Təbiət.com ziyarət etdiyiniz üçün təşəkkür edirəm. İstifadə etdiyiniz brauzerin versiyası məhdud CSS dəstəyi var. Ən yaxşı nəticələr üçün brauzerinizin daha yeni bir versiyasından (və ya Internet Explorer-də uyğunluq rejimini söndürməyə) istifadə etməyi məsləhət görürük. Bu vaxt, davam edən dəstəyi təmin etmək üçün saytı styling və ya javascript olmadan göstəririk.
Klinik süni intellektin (AI) tətbiqləri sürətlə artır, lakin mövcud tibb məktəbi tədris planları bu sahəni əhatə edən məhdud tədris təklif edir. Burada inkişaf etdiyimiz və Kanada tibb tələbələrinə təhvil verdiyimiz süni bir kəşfiyyat təlim kursunu təsvir edirik və gələcək təlim üçün tövsiyələr veririk.
Tibbdə süni intellekt (AI) iş yerinin səmərəliliyini və kömək klinik qərar qəbulunu yaxşılaşdıra bilər. Süni intellektin istifadəsini etibarlı şəkildə istiqamətləndirmək üçün həkimlər süni intellektin bəzi anlayışı olmalıdır. Bir çox şərh AI modelləri və yoxlama proseslərini izah etmək kimi AI konsepsiyaları təqdim edən AI konsepsiyaları1. Ancaq xüsusilə milli səviyyədə bir neçə strukturlaşdırılmış planlar həyata keçirilmişdir. Pinto dos santos et al.3. 263 tibb şagirdi araşdırıldı və 71% süni intellektdə məşqlərə ehtiyac duyduğu üçün razılaşdı. Tibbi auditoriyaya süni intizar müəllimlik tədris, tez-tez geniş bilik olan tələbələr üçün texniki və qeyri-texniki anlayışları birləşdirən diqqətli dizayn tələb edir. AI tibb tələbəsi qrupunun üç qrupuna bir sıra AI seminarlarını çatdıran təcrübəmizi təsvir edirik və Aİ-də gələcək tibbi təhsil üçün tövsiyələr veririk.
Tibb şagirdləri üçün tibb seminarında süni intellektin tibbi şagirdləri üçün beş həftəlik tibbi zəkaya 3 dəfə və 2021 aprel tarixləri arasında keçirildi. Hər bir seminar üçün bir cədvəl, kursun qısa təsviri olan Şəkil 1-də göstərilir. Üç əsas təlim məqsədi: Şagirdlər süni intellekt tətbiqlərində məlumatların necə işləndiyini, klinik tətbiqlər üçün süni intellekt ədəbiyyatını təhlil etdiyini və süni intellektlərin inkişaf etdirən mühəndislərlə əməkdaşlıq etmək imkanlarından faydalanın.
Mavi mühazirənin mövzusu və açıq mavi interaktiv sual və cavab dövrüdür. Boz hissə qısa ədəbiyyat rəyinin mərkəzidir. Narıncı hissələr süni intellekt modellərini və ya texnikalarını təsvir edən seçilmiş iş araşdırmalarıdır. Yaşıl, klinik problemləri həll etmək və modelləri qiymətləndirmək üçün süni intellektə öyrətmək üçün hazırlanmış bir rəhbər bir proqramlaşdırma kursudur. Seminarların məzmunu və müddəti tələbə ehtiyaclarının qiymətləndirilməsi əsasında dəyişir.
İlk seminar, Fevral 2019-cu il tarixlərində Britaniya Kolumbiyası Universitetində keçirildi və 8 iştirakçı müsbət rəy bildirdi4. COVID-19 sayəsində ikinci seminar faktiki olaraq, 2020-ci ilin oktyabr-noyabr aylarında 222 tibb şagirdi və 8 Kanada tibb məktəbindən 3 sakin olan 3 sakini qeydiyyata aldı. Təqdimat slaydları və kodu açıq giriş saytına yüklənmişdir (http://ubcaneded.github.io). Birinci iterasiyanın əsas rəyləri mühazirələrin çox gərgin və materialın nəzəri olması idi. Kanadanın altı fərqli vaxt zonalarına xidmət etmək əlavə problemlər yaradır. Beləliklə, ikinci seminar hər seansı 1 saata 1 saat qısaltdı, kurs materialı sadələşdirdi, daha çox iş araşdırması əlavə edildi və iştirakçılara minimal ayıklama ilə kod parçalarını doldurmağa imkan verən banerplate proqramları yaratdı (qutu 1). İkinci iterasyonun əsas rəyləri, proqramlaşdırma təlimləri ilə bağlı müsbət rəy və bir maşın öyrənmə layihəsi üçün planlaşdırma tələbi daxildir. Buna görə də, 2021-ci ilin mart-aprel aylarında 126 aprel aylarında 126 tibb tələbəsi üçün faktiki olaraq saxlanılan üçüncü seminarımızda, daha çox interaktiv kodlaşdırma təlimləri və layihə anlayışlarından istifadə edilməsi üçün layihə geribildirimləri üçün layihə rəyləri daxil edilmişdir.
Məlumatların təhlili: Məlumatların təhlili, emal və ünsiyyət quraraq məlumatların mənalı nümunələri müəyyənləşdirən statistikada təhsil sahəsi.
Məlumatların mədəni: Məlumatların müəyyənləşdirilməsi və çıxarılması prosesi. Süni intellekt kontekstində bu, hər nümunə üçün çox dəyişənlərlə çox tez-tez böyükdür.
Ölçülənliyin azaldılması: Orijinal məlumat dəstinin vacib xüsusiyyətlərini qoruyarkən bir çox fərdi xüsusiyyətləri az xüsusiyyətlərə çevirmə prosesi.
Xüsusiyyətlər (süni intellekt kontekstində): bir nümunənin ölçülə bilən xüsusiyyətləri. Tez-tez "əmlak" və ya "dəyişən" ilə əvəzsizcə istifadə olunur.
Gradient Aktivləşdirmə Xəritəsi: Süni intellekt modellərini (xüsusən də konvolutional neyron şəbəkələri), şəbəkənin son hissəsini optimallaşdıran məlumatların və ya yüksək proqnozlaşdırılan şəkillərin bölgələrini müəyyənləşdirmək üçün analizi təhlil edən bir texnikadır.
Standart model: oxşar vəzifələri yerinə yetirmək üçün əvvəlcədən hazırlanan mövcud AI modeli.
Test (süni intellekt kontekstində): Modelin necə rast gəlmədiyi məlumatlardan istifadə edərək bir tapşırıq yerinə yetirdiyini müşahidə etmək.
Təlim (süni intellekt kontekstində): Modelin yeni məlumatlardan istifadə edərək tapşırıqları yerinə yetirmək qabiliyyətini optimallaşdırmaq üçün daxili parametrlərini tənzimləməsi üçün məlumat və nəticələrlə bir model təmin etmək.
Vektor: Məlumatlar sıra. Maşın öyrənməsində hər bir sıra elementi ümumiyyətlə nümunənin bənzərsiz bir xüsusiyyətidir.
Cədvəl 1, hər mövzu üçün hədəf öyrənmə məqsədləri də daxil olmaqla 2021 aprel 2021-ci il üçün son kursları sadalayır. Bu seminar texniki səviyyədə yeni olanlar üçün nəzərdə tutulmuşdur və bakalavr tibbi dərəcəsinin birinci ilində heç bir riyazi bilik tələb etmir. Kurs 6 tibb tələbəsi və mühəndislikdə qabaqcıl dərəcələri olan 3 müəllim tərəfindən hazırlanmışdır. Mühəndislər öyrətmək üçün süni intellekt nəzəriyyəsini inkişaf etdirir və tibb tələbələri klinik cəhətdən müvafiq material öyrənirlər.
Seminarlara mühazirələr, iş tədqiqatları və rəhbərlik proqramı daxildir. İlk mühazirədə, məlumatların vizuallaşdırılması, logistik reqressiyası, təsviri və induktiv statistikanın müqayisəsi də daxil olmaqla, məlumatların təhlilinin seçilmiş anlayışlarını nəzərdən keçiririk. Məlumatların təhlili süni intellektin əsası olsa da, məlumatların hasilatı, əhəmiyyəti testi və ya interaktiv vizuallaşdırma kimi mövzuları istisna edirik. Bu, vaxt məhdudiyyətləri və bəzi lisenziya tələbələrinin biostatistikada əvvəlcədən məşq etməsi və daha unikal maşın öyrənmə mövzularını əhatə etmək istədikləri üçün bu idi. Sonrakı mühazirə müasir metodları təqdim edir və AI modellərinin və modelin testi və məhdudiyyətləri olan AI probleminin formalaşması və məhdudiyyətlərini müzakirə edir. Mühazirələr ədəbiyyat və mövcud süni intellekt cihazlarında praktik tədqiqatlarla tamamlanır. Mövcud süni intellekt cihazlarının məhdudiyyətlərini də daxil olmaqla klinik sualların, o cümlədən klinik sualların, o cümlədən klinik sualların səmərəliliyini və məqsədəuyğunluğunu qiymətləndirmək üçün tələb olunan bacarıqları vurğulayırıq. Məsələn, şagirdlərdən bir CT taramasının bir həkim müayinəsi əsasında bir CT taramasının faydalı olub olmadığını müəyyən etmək üçün süni bir zəka qərarı ağac alqoritminin təklif etdiyi 5, 5-ci, Süni Kəşfiyyat Qərar Ağacı Alqoritmini tətbiqi ilə əlaqədardır. Bu, həkimlərin həlimləri əvəz etməkdənsə, təfsir etmək üçün proqnozlaşdırıcı analitik təmin edən Aİ-nin ümumi bir nümunəsi olduğunu vurğulayırıq.
Mövcud Açıq Mənbə Bootstrap Proqramlaşdırma nümunələrində (https://github.com/ubcanimed/ubcaimed.gicagiled.gagiled.ie/tree/master/Master/crogramming_examples), kəşfiyyat məlumatlarının azaldılması, standart model yükləmə və təlim keçirməyi nümayiş etdiririk . və test. Python kodunu bir veb brauzerdən icra etməyə imkan verən Google Colaboratory Noutbuklar (Google LLC, Dağ View, CA) istifadə edirik. Şəkil 2-də bir proqramlaşdırma məşqinin nümunəsi təqdim edir. Bu məşqdə Viskonsin Açıq Döş Görüntüsü DataSet6 və qərar ağacı alqoritmindən istifadə edərək bədxassələrin proqnozlaşdırılması daxildir.
Həftə ərzində əlaqəli mövzularda proqramlar təqdim edin və yayımlanan AI tətbiqlərindən nümunələr seçin. Proqramlaşdırma elementləri yalnız klinik sınaqlarda istifadə etməyə hazır olub olmadığını müəyyən etmək üçün modelləri necə qiymətləndirmək kimi, məsələn, gələcək klinik təcrübə haqqında məlumat vermək üçün aktual hesab olunursa, bunlar daxildir. Bu nümunələr tibbi görüntü parametrlərinə əsaslanaraq şişləri yaxşı və ya bədxassəli şəkildə təsnif edən tam hüquqlu bir son tətbiqdə sona çatır.
Əvvəlcədən biliklərin heterojenliyi. İştirakçılarımız riyazi bilik səviyyəsində dəyişdilər. Məsələn, qabaqcıl mühəndislik mənşəli tələbələr, öz dördye çevrilməsini necə yerinə yetirmək kimi daha dərin material axtarırlar. Bununla birlikdə, Sinifdə Furyer alqoritmini müzakirə etmək mümkün deyil, çünki siqnal emalının dərin bilikləri tələb edir.
İştirak axını. Təqib iclaslarında iştirak, xüsusən də onlayn formatlarda azaldı. Bir həll davamiyyəti izləmək və tamamlama sertifikatı vermək ola bilər. Tibb məktəblərinin şagirdlərin dərsdənkənar akademik fəaliyyətinin transkriptlərini tanıdığı bilinir, bu da şagirdləri dərəcə görməyə təşviq edə bilər.
Kursun dizaynı: AI, bu qədər subfields, uyğun dərinlik və genişliyin əsas anlayışlarını seçdiyinə görə çətin ola bilər. Məsələn, laboratoriyadan klinikaya olan AI alətlərindən istifadənin davamlılığı vacib bir mövzudur. Məlumatların əvvəlcədən işlənməsi, model binası və təsdiqlənməsi, böyük məlumat analitikası, interaktiv vizuallaşdırma və ya AI klinik sınaqları keçirən mövzuları əhatə etmirik, əksinə ən unikal AI anlayışlarına diqqət yetiririk. Rəhbərlik prinsipimiz, bacarıqları yox, savadlılığı inkişaf etdirməkdir. Məsələn, bir model prosesinin giriş xüsusiyyətlərini necə izah etmək, təfsir üçün vacibdir. Bunun bir yolu, məlumatların hansı bölgələrini proqnozlaşdırıla bilən halda görüntüləyə bilən gradient aktivləşdirmə xəritələrindən istifadə etməkdir. Bununla birlikdə, bu çox səviyyəli hesablama tələb edir və təqdim edilə bilməz8. Ortaq terminologiyanı inkişaf etdirmək çətin idi, çünki məlumatlarla riyazi formalizm olmadan vektorlar kimi necə işləməyimizi izah etməyə çalışırıq. Qeyd edək ki, fərqli terminlərin eyni məna daşıyır, məsələn, epidemiologiyada "xarakterik" bir "dəyişkən" və ya "atribut" kimi təsvir edilmişdir.
Bilik saxlama. Çünki AI tətbiqi məhduddur, iştirakçıların bilikləri saxladığı dərəcədə görülür. Tibb məktəbi kurikulumları, praktik fırlanma zamanı bilikləri gücləndirmək üçün ardıcıl təkrarlanmaya tez-tez etibar edir, bu da AI təhsilinə də tətbiq edilə bilər.
Peşəkarlıq savadsızlıqdan daha vacibdir. Materialın dərinliyi, süni intellektdə klinik kurslar başlayarkən problem olan riyazi ciddiyyət olmadan hazırlanmışdır. Proqramlaşdırma nümunələrində iştirakçılara sahələri doldurmağa və proqramı doldurma mühitini necə qurmağı düşünmədən proqramı işlətməyə imkan verən bir şablon proqramından istifadə edirik.
Süni intellektin ünvanlandığı narahatlıqlar: Süni intellektin bəzi klinik rüsumlarını əvəz edə biləcəyi ilə bağlı geniş yayılmışdır. Bu məsələni həll etmək üçün AI-nin məhdudiyyətlərini izah edirik, o cümlədən tənzimləyicilər tərəfindən təsdiq edilmiş demək olar ki, bütün AI texnologiyalarının həkimə nəzarətçisi olmasını tələb edir. Alqoritmlərin, xüsusən də məlumat dəsti müxtəlif deyilsə, qərəzli olmağın vacibliyini də vurğulayırıq, çünki alqoritmlər qərəzlərə meyllidir, xüsusən də məlumat dəsti müxtəlif deyilsə. Nəticə etibarilə, müəyyən bir alt qrup yanlış şəkildə modelləşdirilə bilər, ədalətsiz klinik qərarlara səbəb ola bilər.
Resurslar açıqdır: Mühazirə slaydları və kodu da daxil olmaqla ictimaiyyətə təqdim olunan mənbələr yaratdıq. Sinxron məzmuna giriş vaxt zonalarına görə məhdud olsa da, Açıq mənbə məzmunu AI mütəxəssisi AI təcrübəsi bütün tibb məktəblərində mövcud deyildir.
Fənlərarası əməkdaşlıq: Bu seminar, tibb tələbələrinin mühəndislərlə birlikdə kursları planlaşdırması üçün başladılan birgə müəssisədir. Bu, hər iki sahədə əməkdaşlıq imkanları və bilik boşluqlarını nümayiş etdirir, iştirakçılara gələcəkdə töhfə verə biləcəkləri potensial rolunu başa düşməyə imkan verir.
AI əsas səlahiyyətlərini təyin edin. Bacarıqların siyahısını müəyyənləşdirmək, mövcud bacarıqlara əsaslanan tibbi tədris planlarına inteqrasiya edilə bilən standart bir quruluş təmin edir. Bu seminar hazırda öyrənmə obyektiv səviyyəsi 2 (anlayış), 3 (tətbiq), 3 (analiz), Bloom taksonomiyasının 4 (analizi) istifadə edir. Layihələr yaratmaq kimi daha yüksək təsnifat səviyyəsində resursların olması, bilikləri daha da gücləndirə bilər. Bu, klinik mütəxəssislərlə AI mövzularının klinik iş axınlarına necə tətbiq oluna biləcəyini və standart tibbi tədris planlarına daxil olan təkrarlanan mövzuların tədrisinin qarşısını almaq üçün işləməyi tələb edir.
AI istifadə edərək Case Tədqiqatları yaradın. Klinik nümunələrə bənzər, iş əsaslı öyrənmə, mücərrəd anlayışları klinik suallarla əlaqələndirərək gücləndirə bilər. Məsələn, bir seminar tədqiqi, Laboratoriyadan klinikaya qədər olan problemləri müəyyənləşdirmək üçün Google-ın AI əsaslı retinopatiya aşkarlama sistemini təhlil etdi.
Təcrübəli öyrənmə istifadə edin: Texniki bacarıqlar, klinik kursantların fırlanan öyrənmə təcrübələrinə bənzər bir təcrübə və təkrar tətbiq tələb edir. Bir potensial həll, mühəndislik təhsilində biliklərin saxlanmasını yaxşılaşdırdığı bildirilən sinif modelidir14. Bu modeldə tələbələr nəzəri materialı müstəqil və dərs vaxtı araşdırmalar aparan problemlər vasitəsilə problemlərin həllinə həsr olunmuşdur.
Çoxşaxəli iştirakçılar üçün ölçülmə: Biz çox sayda təlim və müttəfiq sağlamlıq mütəxəssisləri arasında bir çox fənlər arasında əməkdaşlığı əhatə edən AI övladlığa götürməyimizi müdafiə edir. Buna görə, tədris proqramları, məzmunlarını müxtəlif səhiyyələrin fərqli sahələrinə uyğunlaşdırmaq üçün müxtəlif şöbələrin müəllimləri ilə məsləhətləşmədə inkişaf etdirilməlidir.
Süni intellekt yüksək texnologiyalı və əsas anlayışları riyaziyyat və kompüter elmləri ilə əlaqəlidir. Süni intellekt anlamaq üçün səhiyyə işçiləri məzmun seçimində, klinik aktuallıq və çatdırılma metodlarında unikal problemlər təqdim edir. Ümid edirik ki, təhsil seminarlarında AI-dən əldə olunan anlayışlar gələcək müəllimlərə AI-ni tibbi təhsilə inteqrasiya etmək üçün innovativ yolları qəbul etməyə kömək edəcəkdir.
Google Colaboratory Python skript açıq mənbəyidir və mövcuddur: https://github.com/ubcanaimed/ubcaimed.github.io/tree/master/.
Prober, kq və xan, S. Tibbi təhsili yenidən düşünmək: hərəkətə çağırış. Akkad. dərman. 88, 1407-1410 (2013).
McCoy, LG s. Tibb tələbələri həqiqətən süni intellekt haqqında nə bilmək lazımdır? NPZH nömrələri. Tibb 3, 1-3 (2020).
DOS Santos, DP, et al. Tibb tələbələrinin süni intellektədəki münasibətləri: çoxtərəfli bir araşdırma. Avro. radiasiya. 29, 1640-1646 (2019).
Fan, KY, Hu, R. və Singla, R. Tibb tələbələri üçün maşın öyrənmə üçün giriş: pilot bir layihə. J. MED. öyrətmək. 54, 1042-1043 (2020).
Cooperan n, et al. Baş zədəsindən sonra klinik cəhətdən əhəmiyyətli beyin zədəsi olan uşaqları müəyyənləşdirmək: perspektivli bir kohort araşdırması. Lancet 374, 1160-1170 (2009).
Küçə, WN, Wolberg, WH və Mangasarian, OL. Döş şişi diaqnozu üçün nüvə xüsusiyyət hasilatı. Biotibbi elmi. Görüntü emalı. Biotibbi elmi. Weiss. 1905, 861-870 (1993).
Chen, PHC, Liu, Y. və Peng, L. Səhiyyə üçün maşın öyrənmə modellərini necə inkişaf etdirmək olar. Nat. Mat. 18, 410-414 (2019).
Selvaraju, rr et al. GRAD-CAM: Dərin şəbəkələrin vizual təfsiri, gradient əsaslı lokalizasiya yolu ilə. Kompüter Görüşü üzrə IEEE beynəlxalq konfransının icraatı, 618-626 (2017).
Kumaravel B, Stewart K və ILIC D. ATƏT-in lisenziya tibbi təhsilində istifadə edərək dəlil əsaslı tibb bacılarını qiymətləndirmək üçün bir spiral modelin inkişafı və qiymətləndirilməsi. BMK dərmanı. öyrətmək. 21, 1-9 (2021).
Kolachalama VB və GARG PS Maşın öyrənmə və tibbi təhsil. NPZH nömrələri. dərman. 1, 1-3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. və De Rooy, M. Radiologiyadakı süni intellektin, onların elmi sübutları. Avro. radiasiya. 31, 3797-3804 (2021).
Topol, EJ yüksək performanslı dərman: insan və süni intellektin yaxınlaşması. Nat. dərman. 25, 44-56 (2019).
Bede, E. et al. Diabetik retinopatiyanın aşkarlanması üçün klinikada qurulan dərin bir tədris sisteminin insan mərkəzli qiymətləndirilməsi. Hesablama sistemlərində insan amilləri ilə bağlı 2020-ci ilə konfransının icraatı (2020).
Kerr, B. Mühəndislik təhsili üzrə sürüşmüş sinif otağı: bir araşdırma araşdırması. İnteraktiv əməkdaşlıq öyrənmə (2015) 2015 beynəlxalq konfransın icraatı.
Müəlliflər Danielle Walker, Tim Salcudin və Peter Zandstra, Britaniya Kolumbiyası Universitetində Biotibbi görüntü və süni intizay tədqiqat qrupundan dəstək və maliyyələşdirmə üçün təşəkkür edir.
RH, PP, ZH, RS və MA seminar tədris məzmununu inkişaf etdirmək üçün məsuliyyət daşıyırdılar. RH və PP proqramlaşdırma nümunələrini inkişaf etdirmək üçün məsuliyyət daşıyırdılar. KYF, Oy, Mt və PW layihənin maddi-texniki təşkilatı və seminarların təhlili üçün məsuliyyət daşıyırdılar. Rh, Oy, Mt, RS rəqəmlər və masalar yaratmaq üçün məsuliyyət daşıyırdı. RH, KYF, PP, Zh, Oy, Mən, Pw, TL, MA, RS sənədin hazırlanması və redaktəsi üçün məsuliyyət daşıyırdı.
Rabitə Tibb Təşəkkür Carolyn McGregor, Fabio Moraes və bu işin araşdırmalarına verdiyi töhfələrə görə Aitya Borakati.
Saat: Fevral-19-2024