Worlder.com сайтына кіргеніңіз үшін рахмет. Сіз қолданатын шолғыштың нұсқасы шектеулі CSS қолдауы бар. Жақсы нәтижеге қол жеткізу үшін браузердің жаңа нұсқасын қолдануды ұсынамыз (немесе Internet Explorer-де үйлесімділік режимін өшіру). Осы уақытта, тұрақты қолдауды қамтамасыз ету үшін, біз сайтты сәндеусіз немесе JavaScriptсыз көрсетеміз.
Клиникалық жасанды интеллект (AI) қосымшалары қарқынды дамып келеді, бірақ қолданыстағы медициналық мектеп бағдарламалары осы саланы қамтитын шектеулі оқытуды ұсынады. Мұнда біз дамытқан интеллект бойынша тренингтік курсымды сипаттаймыз және біз дамытып, Канадалық медициналық студенттерге жеткіздік және болашақта білім алу үшін ұсыныстар жасадық.
Медицинадағы жасанды интеллект (AI) жұмыс орнының тиімділігі мен көмек клиникалық шешімін жетілдіруі мүмкін. Жасанды интеллект қолдануды қауіпсіз бағыттау үшін дәрігерлер жасанды интеллект туралы түсінік беруі керек. Көптеген пікірлер AI тұжырымдамаларын оқытуды, мысалы, AI модельдерін және тексеру процестерін түсіндіру сияқты. Алайда, әсіресе ұлттық деңгейде бірнеше құрылымдық жоспарлар жүзеге асырылды. Pinto Dos Santos және Al.3. 263 медициналық студент сауалнама жүргізіліп, 71% -ы оларға жасанды интеллектке үйрету керек деп келісілді. Жасанды интеллектке үйрету Медициналық аудиторияға үйрету көбінесе көптеген тәжірибеге ие студенттерге техникалық және техникалық емес тұжырымдамаларды біріктіретін мұқият дизайнды қажет етеді. Біз өз тәжірибемізді медициналық студенттердің үш тобына жеткізіп, AI-дегі болашақ медициналық білім беру бойынша ұсыныстар жасаймыз.
Медициналық студенттерге арналған индекстеу семинарына бес апталық кіріспе компаниясы 2019 жылдың ақпан мен 2021 жылдың ақпан айында үш рет өтті. Әр семинарға үш рет өтті. Курсқа қатысты өзгерістердің қысқаша сипаттамасы 1-суретте көрсетілген. Біздің курсымыз бар Бастапқы үш негізгі міндет: Студенттер жасанды барлау қосымшаларында қалай өңделеді, клиникалық қосымшалар үшін жасанды интеллект әдебиеттерін талдайды және жасанды интеллигентті дамытатын инженерлермен бірлесіп жұмыс жасау мүмкіндіктерін пайдаланады.
Көк - дәріс тақырыбы және ашық көк - интерактивті сұрақ-жауап кезеңі. Сұр секция - бұл қысқаша әдебиеттерге шолу. Жасанды интеллектуалды модельдерді немесе әдістерді сипаттайтын сарғыш бөліктер таңдалады. Жасыл - бұл клиникалық мәселелерді шешуге және модельдерді бағалауға жасанды интеллектуалды үйретуге арналған бағдарлама. Семинарлардың мазмұны мен ұзақтығы студенттердің қажеттіліктерін бағалау негізінде өзгереді.
Алғашқы семинар Британ Колумбия университетінде 2019 жылдың ақпан-сәуір аралығында өтті, ал барлық 8 қатысушы оң пікір сыйлады4. Ковид-19 арқасында екінші семинар, екінші семинар 2020 жылдың қазан-қараша айларында өтті, 222 медициналық студент және 8 канадалық медициналық мектептердің 3 тұрғыны тіркелді. Презентация слайдтары мен коды ашық қол жеткізу сайтына жүктелді (http://ubced.github.io). Алғашқы итерациядағы негізгі кері байланыс болды, дәрістер өте қарқынды болды, ал материал тым теориялық тұрғыдан да. Канаданың алты түрлі уақыт белдеуіне қызмет ету қосымша қиындықтар туғызады. Осылайша, екінші семинар әр сессияға 1 сағатқа дейін қысқартылды, курстық материалды жеңілдетіп, көбірек кейіпкерлер қосты және көптеген кассалық бағдарламаларды құрды және қатысушыларға минималды күйін келтіруге мүмкіндік берді (1-жол). Екінші итерациядан негізгі кері байланыс бағдарламалау жаттығуларында оң пікірлер және машиналық оқыту жобасын жоспарлау туралы сұраныс қосылды. Сондықтан, біздің үшінші семинарда 2021 жылдың наурыз-сәуір айларында 126 медициналық студент үшін іс жүзінде өткізіліп, бізде интерактивті кодтау жаттығулары және жобалар бойынша пікірлер бойынша, жобалар бойынша концерттерді жобалар бойынша ұғымдар ұсынды.
Деректерді талдау: Деректер үлгілерін талдау, өңдеу және байланыстыру арқылы мәліметтердің мазмұнын анықтайтын статистика саласындағы зерттеу саласы.
Деректерді өндіру: деректерді анықтау және алу процесі. Жасанды интеллект контекстінде бұл көбінесе үлкен, әр үлгі үшін бірнеше айнымалы бар.
Өлшемділіктің төмендеуі: бастапқы деректер жиынтығының маңызды қасиеттерін сақтай отырып, көптеген жеке мүмкіндіктермен деректерді азырақ мүмкіндіктермен айналдыру процесі.
Сипаттамалары (жасанды интеллект контекстінде): үлгінің өлшенетін қасиеттері. Көбінесе «меншік» немесе «айнымалы »мен алмастырылады.
Градиентті іске қосу картасы: жасанды интеллектуалды модельдерді (әсіресе ыңғайлы нейрондық желілер) түсіндіру үшін қолданылатын әдіс (әсіресе ыңғайлы нейрондық желілер), бұл желінің соңғы бөлігін оңтайландыру процесін және жоғары болжамды суреттерді сәйкестендіру процесін талдайды.
Стандартты модель: ұқсас тапсырмаларды орындау үшін алдын-ала дайындалған AI моделі.
Тестілеу (жасанды интеллект контекстінде): Модельдің қалай жұмыс істемейтінін пайдаланатынын бақылау.
Тренинг (жасанды интеллект контекстінде): модельді деректермен қамтамасыз ету және модельдің жаңа мәліметтерді қолдана отырып, тапсырмаларды орындау мүмкіндігін оңтайландыру үшін, оның ішкі параметрлерін реттейді.
Вектор: Деректер массиві. Машинаны оқыту кезінде әр массив элементі әдетте үлгінің ерекше мүмкіндігі болып табылады.
1-кестеде 2021 жылдың сәуіріндегі ең соңғы курстар, оның ішінде әр тақырып бойынша мақсатты оқу мақсаттары бар. Бұл семинар жаңа адамдарға арналған, және математикалық білімді бакалавриаттың алғашқы жылынан тыс қажет етпейді. Курсты 6 медициналық студент әзірледі және инженерия бойынша біліктілігі жоғары 3 оқытушы. Инженерлер оқытылатын жасанды интеллект теориясын дамытады, ал медициналық студенттер клиникалық маңызды материалды үйренуде.
Семинарларға дәрістер, кейстер және бағдарлау бағдарламалары кіреді. Бірінші дәрісте біз биостатистикадан, оның ішінде деректерді визуализациялау, логистикалық регрессия және сипаттамалық және индуктивті статистиканы салыстырудың таңдалған түсініктерін қарастырамыз. Деректерді талдау жасанды интеллекттің негізі болып табылады, бірақ біз деректерді өндіру, маңыздылығын тексеру немесе интерактивті визуализация сияқты тақырыптарды шығарамыз. Бұл уақыт шектеулі, сонымен қатар, кейбір магистранттар биостатистикада алдын-ала дайындалған және бірегей машиналық оқыту тақырыптарын қамтығысы келді. Кейінгі дәріс заманауи әдістермен таныстырады және AI проблемаларын, AI модельдерінің артықшылықтары мен шектеулерін және тестілеуді талқылайды. Дәрістер қолданыстағы жасанды интеллектуалды құрылғылардағы әдебиеттер мен практикалық зерттеулермен толықтырылады. Біз модельдің клиникалық сұрақтарға тиімділігі мен орындылығын, оның ішінде қолданыстағы жасанды интеллектуалды құрылғылардың шектеулерін түсіну үшін қажетті дағдыларды атап өтеміз. Мысалы, біз студенттерден КТППЕРМАН ПАЙДАЛАНУЫ КОППЕРМЕН ЖӘНЕ БАРЛЫҚ ҰСЫНАДЫ. Біз бұл дәрігерлерді дәрігерлерді алмастырғаннан гөрі, дәрігерлер үшін болжалды аналитикамен қамтамасыз ететін жалпы мысал екенін атап көрсетеміз.
Қол жетімді ашық бастапқы жүктеу мысалдарында (https://github.com/ubcaim.com/ubcaim.comed/ubcaimed.github.io/tree/tree/tree/tree/proger/programs_examples), біз барлау деректерін талдау, өлшемділіктің төмендеуі, стандартты модельдеу және оқыту әдісін көрсетеміз . және тестілеу. Біз Google Collaboration дәптерін қолданамыз (Google LLC, Тау көрінісі, CA), бұл Python кодын веб-шолғыштан орындауға мүмкіндік береді. Суретте 2-суретте бағдарламалау жаттығуларының мысалы келтірілген. Бұл жаттығу Висконсинді учаскелерді учаскелік суреттерді және «DataSet6» және «Ағаш алгоритмін» пайдаланып, қатерлі ісіктерді болжауды қамтиды.
Апта ішінде өз жөнінде бағдарламаларды тиісті тақырыптар бойынша ұсыныңыз және жарияланған AI қосымшаларынан мысалдарды таңдаңыз. Бағдарламалау элементтері егер олар болашақта клиникалық тәжірибені білу үшін, мысалы, клиникалық зерттеулерде қолдануға дайын екендігін анықтау үшін үлгілерді қалай бағалауға болатындығы туралы ескертіледі. Бұл мысалдар ісіктердің параметрлеріне негізделген қатерлі немесе қатерлі немесе қатерлі немесе қатерлі болып жіктейтін толыққанды аяқталатын қолданбада аяқталады.
Алдыңғы білімнің гетерогендік. Біздің қатысушыларымыз математикалық білім деңгейінде әр түрлі болды. Мысалы, озық инженерлік білігілері бар студенттер тереңірек материалды іздейді, мысалы, өздерінің Фурье айналымын қалай орындау керек. Алайда, сыныптағы Фурье алгоритмін талқылау мүмкін емес, өйткені ол сигналды өңдеуді тереңірек білуді қажет етеді.
Сабаққа шығу. Келесі кездесулерге қатысу төмендеді, әсіресе онлайн форматтарында. Шешімі сабаққа қатысуды бақылау және аяқтау туралы сертификат беруі мүмкін. Медициналық мектептер студенттердің сыныптан тыс академиялық іс-шараларының транскрипттерін таниды, бұл студенттерді ғылыми дәрежеге алуға шақырады.
Курстың дизайны: өйткені AI көптеген субсидтер, сондықтан тиісті тереңдік пен нан ұғымдарын таңдау қиын болуы мүмкін. Мысалы, зертханадан клиникаға AI құралдарын пайдалану үздіксіздігі маңызды тақырып болып табылады. Біз деректерді алдын-ала өңдеу, модельдеу және тексеру және валидацияны қамту кезінде, бізде үлкен мәліметтер талдауы, интерактивті визуализация немесе AI клиникалық зерттеулер жүргізу сияқты тақырыптар кірмейді, оның орнына біз ең бірегей тұжырымдамаларға назар аударамыз. Біздің басшылық қағидамыз - дағдыларды емес, сауаттылықты жақсарту. Мысалы, модельді процестерді қалай өңдеу мүмкіндіктері түсіндіру үшін маңызды екенін түсіну. Мұны істеудің бір жолы - мәліметтердің қай аймақтарын болжай алатын градиентті активтендіру карталарын пайдалану. Алайда, бұл көп өлшемді есептеуді қажет етеді және оны енгізу мүмкін емес8. Жалпы терминологияны дамыту қиын болды, өйткені біз математикалық формализмсіз векторлармен қалай жұмыс істеуді түсіндіруге тырыстық. Әр түрлі терминдер бірдей мағынаға ие, мысалы, эпидемиологияда «тән» немесе «айнымалы» немесе «атрибут» ретінде сипатталғанын ескеріңіз.
Білімді сақтау. AI қосымшасы шектеулі болғандықтан, білім алушыларды білетін дәрежеде байқалады. Медициналық мектеп оқу жоспарлары практикалық ротациялар кезінде білімді күшейтуге, 9, оны AI біліміне де қолдануға болады.
Кәсіби шеберлік сауаттылыққа қарағанда маңызды. Материалдың тереңдігі математикалық қатаң жобаланған, бұл жасанды интеллект бойынша клиникалық курстарды іске қосу кезінде проблема болды. Бағдарламалау мысалдарында біз қатысушыларға өрістерді толтыруға және бағдарламалық жасақтаманы толтыруға мүмкіндік беретін шаблон бағдарламасын қолданамыз, ол бағдарламалық жасақтаманы толық бағдарламалау ортасын қалай орнатуға болатындығын анықтамай іске қосамыз.
Жасанды интеллект туралы алаңдаушылықтар: жасанды интеллект кейбір клиникалық баждарды алмастыра алатын кең таралған. Осы мәселені шешу үшін біз Айдың шектеулерін түсіндіреміз, оның ішінде, соның ішінде Реттеушілермен мақұлдаған барлық дерлік технологиялар дәрігердің жетекшілігімен қамтамасыз ету 111. Біз сондай-ақ жағымсыздықтардың маңыздылығын атап өттік, өйткені алгоритмдер бұрмаланған, әсіресе егер деректер жиыны әр түрлі болмаса. Демек, белгілі бір кіші топ дұрыс емес клиникалық шешімдерге әкелуі мүмкін емес.
Ресурстар көпшілікке қол жетімді: біз көпшілікке қол жетімді ресурстарды, соның ішінде дәріс слайдтар мен кодты құрдық. Уақыт белдеуіне байланысты синхронды мазмұнға қол жеткізу шектеулі болғанымен, бастапқы мазмұн - бұл Ашық бастапқы мазмұн - бұл барлық медициналық мектептерде AI сараптамасы қол жетімді емес болғандықтан, асинхронды оқытудың ыңғайлы әдісі.
Пәнаралық ынтымақтастық: бұл семинар медицина студенттерінің инженерлермен бірге курстарды жоспарлау бойынша бастамашылық жасаған бірлескен кәсіпорны болып табылады. Бұл қатысушыларға болашақта да өз үлестерін қосуға мүмкіндік беретін екі бағытта ынтымақтастық мүмкіндіктері мен білімдерінің мүмкіндіктерін көрсетеді.
AI негізгі құзыреттерін анықтаңыз. Құзыреттіліктер тізбесін анықтау стандартталған құрылымды қамтамасыз ете алады, оны бар құзыреттілікке негізделген медициналық оқу жоспарлары. Қазіргі уақытта бұл семинар 2-ші деңгейлерді (түсіну), 3 (қосымша), 3 (қосымша) және гүлдестіктің таксономиясының 4 (талдау) қолданады. Жиынтық деңгейлерде, мысалы, жобаларды құру сияқты ресурстар бар, одан әрі білімді нығайта алады. Бұл клиникалық сарапшылармен AI тақырыптарын клиникалық жұмыс ағындарына қалай қолдануға болатынын анықтау және стандартты медициналық оқу жоспарларына енгізілген тақырыптардың ілгерілеуіне жол бермеу үшін қажет.
AI көмегімен кейс-стади құру. Клиникалық мысалдарға ұқсас, жағдайға негізделген оқытудың кластикалық ұғымдарын олардың клиникалық сұрақтарға өзектілігін атап өту арқылы нығайта алады. Мысалы, бір семинардан жасалған зерттеу Google-дің AI-диабеттік ретинопатияны анықтау жүйесін талдады.
Жолдаулы оқытуды қолдану: техникалық дағдыларға бағытталған практиканы қажет етеді және клиникалық тыңдаушылардың айналмалы оқу тәжірибелеріне ұқсас шеберлерге қайталап өтініш беруді қажет етеді. Бір әлеуетті шешім - бұл инженерлік білім берудегі білімді сақтауды жақсарту үшін хабарланғандай, біріктірілетін сынып үлгісі. Осы модельде студенттер теориялық материалдарды өз бетінше және сыныптық уақытқа қарайды және сабақ жүргізу арқылы проблемаларды шешуге арналған.
Көп салалы қатысушылар үшін масштабтау: Біз көптеген пәндер бойынша ынтымақтастықтың қатысуымен, соның ішінде дәрігерлер мен одақтастық сабақтарға қатысты бірлескен жаттығулармен бірге қабылдауды қарастырамыз. Сондықтан, оқу жоспарлары әртүрлі кафедралардан олардың мазмұнын денсаулық сақтаудың әртүрлі салаларына бейімдеу үшін консультациялармен әзірлеу қажет болуы мүмкін.
Жасанды интеллект - бұл жоғары технологиялық және оның негізгі ұғымдары математика және информатика мәселелерімен байланысты. Денсаулық сақтау персоналы жасанды интеллект түсіну үшін мазмұнды іріктеу, клиникалық маңыздылығы және жеткізу әдістерінің ерекше міндеттері көрсетілген. Біз білім беру сеанстарындағы АИ-дан алынған түсініктер болашақ тәрбиешілерге AI-дің медициналық біліміне инновациялық тәсілдерді қабылдауға көмектеседі деп сенеміз.
Google Collabacer Python сценарийі ашық және қол жетімді және қол жетімді: https://github.com/ubcaimed/ub.githbe/tree/tree/master/.
Медициналық білім беруді қайта ойластыру: Медициналық білім беру: әрекетке шақыру. Ақкад. дәрі. 88, 1407-1410 (2013).
МакКой, LG және т.б. Медициналық студенттерге жасанды интеллект туралы не білу керек? NPZS нөмірлері. Медицина 3, 1-3 (2020).
Dos Santos, DP және al. Медициналық студенттердің жасанды интеллектке деген көзқарасы: көпжақты зерттеу. Евро. Сәуле. 29, 1640-1646 (2019).
Желдеткіш, кісі, Ху, Р., Сингла, Р. Медициналық студенттерге арналған машинаны оқытумен таныстыру: пилоттық жоба. Дж. Мед. Оқытатын. 54, 1042-1043 (2020).
Cooperman n, et al. Бұрынғы жарақаттан кейін мидың клиникалық маңыздылығының төмен қаупі бар балаларды анықтау: болашақ когортты зерттеу. Lancet 374, 1160-1170 (2009).
Көше, wn, wolberg, wh және Мангазарян. Сүт безі ісігін диагностикалау үшін ядролық ерекшеліктер. Биомедициналық ғылым. Суретті өңдеу. Биомедициналық ғылым. Вейсс. 1905, 861-870 (1993).
Чен, БМСК, ЛИУ, Е. және PENG, L. Денсаулық сақтау үшін машиналарды үйрену модельдерін қалай жасауға болады. Nat. Мат. 18, 410-414 (2019).
Селваражу, РР және басқалар. Град-камера: градиент негізіндегі локализация арқылы терең желілерді көрнекі түсіндіру. Компьютерлік көру бойынша IEEE халықаралық конференциясының материалдары, 618-626 (2017).
Кумаравел В, Стюарт k және ILIC D. ЕҚЫҰ-ның бакалавриаттық медициналық білім берудегі дәлелді дәрілік заттарды бағалаудың спиральды моделін әзірлеу және бағалау. BMK медицинасы. Оқытатын. 21, 1-9 (2021).
Колачалама В.Б. және Гарг ПС машиналарын оқыту және медициналық білім. NPZS нөмірлері. дәрі. 1, 1-3 (2018).
Ван Лиувен, кг, Шале, С., Рутан, М.Е., Ван Гиннекен, Ван Гиннекен, Б. және Де Рой, М. Рентгенологиядағы жасанды интеллект: 100 коммерциялық өнім және олардың ғылыми дәлелдері. Евро. Сәуле. 31, 3797-3804 (2021).
Topol, EJ Жоғары сапалы дәрі-дәрмек: адамдық және жасанды интеллектінің жақындасуы. Nat. дәрі. 25, 44-56 (2019).
Бед, Е.Т. Диабеттік ретинопатияны анықтауға арналған клиникада терең оқыту жүйесін бағалау. Есептеу жүйелеріндегі адам факторлары бойынша 2020 жылғы CHI конференциясының материалдары (2020).
Керр, B. Инженерлік білім берудегі аудитория: зерттеуге шолу. 2015 жылғы интерактивті бірлескен оқыту бойынша халықаралық конференция материалдары (2015).
Авторлар Даниэль Уокер, Тим Сальцин және Питер Зандстра, Британ Колумбия университетінде Британ Колумбиясының Жасанды интеллект кластерінен алғыс білдіреді.
RH, PP, Ж., RS және MA семинар-оқытатын мазмұнды әзірлеуге жауап берді. RH және PP бағдарламалау мысалдарын жасауға жауап берді. KYF, OY, MT және PW жобаның материалдық-техникалық ұйымына және семинарларды талдауға жауап берді. RH, YY, MT, Rs цифрлар мен кестелерді құруға жауапты болды. RH, KYF, PP, ZH, YO, MY, PW, TL, MA, RS құжатты әзірлеу және редакциялау үшін жауап берді.
Байланыс медицинасы Каролин МакГрегор, Фабио Мораз және Адиа Боракати бұл жұмысты қарастыруға қосқан үлесі үшін алғыс білдіреді.
POST TIME: ақпан-19-2024