. และ De Rooy, M. ปัญญาประดิษฐ์ในรังสีวิทยา: 100 ผลิตภัณฑ์เชิงพาณิชย์และหลักฐานทางวิทยาศาสตร์ของพวกเขา ยูโร. รังสี 31, 3797–3804 (2021)
Topol, EJ ยาสมรรถนะสูง: การบรรจบกันของมนุษย์และปัญญาประดิษฐ์ นัต ยา. 25, 44–56 (2019)
Bede, E. et al. การประเมินผลของมนุษย์เป็นศูนย์กลางของระบบการเรียนรู้เชิงลึกที่นำไปใช้ในคลินิกเพื่อตรวจหาจอประสาทตาเบาหวาน การดำเนินการของการประชุม 20120 CHI เกี่ยวกับปัจจัยมนุษย์ในระบบคอมพิวเตอร์ (2020)
Kerr, B. ห้องเรียนที่พลิกกลับในการศึกษาด้านวิศวกรรม: การทบทวนการวิจัย การดำเนินการประชุมนานาชาติปี 2558 เกี่ยวกับการเรียนรู้ร่วมกันแบบโต้ตอบ (2015)
ผู้เขียนขอขอบคุณ Danielle Walker, Tim Salcudin และ Peter Zandstra จากการถ่ายภาพชีวการแพทย์และกลุ่มวิจัยปัญญาประดิษฐ์ที่มหาวิทยาลัยบริติชโคลัมเบียสำหรับการสนับสนุนและเงินทุน
RH, PP, ZH, RS และ MA รับผิดชอบในการพัฒนาเนื้อหาการสอนการประชุมเชิงปฏิบัติการ RH และ PP รับผิดชอบในการพัฒนาตัวอย่างการเขียนโปรแกรม Kyf, Oy, Mt และ PW รับผิดชอบองค์กรด้านลอจิสติกส์ของโครงการและการวิเคราะห์การประชุมเชิงปฏิบัติการ RH, OY, MT, RS รับผิดชอบในการสร้างตัวเลขและตาราง RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS มีหน้าที่รับผิดชอบในการร่างและแก้ไขเอกสาร
ยาสื่อสารขอบคุณ Carolyn McGregor, Fabio Moraes และ Aditya Borakati สำหรับการมีส่วนร่วมในการทบทวนงานนี้