มุมมองของแคนาดาเกี่ยวกับการสอนปัญญาประดิษฐ์ให้กับนักศึกษาแพทย์

ขอขอบคุณที่เยี่ยมชม Nature.comเวอร์ชันของเบราว์เซอร์ที่คุณใช้มีการรองรับ CSS อย่างจำกัดเพื่อผลลัพธ์ที่ดีที่สุด เราขอแนะนำให้ใช้เบราว์เซอร์เวอร์ชันใหม่กว่า (หรือปิดโหมดความเข้ากันได้ใน Internet Explorer)ในระหว่างนี้ เพื่อให้มั่นใจว่าได้รับการสนับสนุนอย่างต่อเนื่อง เรากำลังแสดงเว็บไซต์ที่ไม่มีรูปแบบหรือ JavaScript
การประยุกต์ใช้ปัญญาประดิษฐ์ทางคลินิก (AI) กำลังเติบโตอย่างรวดเร็ว แต่หลักสูตรของโรงเรียนแพทย์ที่มีอยู่ในปัจจุบันมีการสอนที่จำกัดครอบคลุมพื้นที่นี้ที่นี่เราจะอธิบายหลักสูตรการฝึกอบรมปัญญาประดิษฐ์ที่เราพัฒนาและส่งมอบให้กับนักศึกษาแพทย์ชาวแคนาดา และให้คำแนะนำสำหรับการฝึกอบรมในอนาคต
ปัญญาประดิษฐ์ (AI) ในทางการแพทย์สามารถปรับปรุงประสิทธิภาพในสถานที่ทำงานและช่วยเหลือในการตัดสินใจทางคลินิกเพื่อเป็นแนวทางในการใช้ปัญญาประดิษฐ์อย่างปลอดภัย แพทย์ต้องมีความเข้าใจเกี่ยวกับปัญญาประดิษฐ์อยู่บ้างความคิดเห็นมากมายสนับสนุนการสอนแนวคิด AI1 เช่น การอธิบายโมเดล AI และกระบวนการตรวจสอบ2อย่างไรก็ตาม มีการดำเนินการตามแผนเชิงโครงสร้างบางส่วน โดยเฉพาะในระดับชาติปินโต ดอส ซานโตส และคณะ 3มีการสำรวจนักศึกษาแพทย์ 263 คน และ 71% เห็นว่าพวกเขาต้องการการฝึกอบรมด้านปัญญาประดิษฐ์การสอนปัญญาประดิษฐ์แก่ผู้ฟังทางการแพทย์จำเป็นต้องมีการออกแบบอย่างระมัดระวังที่ผสมผสานแนวคิดทางเทคนิคและไม่ใช่ด้านเทคนิคสำหรับนักเรียนที่มักจะมีความรู้ก่อนหน้านี้อย่างกว้างขวางเราอธิบายประสบการณ์ของเราในการนำเสนอเวิร์กช็อป AI ให้กับนักศึกษาแพทย์สามกลุ่ม และให้คำแนะนำสำหรับการศึกษาทางการแพทย์ในอนาคตเกี่ยวกับ AI
เวิร์กช็อป Introduction to Artificial Intelligence in Medicine สำหรับนักศึกษาแพทย์ระยะเวลา 5 สัปดาห์ของเราจัดขึ้นสามครั้งระหว่างเดือนกุมภาพันธ์ 2019 ถึงเมษายน 2021 กำหนดการสำหรับเวิร์กช็อปแต่ละรายการพร้อมคำอธิบายสั้นๆ เกี่ยวกับการเปลี่ยนแปลงหลักสูตรจะแสดงในรูปที่ 1 หลักสูตรของเรามี วัตถุประสงค์การเรียนรู้หลักสามประการ: นักเรียนเข้าใจวิธีการประมวลผลข้อมูลในแอปพลิเคชันปัญญาประดิษฐ์ วิเคราะห์วรรณกรรมปัญญาประดิษฐ์สำหรับการใช้งานทางคลินิก และใช้โอกาสนี้ในการร่วมมือกับวิศวกรที่พัฒนาปัญญาประดิษฐ์
สีฟ้าเป็นหัวข้อบรรยาย และสีฟ้าเป็นช่วงคำถามและคำตอบแบบโต้ตอบส่วนสีเทาเป็นจุดเน้นของการทบทวนวรรณกรรมโดยย่อส่วนสีส้มเป็นกรณีศึกษาที่เลือกมาซึ่งอธิบายโมเดลหรือเทคนิคปัญญาประดิษฐ์Green เป็นหลักสูตรการเขียนโปรแกรมพร้อมคำแนะนำที่ออกแบบมาเพื่อสอนปัญญาประดิษฐ์เพื่อแก้ปัญหาทางคลินิกและประเมินแบบจำลองเนื้อหาและระยะเวลาของเวิร์คช็อปจะแตกต่างกันไปขึ้นอยู่กับการประเมินความต้องการของนักเรียน
การประชุมเชิงปฏิบัติการครั้งแรกจัดขึ้นที่มหาวิทยาลัยบริติชโคลัมเบียตั้งแต่เดือนกุมภาพันธ์ถึงเมษายน 2019 และผู้เข้าร่วมทั้ง 8 คนให้การตอบรับเชิงบวก4เนื่องจากสถานการณ์โควิด-19 การประชุมเชิงปฏิบัติการครั้งที่สองจึงจัดขึ้นแบบเสมือนในเดือนตุลาคม-พฤศจิกายน 2020 โดยมีนักศึกษาแพทย์ 222 คนและผู้อยู่อาศัย 3 คนจากโรงเรียนแพทย์ของแคนาดา 8 แห่งลงทะเบียนอัปโหลดสไลด์การนำเสนอและโค้ดไปยังไซต์การเข้าถึงแบบเปิด (http://ubcaimed.github.io)ข้อเสนอแนะที่สำคัญจากการทำซ้ำครั้งแรกคือการบรรยายเข้มข้นเกินไปและเนื้อหาที่เป็นทฤษฎีเกินไปการให้บริการเขตเวลาที่แตกต่างกันทั้ง 6 โซนของแคนาดาทำให้เกิดความท้าทายเพิ่มเติมดังนั้น เวิร์กช็อปครั้งที่สองจึงลดเวลาแต่ละเซสชันลงเหลือ 1 ชั่วโมง ลดความซับซ้อนของเนื้อหาหลักสูตร เพิ่มกรณีศึกษาเพิ่มเติม และสร้างโปรแกรมต้นแบบที่อนุญาตให้ผู้เข้าร่วมกรอกข้อมูลโค้ดโดยมีการดีบักเพียงเล็กน้อย (กล่องที่ 1)ข้อเสนอแนะหลักจากการทำซ้ำครั้งที่สองประกอบด้วยผลตอบรับเชิงบวกเกี่ยวกับแบบฝึกหัดการเขียนโปรแกรมและการร้องขอให้สาธิตการวางแผนสำหรับโครงการการเรียนรู้ของเครื่องดังนั้นในเวิร์กช็อปครั้งที่ 3 ของเรา ซึ่งจัดขึ้นแบบเสมือนจริงสำหรับนักศึกษาแพทย์ 126 คนในเดือนมีนาคม-เมษายน 2021 เราได้รวมแบบฝึกหัดการเขียนโค้ดเชิงโต้ตอบเพิ่มเติมและเซสชันข้อเสนอแนะเกี่ยวกับโครงการเพื่อสาธิตผลกระทบของการใช้แนวคิดเวิร์กช็อปกับโปรเจ็กต์ต่างๆ
การวิเคราะห์ข้อมูล: สาขาวิชาสถิติที่ระบุรูปแบบที่มีความหมายในข้อมูลโดยการวิเคราะห์ ประมวลผล และสื่อสารรูปแบบข้อมูล
การทำเหมืองข้อมูล: กระบวนการระบุและดึงข้อมูลในบริบทของปัญญาประดิษฐ์ ข้อมูลนี้มักมีขนาดใหญ่ โดยมีตัวแปรหลายตัวสำหรับแต่ละตัวอย่าง
การลดมิติข้อมูล: กระบวนการแปลงข้อมูลที่มีคุณลักษณะเฉพาะจำนวนมากให้เป็นคุณลักษณะที่น้อยลง ขณะเดียวกันก็รักษาคุณสมบัติที่สำคัญของชุดข้อมูลดั้งเดิมไว้
ลักษณะ (ในบริบทของปัญญาประดิษฐ์): คุณสมบัติที่วัดได้ของกลุ่มตัวอย่างมักใช้สลับกับ “คุณสมบัติ” หรือ “ตัวแปร”
แผนที่การเปิดใช้งานการไล่ระดับสี: เทคนิคที่ใช้ในการตีความแบบจำลองปัญญาประดิษฐ์ (โดยเฉพาะโครงข่ายประสาทเทียมแบบม้วน) ซึ่งวิเคราะห์กระบวนการเพิ่มประสิทธิภาพส่วนสุดท้ายของเครือข่ายเพื่อระบุขอบเขตของข้อมูลหรือรูปภาพที่มีการทำนายสูง
โมเดลมาตรฐาน: โมเดล AI ที่มีอยู่ซึ่งได้รับการฝึกอบรมล่วงหน้าเพื่อทำงานที่คล้ายกัน
การทดสอบ (ในบริบทของปัญญาประดิษฐ์): การสังเกตว่าแบบจำลองทำงานอย่างไรโดยใช้ข้อมูลที่ไม่เคยพบมาก่อน
การฝึกอบรม (ในบริบทของปัญญาประดิษฐ์): จัดทำแบบจำลองด้วยข้อมูลและผลลัพธ์เพื่อให้แบบจำลองปรับพารามิเตอร์ภายในเพื่อเพิ่มความสามารถในการปฏิบัติงานโดยใช้ข้อมูลใหม่
เวกเตอร์: อาร์เรย์ของข้อมูลในแมชชีนเลิร์นนิง แต่ละองค์ประกอบอาร์เรย์มักจะเป็นคุณลักษณะเฉพาะของตัวอย่าง
ตารางที่ 1 แสดงรายการหลักสูตรล่าสุดประจำเดือนเมษายน 2021 รวมถึงวัตถุประสงค์การเรียนรู้แบบกำหนดเป้าหมายสำหรับแต่ละหัวข้อเวิร์คช็อปนี้มีไว้สำหรับผู้ที่เพิ่งเริ่มเรียนด้านเทคนิค และไม่จำเป็นต้องมีความรู้ทางคณิตศาสตร์ใดๆ นอกเหนือจากปีแรกของการศึกษาระดับปริญญาตรีทางการแพทย์หลักสูตรนี้ได้รับการพัฒนาโดยนักศึกษาแพทย์ 6 คน และอาจารย์ 3 คนที่มีวุฒิการศึกษาขั้นสูงด้านวิศวกรรมวิศวกรกำลังพัฒนาทฤษฎีปัญญาประดิษฐ์เพื่อสอน และนักศึกษาแพทย์กำลังเรียนรู้เนื้อหาที่เกี่ยวข้องกับทางคลินิก
เวิร์กช็อปประกอบด้วยการบรรยาย กรณีศึกษา และการเขียนโปรแกรมแบบมีไกด์ในการบรรยายครั้งแรก เราจะทบทวนแนวคิดที่เลือกสรรของการวิเคราะห์ข้อมูลทางชีวสถิติ รวมถึงการแสดงภาพข้อมูล การถดถอยโลจิสติก และการเปรียบเทียบสถิติเชิงพรรณนาและอุปนัยแม้ว่าการวิเคราะห์ข้อมูลจะเป็นรากฐานของปัญญาประดิษฐ์ แต่เราไม่รวมหัวข้อต่างๆ เช่น การทำเหมืองข้อมูล การทดสอบนัยสำคัญ หรือการแสดงภาพเชิงโต้ตอบนี่เป็นเพราะข้อจำกัดด้านเวลาและเนื่องจากนักศึกษาระดับปริญญาตรีบางคนเคยผ่านการฝึกอบรมด้านชีวสถิติมาก่อน และต้องการครอบคลุมหัวข้อแมชชีนเลิร์นนิงที่เป็นเอกลักษณ์มากขึ้นการบรรยายครั้งต่อไปจะแนะนำวิธีการสมัยใหม่และอภิปรายการกำหนดปัญหา AI ข้อดีและข้อจำกัดของโมเดล AI และการทดสอบโมเดลการบรรยายเสริมด้วยวรรณกรรมและการวิจัยเชิงปฏิบัติเกี่ยวกับอุปกรณ์ปัญญาประดิษฐ์ที่มีอยู่เราเน้นย้ำทักษะที่จำเป็นในการประเมินประสิทธิภาพและความเป็นไปได้ของแบบจำลองเพื่อตอบคำถามทางคลินิก รวมถึงการทำความเข้าใจข้อจำกัดของอุปกรณ์ปัญญาประดิษฐ์ที่มีอยู่ตัวอย่างเช่น เราขอให้นักเรียนตีความแนวทางการบาดเจ็บศีรษะในเด็กที่เสนอโดย Kupperman และคณะ ซึ่งใช้อัลกอริธึมต้นไม้ตัดสินใจปัญญาประดิษฐ์เพื่อพิจารณาว่าการสแกน CT จะมีประโยชน์โดยอิงจากการตรวจของแพทย์หรือไม่เราเน้นย้ำว่านี่เป็นตัวอย่างทั่วไปของ AI ที่ให้การวิเคราะห์เชิงคาดการณ์เพื่อให้แพทย์ตีความ แทนที่จะแทนที่แพทย์
ในตัวอย่างการเขียนโปรแกรมบูทสแตรปโอเพ่นซอร์สที่มีอยู่ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) เราจะสาธิตวิธีดำเนินการวิเคราะห์ข้อมูลเชิงสำรวจ การลดขนาด การโหลดโมเดลมาตรฐาน และการฝึกอบรม .และการทดสอบเราใช้สมุดบันทึกของ Google Colaboratory (Google LLC, Mountain View, CA) ซึ่งอนุญาตให้เรียกใช้โค้ด Python จากเว็บเบราว์เซอร์ในรูป รูปที่ 2 แสดงตัวอย่างแบบฝึกหัดการเขียนโปรแกรมแบบฝึกหัดนี้เกี่ยวข้องกับการทำนายมะเร็งโดยใช้ชุดข้อมูลการถ่ายภาพเต้านมแบบเปิดของวิสคอนซิน6 และอัลกอริทึมแผนผังการตัดสินใจ
นำเสนอโปรแกรมตลอดสัปดาห์ในหัวข้อที่เกี่ยวข้อง และเลือกตัวอย่างจากแอปพลิเคชัน AI ที่เผยแพร่องค์ประกอบการเขียนโปรแกรมจะรวมไว้ก็ต่อเมื่อพิจารณาว่าเกี่ยวข้องกับการให้ข้อมูลเชิงลึกเกี่ยวกับการปฏิบัติงานทางคลินิกในอนาคต เช่น วิธีประเมินแบบจำลองเพื่อพิจารณาว่าพร้อมใช้งานในการทดลองทางคลินิกหรือไม่ตัวอย่างเหล่านี้สิ้นสุดในการประยุกต์ใช้แบบ end-to-end อย่างเต็มรูปแบบ ซึ่งจัดประเภทเนื้องอกว่าไม่เป็นพิษเป็นภัยหรือเป็นมะเร็งโดยพิจารณาจากพารามิเตอร์ภาพทางการแพทย์
ความหลากหลายของความรู้เดิมผู้เข้าร่วมของเรามีระดับความรู้ทางคณิตศาสตร์ที่แตกต่างกันตัวอย่างเช่น นักเรียนที่มีพื้นฐานด้านวิศวกรรมขั้นสูงกำลังมองหาเนื้อหาเชิงลึกเพิ่มเติม เช่น วิธีดำเนินการแปลงฟูริเยร์ของตนเองอย่างไรก็ตาม การอภิปรายเรื่องอัลกอริธึมฟูริเยร์ในชั้นเรียนเป็นไปไม่ได้ เนื่องจากต้องใช้ความรู้เชิงลึกเกี่ยวกับการประมวลผลสัญญาณ
การไหลออกของผู้เข้าร่วมการเข้าร่วมการประชุมติดตามผลลดลง โดยเฉพาะในรูปแบบออนไลน์วิธีแก้ไขอาจเป็นการติดตามการเข้าร่วมและจัดทำใบรับรองการสำเร็จหลักสูตรเป็นที่ทราบกันว่าโรงเรียนแพทย์ยอมรับผลการเรียนจากกิจกรรมวิชาการนอกหลักสูตรของนักเรียน ซึ่งสามารถส่งเสริมให้นักเรียนเรียนต่อในระดับปริญญาได้
การออกแบบหลักสูตร: เนื่องจาก AI ครอบคลุมสาขาย่อยจำนวนมาก การเลือกแนวคิดหลักเกี่ยวกับความลึกและความกว้างที่เหมาะสมจึงเป็นเรื่องที่ท้าทายตัวอย่างเช่น ความต่อเนื่องในการใช้เครื่องมือ AI จากห้องปฏิบัติการไปยังคลินิกถือเป็นหัวข้อสำคัญแม้ว่าเราจะครอบคลุมการประมวลผลข้อมูลล่วงหน้า การสร้างแบบจำลอง และการตรวจสอบความถูกต้อง แต่เราไม่ได้รวมหัวข้อต่างๆ เช่น การวิเคราะห์ข้อมูลขนาดใหญ่ การสร้างภาพเชิงโต้ตอบ หรือการดำเนินการทดลองทางคลินิกของ AI แต่เรามุ่งเน้นไปที่แนวคิด AI ที่มีเอกลักษณ์ที่สุดแทนหลักการชี้นำของเราคือการปรับปรุงการรู้หนังสือ ไม่ใช่ทักษะตัวอย่างเช่น การทำความเข้าใจว่าโมเดลประมวลผลคุณลักษณะอินพุตอย่างไรเป็นสิ่งสำคัญสำหรับการตีความวิธีหนึ่งในการทำเช่นนี้คือการใช้แผนที่การเปิดใช้งานการไล่ระดับสี ซึ่งสามารถเห็นภาพว่าบริเวณใดของข้อมูลที่สามารถคาดเดาได้อย่างไรก็ตาม สิ่งนี้ต้องใช้แคลคูลัสหลายตัวแปรและไม่สามารถแนะนำได้8การพัฒนาคำศัพท์ทั่วไปเป็นเรื่องที่ท้าทายเพราะเราพยายามอธิบายวิธีการทำงานกับข้อมูลในรูปแบบเวกเตอร์โดยไม่มีรูปแบบทางคณิตศาสตร์โปรดทราบว่าคำที่ต่างกันมีความหมายเหมือนกัน เช่น ในระบาดวิทยา "ลักษณะเฉพาะ" ถูกอธิบายว่าเป็น "ตัวแปร" หรือ "คุณลักษณะ"
การเก็บความรู้เนื่องจากการประยุกต์ใช้ AI มีจำกัด ขอบเขตที่ผู้เข้าร่วมจะเก็บความรู้ไว้จึงยังคงต้องติดตามกันต่อไปหลักสูตรของโรงเรียนแพทย์มักจะอาศัยการเว้นระยะซ้ำๆ เพื่อเสริมความรู้ในระหว่างการหมุนเวียนภาคปฏิบัติ9 ซึ่งสามารถนำไปใช้กับการศึกษา AI ได้เช่นกัน
ความเป็นมืออาชีพมีความสำคัญมากกว่าการอ่านออกเขียนได้ความลึกของวัสดุได้รับการออกแบบโดยไม่มีความเข้มงวดทางคณิตศาสตร์ ซึ่งเป็นปัญหาเมื่อเปิดหลักสูตรทางคลินิกด้านปัญญาประดิษฐ์ในตัวอย่างการเขียนโปรแกรม เราใช้โปรแกรมเทมเพลตที่ช่วยให้ผู้เข้าร่วมกรอกข้อมูลในฟิลด์และเรียกใช้ซอฟต์แวร์โดยไม่ต้องหาวิธีการตั้งค่าสภาพแวดล้อมการเขียนโปรแกรมที่สมบูรณ์
ความกังวลเกี่ยวกับปัญญาประดิษฐ์ได้รับการแก้ไขแล้ว: มีความกังวลอย่างกว้างขวางว่าปัญญาประดิษฐ์สามารถเข้ามาแทนที่หน้าที่ทางคลินิกบางอย่างได้3เพื่อแก้ไขปัญหานี้ เราจะอธิบายข้อจำกัดของ AI รวมถึงข้อเท็จจริงที่ว่าเทคโนโลยี AI เกือบทั้งหมดที่ได้รับอนุมัติจากหน่วยงานกำกับดูแลจำเป็นต้องได้รับการดูแลจากแพทย์11นอกจากนี้เรายังเน้นถึงความสำคัญของอคติเนื่องจากอัลกอริธึมมีแนวโน้มที่จะมีอคติ โดยเฉพาะอย่างยิ่งหากชุดข้อมูลไม่มีความหลากหลายผลที่ตามมาคือกลุ่มย่อยบางกลุ่มอาจมีการสร้างแบบจำลองไม่ถูกต้อง นำไปสู่การตัดสินใจทางคลินิกที่ไม่ยุติธรรม
แหล่งข้อมูลเปิดเผยต่อสาธารณะ: เราได้สร้างแหล่งข้อมูลที่เปิดเผยต่อสาธารณะ รวมถึงสไลด์บรรยายและโค้ดแม้ว่าการเข้าถึงเนื้อหาแบบซิงโครนัสจะถูกจำกัดเนื่องจากเขตเวลา เนื้อหาโอเพ่นซอร์สเป็นวิธีที่สะดวกสำหรับการเรียนรู้แบบอะซิงโครนัส เนื่องจากความเชี่ยวชาญด้าน AI ไม่มีให้บริการในโรงเรียนแพทย์ทุกแห่ง
ความร่วมมือแบบสหวิทยาการ: การประชุมเชิงปฏิบัติการนี้เป็นการร่วมทุนที่ริเริ่มโดยนักศึกษาแพทย์เพื่อวางแผนหลักสูตรร่วมกับวิศวกรสิ่งนี้แสดงให้เห็นถึงโอกาสในการทำงานร่วมกันและช่องว่างทางความรู้ในทั้งสองด้าน ช่วยให้ผู้เข้าร่วมเข้าใจบทบาทที่เป็นไปได้ที่พวกเขาสามารถมีส่วนร่วมได้ในอนาคต
กำหนดความสามารถหลักของ AIการกำหนดรายการสมรรถนะทำให้เกิดโครงสร้างมาตรฐานที่สามารถบูรณาการเข้ากับหลักสูตรทางการแพทย์ที่อิงสมรรถนะที่มีอยู่ได้ปัจจุบันเวิร์กช็อปนี้ใช้วัตถุประสงค์การเรียนรู้ระดับ 2 (ความเข้าใจ) 3 (การประยุกต์ใช้) และ 4 (การวิเคราะห์) ของ Bloom's Taxonomyการมีทรัพยากรในระดับที่สูงกว่า เช่น การสร้างโครงการ สามารถเสริมสร้างความรู้เพิ่มเติมได้สิ่งนี้จำเป็นต้องทำงานร่วมกับผู้เชี่ยวชาญทางคลินิกเพื่อพิจารณาว่าหัวข้อ AI สามารถนำไปใช้กับขั้นตอนการทำงานทางคลินิกได้อย่างไร และป้องกันการสอนหัวข้อซ้ำ ๆ ที่รวมอยู่ในหลักสูตรการแพทย์มาตรฐานแล้ว
สร้างกรณีศึกษาโดยใช้ AIเช่นเดียวกับตัวอย่างทางคลินิก การเรียนรู้ตามกรณีสามารถเสริมแนวคิดเชิงนามธรรมโดยเน้นความเกี่ยวข้องกับคำถามทางคลินิกตัวอย่างเช่น การศึกษาเชิงปฏิบัติการรายการหนึ่งวิเคราะห์ระบบตรวจจับภาวะเบาหวานขึ้นจอประสาทตาที่ใช้ AI ของ Google 13 เพื่อระบุความท้าทายตลอดเส้นทางตั้งแต่ห้องปฏิบัติการไปจนถึงคลินิก เช่น ข้อกำหนดการตรวจสอบจากภายนอก และเส้นทางการอนุมัติตามกฎระเบียบ
ใช้การเรียนรู้จากประสบการณ์: ทักษะทางเทคนิคจำเป็นต้องมีการฝึกฝนที่มุ่งเน้นและการประยุกต์ใช้ซ้ำๆ เพื่อให้เชี่ยวชาญ คล้ายกับประสบการณ์การเรียนรู้แบบหมุนเวียนของผู้เข้ารับการฝึกอบรมทางคลินิกแนวทางแก้ไขที่เป็นไปได้ประการหนึ่งคือแบบจำลองห้องเรียนกลับด้าน ซึ่งได้รับการรายงานเพื่อปรับปรุงการรักษาความรู้ในการศึกษาด้านวิศวกรรมศาสตร์14ในแบบจำลองนี้ นักเรียนจะทบทวนเนื้อหาทางทฤษฎีอย่างอิสระ และเวลาเรียนจะทุ่มเทให้กับการแก้ปัญหาผ่านกรณีศึกษา
การปรับขนาดสำหรับผู้เข้าร่วมจากหลากหลายสาขาวิชา: เรามองเห็นการนำ AI มาใช้โดยเกี่ยวข้องกับการทำงานร่วมกันในหลากหลายสาขา รวมถึงแพทย์และผู้เชี่ยวชาญด้านสุขภาพพันธมิตรที่มีระดับการฝึกอบรมที่แตกต่างกันจึงต้องพัฒนาหลักสูตรร่วมกับคณาจารย์จากหน่วยงานต่างๆ เพื่อปรับเนื้อหาให้เข้ากับการดูแลสุขภาพด้านต่างๆ
ปัญญาประดิษฐ์เป็นเทคโนโลยีขั้นสูงและแนวคิดหลักเกี่ยวข้องกับคณิตศาสตร์และวิทยาการคอมพิวเตอร์การฝึกอบรมบุคลากรทางการแพทย์ให้เข้าใจปัญญาประดิษฐ์ทำให้เกิดความท้าทายในการเลือกเนื้อหา ความเกี่ยวข้องทางคลินิก และวิธีการจัดส่งเราหวังว่าข้อมูลเชิงลึกที่ได้รับจากเวิร์กช็อป AI ในการศึกษาจะช่วยให้นักการศึกษาในอนาคตเปิดรับวิธีการใหม่ๆ ในการบูรณาการ AI เข้ากับการศึกษาทางการแพทย์
สคริปต์ Google Colaboratory Python เป็นโอเพ่นซอร์สและมีอยู่ที่: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/
Prober, KG และ Khan, S. ทบทวนการศึกษาทางการแพทย์: คำกระตุ้นการตัดสินใจอัคกัด.ยา.88, 1407–1410 (2013)
McCoy, LG ฯลฯ นักศึกษาแพทย์จำเป็นต้องรู้อะไรบ้างเกี่ยวกับปัญญาประดิษฐ์?ตัวเลข NPZhยา 3, 1–3 (2020)
ดอส ซานโตส, DP, และคณะทัศนคติของนักศึกษาแพทย์ต่อปัญญาประดิษฐ์: แบบสำรวจหลายศูนย์ยูโร.รังสี29 ก.ค. 1640–1646 (2019)
Fan, KY, Hu, R. และ Singla, R. การเรียนรู้ของเครื่องเบื้องต้นสำหรับนักศึกษาแพทย์: โครงการนำร่องเจ.เมด.สอน.54, 1042–1043 (2020)
คูเปอร์แมน เอ็น และคณะการระบุเด็กที่มีความเสี่ยงต่ำมากต่อการบาดเจ็บที่สมองอย่างมีนัยสำคัญทางคลินิกหลังการบาดเจ็บที่ศีรษะ: การศึกษาตามรุ่นในอนาคตมีดหมอ 374, 1160–1170 (2009)
Street, WN, Wolberg, WH และ Mangasarian, OLการสกัดคุณสมบัติทางนิวเคลียร์เพื่อวินิจฉัยมะเร็งเต้านมวิทยาศาสตร์ชีวการแพทย์.การประมวลผลภาพวิทยาศาสตร์ชีวการแพทย์.ไวส์.1905, 861–870 (1993)
Chen, PHC, Liu, Y. และ Peng, L. วิธีพัฒนาโมเดลการเรียนรู้ของเครื่องสำหรับการดูแลสุขภาพแนท.แมตต์18, 410–414 (2019)
เซลวาราจู, RR และคณะGrad-cam: การตีความภาพของเครือข่ายเชิงลึกผ่านการแปลตามการไล่ระดับสีการดำเนินการของการประชุมนานาชาติ IEEE ว่าด้วยคอมพิวเตอร์วิทัศน์, 618–626 (2017)
Kumaravel B, Stewart K และ Ilic D. การพัฒนาและประเมินแบบจำลองเกลียวสำหรับการประเมินความสามารถด้านการแพทย์ตามหลักฐานเชิงประจักษ์โดยใช้ OSCE ในการศึกษาทางการแพทย์ระดับปริญญาตรีบีเอ็มเค เมดิซีน.สอน.21, 1–9 (2021)
Kolachalama VB และ Garg PS การเรียนรู้ของเครื่องและการศึกษาทางการแพทย์ตัวเลข NPZhยา.1, 1–3 (2018)
van Leeuwen, KG, Schalekamp, ​​​​S., Rutten, MJ, van Ginneken, B. และ de Rooy, M. ปัญญาประดิษฐ์ในรังสีวิทยา: ผลิตภัณฑ์เชิงพาณิชย์ 100 รายการและหลักฐานทางวิทยาศาสตร์ยูโร.รังสี31, 3797–3804 (2021)
Topol, EJ ยาประสิทธิภาพสูง: การบรรจบกันของมนุษย์และปัญญาประดิษฐ์แนท.ยา.25, 44–56 (2019)
เบด อี และคณะการประเมินระบบการเรียนรู้เชิงลึกที่คำนึงถึงมนุษย์เป็นหลัก ซึ่งนำไปใช้ในคลินิกเพื่อตรวจหาภาวะเบาหวานขึ้นจอประสาทตาการดำเนินการของการประชุม CHI ปี 2020 เรื่องปัจจัยมนุษย์ในระบบคอมพิวเตอร์ (2020)
Kerr, B. ห้องเรียนพลิกด้านการศึกษาด้านวิศวกรรม: การทบทวนงานวิจัยการดำเนินการของการประชุมนานาชาติเรื่องการเรียนรู้ร่วมกันเชิงโต้ตอบประจำปี 2558 (2558)
ผู้เขียนขอขอบคุณ Danielle Walker, Tim Salcudin และ Peter Zandstra จากกลุ่มวิจัยด้านการถ่ายภาพชีวการแพทย์และปัญญาประดิษฐ์ที่มหาวิทยาลัยบริติชโคลัมเบียสำหรับการสนับสนุนและเงินทุน
RH, PP, ZH, RS และ MA มีหน้าที่รับผิดชอบในการพัฒนาเนื้อหาการสอนเชิงปฏิบัติการRH และ PP รับผิดชอบในการพัฒนาตัวอย่างการเขียนโปรแกรมKYF, OY, MT และ PW มีหน้าที่รับผิดชอบในการจัดการด้านลอจิสติกส์ของโครงการและการวิเคราะห์การประชุมเชิงปฏิบัติการRH, OY, MT, RS มีหน้าที่สร้างตัวเลขและตารางRH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS มีหน้าที่รับผิดชอบในการร่างและแก้ไขเอกสาร
Communication Medicine ขอขอบคุณ Carolyn McGregor, Fabio Moraes และ Aditya Borakati สำหรับการมีส่วนร่วมในการทบทวนงานนี้