ขอบคุณที่เข้าชม Nature.com เบราว์เซอร์ที่คุณใช้อยู่มีการรองรับ CSS ที่จำกัด เพื่อผลลัพธ์ที่ดีที่สุด เราขอแนะนำให้ใช้เบราว์เซอร์เวอร์ชันใหม่กว่า (หรือปิดโหมดความเข้ากันได้ใน Internet Explorer) ในระหว่างนี้ เพื่อให้มั่นใจว่าเว็บไซต์จะได้รับการสนับสนุนอย่างต่อเนื่อง เราจึงแสดงเว็บไซต์โดยไม่มีการจัดรูปแบบหรือ JavaScript
การประยุกต์ใช้ปัญญาประดิษฐ์ (AI) ในทางการแพทย์กำลังเติบโตอย่างรวดเร็ว แต่หลักสูตรแพทยศาสตร์ที่มีอยู่ยังให้การสอนในด้านนี้อย่างจำกัด ในที่นี้เราจะอธิบายหลักสูตรฝึกอบรมปัญญาประดิษฐ์ที่เราพัฒนาและจัดให้แก่นักศึกษาแพทย์ชาวแคนาดา และให้คำแนะนำสำหรับการฝึกอบรมในอนาคต
ปัญญาประดิษฐ์ (AI) ในทางการแพทย์สามารถช่วยเพิ่มประสิทธิภาพในการทำงานและช่วยในการตัดสินใจทางคลินิกได้ เพื่อการใช้งานปัญญาประดิษฐ์อย่างปลอดภัย แพทย์จำเป็นต้องมีความเข้าใจเกี่ยวกับปัญญาประดิษฐ์ในระดับหนึ่ง มีหลายความคิดเห็นที่สนับสนุนการสอนแนวคิด AI1 เช่น การอธิบายแบบจำลอง AI และกระบวนการตรวจสอบ2 อย่างไรก็ตาม มีแผนงานที่เป็นระบบน้อยมากที่ได้รับการนำไปใช้ โดยเฉพาะในระดับประเทศ Pinto dos Santos และคณะ3 ได้ทำการสำรวจนักศึกษาแพทย์ 263 คน และพบว่า 71% เห็นด้วยว่าพวกเขาต้องการการฝึกอบรมด้านปัญญาประดิษฐ์ การสอนปัญญาประดิษฐ์แก่กลุ่มบุคลากรทางการแพทย์จำเป็นต้องมีการออกแบบอย่างรอบคอบ โดยผสมผสานแนวคิดทางเทคนิคและไม่ใช่ทางเทคนิคสำหรับนักศึกษาที่มักมีความรู้พื้นฐานมาก่อน เราได้อธิบายประสบการณ์ของเราในการจัดเวิร์คช็อป AI ให้กับนักศึกษาแพทย์สามกลุ่ม และให้คำแนะนำสำหรับการศึกษาด้าน AI ทางการแพทย์ในอนาคต
หลักสูตรอบรมเชิงปฏิบัติการเบื้องต้นเกี่ยวกับปัญญาประดิษฐ์ในทางการแพทย์สำหรับนักศึกษาแพทย์ของเรา ซึ่งใช้เวลาเรียน 5 สัปดาห์ จัดขึ้น 3 ครั้ง ระหว่างเดือนกุมภาพันธ์ 2562 ถึงเดือนเมษายน 2564 ตารางการอบรมแต่ละครั้ง พร้อมคำอธิบายโดยย่อเกี่ยวกับการเปลี่ยนแปลงของหลักสูตร แสดงอยู่ในรูปที่ 1 หลักสูตรของเรามีวัตถุประสงค์การเรียนรู้หลัก 3 ประการ ได้แก่ นักศึกษาเข้าใจวิธีการประมวลผลข้อมูลในแอปพลิเคชันปัญญาประดิษฐ์ วิเคราะห์วรรณกรรมปัญญาประดิษฐ์สำหรับการประยุกต์ใช้ทางคลินิก และใช้ประโยชน์จากโอกาสในการทำงานร่วมกับวิศวกรที่พัฒนาปัญญาประดิษฐ์
ส่วนสีน้ำเงินคือหัวข้อการบรรยาย และสีฟ้าอ่อนคือช่วงถามตอบแบบโต้ตอบ ส่วนสีเทาคือส่วนสรุปการทบทวนวรรณกรรม ส่วนสีส้มคือกรณีศึกษาที่คัดเลือกมาซึ่งอธิบายถึงแบบจำลองหรือเทคนิคปัญญาประดิษฐ์ ส่วนสีเขียวคือหลักสูตรการเขียนโปรแกรมแบบมีผู้แนะนำ ซึ่งออกแบบมาเพื่อสอนปัญญาประดิษฐ์ในการแก้ปัญหาทางคลินิกและประเมินแบบจำลอง เนื้อหาและระยะเวลาของการอบรมเชิงปฏิบัติการจะแตกต่างกันไปตามการประเมินความต้องการของนักเรียน
การประชุมเชิงปฏิบัติการครั้งแรกจัดขึ้นที่มหาวิทยาลัยบริติชโคลัมเบียระหว่างเดือนกุมภาพันธ์ถึงเมษายน 2562 และผู้เข้าร่วมทั้ง 8 คนให้ข้อเสนอแนะในเชิงบวก4 เนื่องจากสถานการณ์ COVID-19 การประชุมเชิงปฏิบัติการครั้งที่สองจึงจัดขึ้นในรูปแบบออนไลน์ในเดือนตุลาคม-พฤศจิกายน 2563 โดยมีนักศึกษาแพทย์ 222 คนและแพทย์ประจำบ้าน 3 คนจาก 8 โรงเรียนแพทย์ในแคนาดาลงทะเบียน สไลด์การนำเสนอและโค้ดได้ถูกอัปโหลดไปยังเว็บไซต์ที่เปิดให้เข้าถึงได้ (http://ubcaimed.github.io) ข้อเสนอแนะสำคัญจากการประชุมครั้งแรกคือ การบรรยายเข้มข้นเกินไปและเนื้อหาเป็นทฤษฎีมากเกินไป การให้บริการในเขตเวลาที่แตกต่างกัน 6 เขตของแคนาดาทำให้เกิดความท้าทายเพิ่มเติม ดังนั้น การประชุมเชิงปฏิบัติการครั้งที่สองจึงลดระยะเวลาของแต่ละช่วงเหลือ 1 ชั่วโมง ลดความซับซ้อนของเนื้อหาหลักสูตร เพิ่มกรณีศึกษามากขึ้น และสร้างโปรแกรมต้นแบบที่ช่วยให้ผู้เข้าร่วมสามารถเขียนโค้ดได้โดยไม่ต้องแก้ไขข้อผิดพลาดมากนัก (กล่องที่ 1) ข้อเสนอแนะสำคัญจากการประชุมครั้งที่สอง ได้แก่ ข้อเสนอแนะในเชิงบวกเกี่ยวกับแบบฝึกหัดการเขียนโปรแกรม และคำขอให้สาธิตการวางแผนสำหรับโครงการเรียนรู้ของเครื่อง ดังนั้น ในการจัดเวิร์คช็อปครั้งที่สามของเรา ซึ่งจัดขึ้นในรูปแบบออนไลน์สำหรับนักศึกษาแพทย์ 126 คน ในเดือนมีนาคม-เมษายน 2564 เราจึงได้เพิ่มแบบฝึกหัดการเขียนโค้ดแบบโต้ตอบและช่วงการให้ข้อเสนอแนะเกี่ยวกับโครงการมากขึ้น เพื่อแสดงให้เห็นถึงผลกระทบของการนำแนวคิดจากเวิร์คช็อปไปใช้ในโครงการต่างๆ
การวิเคราะห์ข้อมูล: สาขาหนึ่งของสถิติศาสตร์ที่ระบุรูปแบบที่มีความหมายในข้อมูล โดยการวิเคราะห์ ประมวลผล และสื่อสารรูปแบบข้อมูลเหล่านั้น
การขุดค้นข้อมูล: กระบวนการระบุและดึงข้อมูลออกมา ในบริบทของปัญญาประดิษฐ์ ข้อมูลที่ได้มักมีขนาดใหญ่และมีตัวแปรหลายตัวสำหรับแต่ละตัวอย่าง
การลดมิติข้อมูล: กระบวนการแปลงข้อมูลที่มีคุณลักษณะจำนวนมากให้เป็นข้อมูลที่มีคุณลักษณะน้อยลง โดยยังคงรักษาคุณสมบัติที่สำคัญของชุดข้อมูลเดิมไว้
ลักษณะเฉพาะ (ในบริบทของปัญญาประดิษฐ์): คุณสมบัติที่สามารถวัดได้ของตัวอย่าง มักใช้แทนกันได้กับคำว่า “คุณสมบัติ” หรือ “ตัวแปร”
แผนที่การกระตุ้นแบบไล่ระดับ (Gradient Activation Map): เทคนิคที่ใช้ในการตีความแบบจำลองปัญญาประดิษฐ์ (โดยเฉพาะโครงข่ายประสาทเทียมแบบคอนโวลูชัน) ซึ่งวิเคราะห์กระบวนการปรับส่วนสุดท้ายของเครือข่ายให้เหมาะสมที่สุด เพื่อระบุบริเวณของข้อมูลหรือภาพที่มีความสามารถในการทำนายสูง
โมเดลมาตรฐาน: โมเดล AI ที่มีอยู่แล้ว ซึ่งได้รับการฝึกฝนล่วงหน้าให้ทำงานที่คล้ายคลึงกัน
การทดสอบ (ในบริบทของปัญญาประดิษฐ์): การสังเกตว่าแบบจำลองทำงานอย่างไรโดยใช้ข้อมูลที่แบบจำลองไม่เคยพบมาก่อน
การฝึกฝน (ในบริบทของปัญญาประดิษฐ์): การป้อนข้อมูลและผลลัพธ์ให้กับแบบจำลอง เพื่อให้แบบจำลองปรับพารามิเตอร์ภายในของตนเอง เพื่อเพิ่มประสิทธิภาพในการทำงานโดยใช้ข้อมูลใหม่
เวกเตอร์: อาร์เรย์ของข้อมูล ในการเรียนรู้ของเครื่องจักร แต่ละองค์ประกอบของอาร์เรย์มักจะเป็นคุณลักษณะเฉพาะของตัวอย่าง
ตารางที่ 1 แสดงรายการหลักสูตรล่าสุดสำหรับเดือนเมษายน 2564 รวมถึงวัตถุประสงค์การเรียนรู้ที่กำหนดเป้าหมายสำหรับแต่ละหัวข้อ การอบรมเชิงปฏิบัติการนี้เหมาะสำหรับผู้ที่เพิ่งเริ่มต้นในระดับเทคนิค และไม่จำเป็นต้องมีความรู้ทางคณิตศาสตร์ใด ๆ นอกเหนือจากปีแรกของหลักสูตรแพทยศาสตรบัณฑิต หลักสูตรนี้ได้รับการพัฒนาโดยนักศึกษาแพทย์ 6 คน และอาจารย์ 3 คนที่มีวุฒิการศึกษาระดับสูงด้านวิศวกรรม วิศวกรกำลังพัฒนาทฤษฎีปัญญาประดิษฐ์เพื่อการสอน และนักศึกษาแพทย์กำลังเรียนรู้เนื้อหาที่เกี่ยวข้องกับการปฏิบัติงานทางคลินิก
การอบรมเชิงปฏิบัติการประกอบด้วยการบรรยาย กรณีศึกษา และการเขียนโปรแกรมแบบมีผู้แนะนำ ในการบรรยายครั้งแรก เราจะทบทวนแนวคิดที่เลือกสรรแล้วเกี่ยวกับการวิเคราะห์ข้อมูลในสถิติชีวภาพ รวมถึงการแสดงภาพข้อมูล การถดถอยโลจิสติก และการเปรียบเทียบสถิติเชิงพรรณนาและสถิติเชิงอุปมาน แม้ว่าการวิเคราะห์ข้อมูลจะเป็นพื้นฐานของปัญญาประดิษฐ์ แต่เราจะยกเว้นหัวข้อต่างๆ เช่น การขุดค้นข้อมูล การทดสอบนัยสำคัญ หรือการแสดงภาพแบบโต้ตอบ เนื่องจากข้อจำกัดด้านเวลา และเนื่องจากนักศึกษาระดับปริญญาตรีบางคนได้รับการฝึกฝนด้านสถิติชีวภาพมาก่อนและต้องการเรียนรู้หัวข้อการเรียนรู้ของเครื่องจักรที่เฉพาะเจาะจงมากขึ้น การบรรยายครั้งต่อไปจะแนะนำวิธีการที่ทันสมัยและอภิปรายเกี่ยวกับการกำหนดปัญหาของ AI ข้อดีและข้อจำกัดของแบบจำลอง AI และการทดสอบแบบจำลอง การบรรยายเสริมด้วยเอกสารและงานวิจัยเชิงปฏิบัติเกี่ยวกับอุปกรณ์ปัญญาประดิษฐ์ที่มีอยู่ เราเน้นทักษะที่จำเป็นในการประเมินประสิทธิภาพและความเป็นไปได้ของแบบจำลองในการแก้ไขปัญหาทางคลินิก รวมถึงการทำความเข้าใจข้อจำกัดของอุปกรณ์ปัญญาประดิษฐ์ที่มีอยู่ ตัวอย่างเช่น เราขอให้นักเรียนตีความแนวทางการบาดเจ็บที่ศีรษะในเด็กที่เสนอโดย Kupperman et al.5 ซึ่งใช้อัลกอริทึมต้นไม้ตัดสินใจปัญญาประดิษฐ์เพื่อพิจารณาว่าการสแกน CT จะมีประโยชน์หรือไม่โดยพิจารณาจากการตรวจของแพทย์ เราเน้นย้ำว่านี่เป็นตัวอย่างทั่วไปของ AI ที่ให้การวิเคราะห์เชิงทำนายเพื่อให้แพทย์ตีความ ไม่ใช่การแทนที่แพทย์
ในตัวอย่างการเขียนโปรแกรมบูตสแตรปแบบโอเพนซอร์สที่มีอยู่ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) เราได้สาธิตวิธีการทำการวิเคราะห์ข้อมูลเชิงสำรวจ การลดมิติ การโหลดโมเดลมาตรฐาน การฝึกอบรม และการทดสอบ เราใช้สมุดบันทึก Google Colaboratory (Google LLC, Mountain View, CA) ซึ่งอนุญาตให้เรียกใช้โค้ด Python จากเว็บเบราว์เซอร์ รูปที่ 2 แสดงตัวอย่างแบบฝึกหัดการเขียนโปรแกรม แบบฝึกหัดนี้เกี่ยวข้องกับการทำนายมะเร็งโดยใช้ชุดข้อมูลภาพเต้านมแบบเปิดของวิสคอนซิน6 และอัลกอริทึมต้นไม้ตัดสินใจ
นำเสนอโปรแกรมต่างๆ ตลอดทั้งสัปดาห์ในหัวข้อที่เกี่ยวข้องและคัดเลือกตัวอย่างจากแอปพลิเคชัน AI ที่เผยแพร่แล้ว องค์ประกอบการเขียนโปรแกรมจะถูกรวมไว้เฉพาะในกรณีที่พิจารณาแล้วว่ามีความเกี่ยวข้องกับการให้ข้อมูลเชิงลึกเกี่ยวกับการปฏิบัติทางคลินิกในอนาคต เช่น วิธีการประเมินแบบจำลองเพื่อพิจารณาว่าพร้อมสำหรับการใช้งานในการทดลองทางคลินิกหรือไม่ ตัวอย่างเหล่านี้จะนำไปสู่แอปพลิเคชันแบบครบวงจรที่สามารถจำแนกเนื้องอกว่าเป็นเนื้องอกชนิดไม่ร้ายแรงหรือร้ายแรงโดยอาศัยพารามิเตอร์จากภาพทางการแพทย์
ความแตกต่างของระดับความรู้เดิม ผู้เข้าร่วมของเรามีระดับความรู้ทางคณิตศาสตร์ที่แตกต่างกัน ตัวอย่างเช่น นักเรียนที่มีพื้นฐานด้านวิศวกรรมขั้นสูงกำลังมองหาเนื้อหาที่ลึกซึ้งยิ่งขึ้น เช่น วิธีการทำการแปลงฟูริเยร์ด้วยตนเอง อย่างไรก็ตาม การอธิบายอัลกอริธึมฟูริเยร์ในชั้นเรียนเป็นไปไม่ได้ เพราะต้องใช้ความรู้เชิงลึกด้านการประมวลผลสัญญาณ
อัตราการเข้าร่วมลดลง การเข้าร่วมการประชุมติดตามผลลดลง โดยเฉพาะอย่างยิ่งในรูปแบบออนไลน์ วิธีแก้ปัญหาอาจเป็นการติดตามการเข้าร่วมและออกใบรับรองการสำเร็จการศึกษา โรงเรียนแพทย์เป็นที่ทราบกันดีว่ายอมรับหลักฐานกิจกรรมนอกหลักสูตรทางวิชาการของนักเรียน ซึ่งสามารถกระตุ้นให้นักเรียนศึกษาต่อในระดับปริญญาได้
การออกแบบหลักสูตร: เนื่องจาก AI ครอบคลุมสาขาย่อยมากมาย การเลือกแนวคิดหลักที่มีความลึกและความกว้างที่เหมาะสมจึงอาจเป็นเรื่องท้าทาย ตัวอย่างเช่น ความต่อเนื่องในการใช้เครื่องมือ AI จากห้องปฏิบัติการไปสู่คลินิกเป็นหัวข้อสำคัญ ในขณะที่เราครอบคลุมการประมวลผลข้อมูลเบื้องต้น การสร้างแบบจำลอง และการตรวจสอบความถูกต้อง แต่เราไม่ได้รวมหัวข้อต่างๆ เช่น การวิเคราะห์ข้อมูลขนาดใหญ่ การแสดงภาพแบบโต้ตอบ หรือการดำเนินการทดลองทางคลินิกด้วย AI แต่เรามุ่งเน้นไปที่แนวคิด AI ที่เป็นเอกลักษณ์ที่สุด หลักการชี้นำของเราคือการพัฒนาความรู้ความเข้าใจ ไม่ใช่ทักษะ ตัวอย่างเช่น การเข้าใจว่าแบบจำลองประมวลผลคุณลักษณะอินพุตอย่างไรมีความสำคัญต่อการตีความ วิธีหนึ่งในการทำเช่นนี้คือการใช้แผนที่การกระตุ้นแบบไล่ระดับ ซึ่งสามารถแสดงภาพว่าส่วนใดของข้อมูลที่สามารถคาดการณ์ได้ อย่างไรก็ตาม วิธีนี้ต้องใช้แคลคูลัสหลายตัวแปรและไม่สามารถแนะนำได้8 การพัฒนาคำศัพท์ทั่วไปเป็นเรื่องท้าทายเพราะเราพยายามอธิบายวิธีการทำงานกับข้อมูลในรูปแบบเวกเตอร์โดยไม่ต้องใช้รูปแบบทางคณิตศาสตร์ โปรดทราบว่าคำศัพท์ที่แตกต่างกันมีความหมายเดียวกัน ตัวอย่างเช่น ในระบาดวิทยา "ลักษณะเฉพาะ" จะถูกอธิบายว่าเป็น "ตัวแปร" หรือ "คุณลักษณะ"
การคงไว้ซึ่งความรู้ เนื่องจากการประยุกต์ใช้ AI ยังมีข้อจำกัด จึงยังต้องรอดูว่าผู้เข้าร่วมจะคงความรู้ได้มากน้อยเพียงใด หลักสูตรแพทยศาสตร์มักใช้การทบทวนแบบเว้นระยะเพื่อเสริมสร้างความรู้ในระหว่างการฝึกปฏิบัติจริง9 ซึ่งสามารถนำมาประยุกต์ใช้กับการศึกษา AI ได้เช่นกัน
ความเป็นมืออาชีพสำคัญกว่าความรู้ทางภาษา เนื้อหาได้รับการออกแบบอย่างลึกซึ้งโดยไม่เน้นความเข้มงวดทางคณิตศาสตร์ ซึ่งเป็นปัญหาเมื่อเริ่มเปิดหลักสูตรทางคลินิกด้านปัญญาประดิษฐ์ ในตัวอย่างการเขียนโปรแกรม เราใช้โปรแกรมแม่แบบที่ช่วยให้ผู้เข้าร่วมสามารถกรอกข้อมูลและเรียกใช้ซอฟต์แวร์ได้โดยไม่ต้องเสียเวลาไปกับการตั้งค่าสภาพแวดล้อมการเขียนโปรแกรมทั้งหมด
ข้อกังวลเกี่ยวกับปัญญาประดิษฐ์: มีความกังวลอย่างแพร่หลายว่าปัญญาประดิษฐ์อาจเข้ามาแทนที่หน้าที่ทางคลินิกบางอย่าง3 เพื่อแก้ไขปัญหานี้ เราจึงอธิบายถึงข้อจำกัดของ AI รวมถึงข้อเท็จจริงที่ว่าเทคโนโลยี AI เกือบทั้งหมดที่ได้รับการอนุมัติจากหน่วยงานกำกับดูแลจำเป็นต้องได้รับการกำกับดูแลจากแพทย์11 นอกจากนี้ เรายังเน้นย้ำถึงความสำคัญของอคติ เนื่องจากอัลกอริทึมมีแนวโน้มที่จะเกิดอคติ โดยเฉพาะอย่างยิ่งหากชุดข้อมูลไม่หลากหลาย12 ผลที่ตามมาคือ กลุ่มย่อยบางกลุ่มอาจถูกจำลองอย่างไม่ถูกต้อง ส่งผลให้เกิดการตัดสินใจทางคลินิกที่ไม่เป็นธรรม
แหล่งข้อมูลเปิดให้ใช้งานได้ทั่วไป: เราได้สร้างแหล่งข้อมูลที่เปิดให้ใช้งานได้ทั่วไป รวมถึงสไลด์บรรยายและโค้ด แม้ว่าการเข้าถึงเนื้อหาแบบเรียลไทม์จะมีข้อจำกัดเนื่องจากเขตเวลา แต่เนื้อหาแบบโอเพนซอร์สก็เป็นวิธีการที่สะดวกสำหรับการเรียนรู้แบบไม่เรียลไทม์ เนื่องจากผู้เชี่ยวชาญด้าน AI ไม่ได้มีอยู่ในทุกโรงเรียนแพทย์
ความร่วมมือข้ามสาขาวิชา: การประชุมเชิงปฏิบัติการนี้เป็นโครงการร่วมที่ริเริ่มโดยนักศึกษาแพทย์เพื่อวางแผนหลักสูตรร่วมกับวิศวกร ซึ่งแสดงให้เห็นถึงโอกาสในการทำงานร่วมกันและช่องว่างความรู้ในทั้งสองด้าน ทำให้ผู้เข้าร่วมเข้าใจถึงบทบาทที่พวกเขาสามารถมีส่วนร่วมได้ในอนาคต
กำหนดสมรรถนะหลักของ AI การกำหนดรายการสมรรถนะจะช่วยสร้างโครงสร้างมาตรฐานที่สามารถบูรณาการเข้ากับหลักสูตรการแพทย์ที่มีอยู่ซึ่งอิงตามสมรรถนะได้ ปัจจุบันการอบรมเชิงปฏิบัติการนี้ใช้ระดับการเรียนรู้ที่ 2 (ความเข้าใจ) 3 (การประยุกต์ใช้) และ 4 (การวิเคราะห์) ของอนุกรมวิธานของ Bloom การมีแหล่งข้อมูลในระดับการจัดประเภทที่สูงขึ้น เช่น การสร้างโครงงาน จะช่วยเสริมสร้างความรู้ให้แข็งแกร่งยิ่งขึ้น ซึ่งจำเป็นต้องทำงานร่วมกับผู้เชี่ยวชาญด้านคลินิกเพื่อพิจารณาว่าหัวข้อ AI สามารถนำไปประยุกต์ใช้กับขั้นตอนการทำงานทางคลินิกได้อย่างไร และป้องกันการสอนหัวข้อซ้ำซ้อนที่รวมอยู่ในหลักสูตรการแพทย์มาตรฐานอยู่แล้ว
สร้างกรณีศึกษาโดยใช้ AI เช่นเดียวกับตัวอย่างทางคลินิก การเรียนรู้จากกรณีศึกษาจะช่วยเสริมสร้างแนวคิดเชิงนามธรรมโดยการเน้นความเกี่ยวข้องกับคำถามทางคลินิก ตัวอย่างเช่น การศึกษาเชิงปฏิบัติการหนึ่งได้วิเคราะห์ระบบตรวจจับภาวะจอประสาทตาเสื่อมจากเบาหวานโดยใช้ AI ของ Google13 เพื่อระบุความท้าทายตลอดเส้นทางจากห้องปฏิบัติการสู่คลินิก เช่น ข้อกำหนดการตรวจสอบความถูกต้องจากภายนอกและเส้นทางการอนุมัติตามกฎระเบียบ
ใช้การเรียนรู้เชิงประสบการณ์: ทักษะทางเทคนิคต้องอาศัยการฝึกฝนอย่างมุ่งมั่นและการประยุกต์ใช้ซ้ำๆ เพื่อให้เชี่ยวชาญ คล้ายกับประสบการณ์การเรียนรู้แบบหมุนเวียนของผู้ฝึกงานทางคลินิก หนึ่งในวิธีแก้ปัญหาที่เป็นไปได้คือรูปแบบห้องเรียนแบบพลิกกลับ (flipped classroom) ซึ่งมีรายงานว่าช่วยปรับปรุงการจดจำความรู้ในการศึกษาด้านวิศวกรรม14 ในรูปแบบนี้ นักเรียนจะทบทวนเนื้อหาทฤษฎีด้วยตนเอง และเวลาเรียนในชั้นเรียนจะทุ่มเทให้กับการแก้ปัญหาผ่านกรณีศึกษา
การปรับขนาดเพื่อรองรับผู้เข้าร่วมจากหลากหลายสาขาวิชา: เรามองว่าการนำ AI มาใช้จะต้องอาศัยความร่วมมือจากหลายสาขาวิชา รวมถึงแพทย์และบุคลากรทางการแพทย์อื่นๆ ที่มีระดับการฝึกอบรมแตกต่างกัน ดังนั้น อาจจำเป็นต้องพัฒนาหลักสูตรโดยปรึกษาหารือกับคณาจารย์จากภาควิชาต่างๆ เพื่อปรับเนื้อหาให้เหมาะสมกับด้านต่างๆ ของการดูแลสุขภาพ
ปัญญาประดิษฐ์เป็นเทคโนโลยีขั้นสูง และแนวคิดหลักของมันเกี่ยวข้องกับคณิตศาสตร์และวิทยาศาสตร์คอมพิวเตอร์ การฝึกอบรมบุคลากรทางการแพทย์ให้เข้าใจปัญญาประดิษฐ์นั้นมีความท้าทายเฉพาะตัวในด้านการเลือกเนื้อหา ความเกี่ยวข้องทางคลินิก และวิธีการนำเสนอ เราหวังว่าข้อมูลเชิงลึกที่ได้รับจากเวิร์กช็อป AI ในการศึกษาจะช่วยให้ผู้สอนในอนาคตสามารถนำวิธีการใหม่ๆ มาบูรณาการ AI เข้ากับการศึกษาทางการแพทย์ได้
สคริปต์ Python ของ Google Colaboratory เป็นโอเพนซอร์สและสามารถดาวน์โหลดได้ที่: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/
Prober, KG และ Khan, S. การทบทวนแนวคิดเกี่ยวกับการศึกษาทางการแพทย์: การเรียกร้องให้ลงมือปฏิบัติ. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG และคณะ นักศึกษาแพทย์จำเป็นต้องรู้เกี่ยวกับปัญญาประดิษฐ์มากแค่ไหน? ตัวเลข NPZh วารสารการแพทย์ 3, 1–3 (2020)
Dos Santos, DP และคณะ ทัศนคติของนักศึกษาแพทย์ต่อปัญญาประดิษฐ์: การสำรวจแบบหลายศูนย์ EURO. radiation. 29, 1640–1646 (2019)
Fan, KY, Hu, R. และ Singla, R. บทนำสู่การเรียนรู้ของเครื่องจักรสำหรับนักศึกษาแพทย์: โครงการนำร่อง J. Med. teach. 54, 1042–1043 (2020)
Cooperman N และคณะ การระบุเด็กที่มีความเสี่ยงต่ำมากต่อการบาดเจ็บทางสมองที่มีนัยสำคัญทางคลินิกหลังจากได้รับบาดเจ็บที่ศีรษะ: การศึกษาแบบติดตามกลุ่มในอนาคต Lancet 374, 1160–1170 (2009)
Street, WN, Wolberg, WH และ Mangasarian, OL. การสกัดคุณลักษณะนิวเคลียร์เพื่อการวินิจฉัยเนื้องอกเต้านม วิทยาศาสตร์ชีวการแพทย์ การประมวลผลภาพ วิทยาศาสตร์ชีวการแพทย์ Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. และ Peng, L. วิธีการพัฒนาโมเดลการเรียนรู้ของเครื่องจักรสำหรับการดูแลสุขภาพ Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR และคณะ Grad-cam: การตีความภาพของเครือข่ายเชิงลึกผ่านการระบุตำแหน่งตามการไล่ระดับ Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017)
Kumaravel B, Stewart K และ Ilic D. การพัฒนาและการประเมินแบบจำลองเกลียวสำหรับการประเมินสมรรถนะการแพทย์เชิงประจักษ์โดยใช้ OSCE ในการศึกษาแพทยศาสตร์ระดับปริญญาตรี BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB และ Garg PS การเรียนรู้ของเครื่องจักรและการศึกษาทางการแพทย์ NPZh numbers. medicine. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. และ de Rooy, M. ปัญญาประดิษฐ์ในรังสีวิทยา: ผลิตภัณฑ์เชิงพาณิชย์ 100 รายการและหลักฐานทางวิทยาศาสตร์ ยูโร. รังสี 31, 3797–3804 (2021)
Topol, EJ การแพทย์ประสิทธิภาพสูง: การบรรจบกันของปัญญาของมนุษย์และปัญญาประดิษฐ์ Nat. medicine. 25, 44–56 (2019).
Bede, E. และคณะ การประเมินระบบการเรียนรู้เชิงลึกที่เน้นมนุษย์เป็นศูนย์กลางซึ่งนำไปใช้ในคลินิกเพื่อตรวจหาภาวะจอประสาทตาเสื่อมจากเบาหวาน รายงานการประชุม CHI Conference on Human Factors in Computing Systems ประจำปี 2020 (2020)
Kerr, B. ห้องเรียนแบบพลิกกลับในด้านการศึกษาทางวิศวกรรม: การทบทวนงานวิจัย. รายงานการประชุมวิชาการนานาชาติว่าด้วยการเรียนรู้แบบร่วมมือและโต้ตอบ ประจำปี 2015 (2015).
ผู้เขียนขอขอบคุณ Danielle Walker, Tim Salcudin และ Peter Zandstra จากกลุ่มวิจัยด้านการถ่ายภาพทางการแพทย์และปัญญาประดิษฐ์ มหาวิทยาลัยบริติชโคลัมเบีย สำหรับการสนับสนุนและเงินทุน
RH, PP, ZH, RS และ MA รับผิดชอบในการพัฒนาเนื้อหาการสอนในเวิร์กช็อป RH และ PP รับผิดชอบในการพัฒนาตัวอย่างการเขียนโปรแกรม KYF, OY, MT และ PW รับผิดชอบในการจัดการด้านโลจิสติกส์ของโครงการและการวิเคราะห์เวิร์กช็อป RH, OY, MT, RS รับผิดชอบในการสร้างรูปภาพและตาราง RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS รับผิดชอบในการร่างและแก้ไขเอกสาร
วารสาร Communication Medicine ขอขอบคุณ Carolyn McGregor, Fabio Moraes และ Aditya Borakati สำหรับการมีส่วนร่วมในการตรวจสอบงานวิจัยนี้
วันที่เผยแพร่: 19 กุมภาพันธ์ 2024