Կանադական հեռանկարը բժշկական ուսանողներին արհեստական ​​ինտելեկտի ուսուցման վերաբերյալ

Շնորհակալություն Nature.com այցելելու համար: Դուք օգտագործում եք զննարկչի տարբերակը, ունի սահմանափակ CSS աջակցություն: Լավագույն արդյունքների համար խորհուրդ ենք տալիս օգտագործել ձեր զննարկչի նոր տարբերակը (կամ միացնել համատեղելիության ռեժիմը Internet Explorer- ում): Միեւնույն ժամանակ, շարունակական աջակցություն ապահովելու համար մենք կայքը ցույց ենք տալիս առանց ոճավորելու կամ JavaScript- ի:
Կլինիկական արհեստական ​​հետախուզության (AI) դիմումները արագորեն աճում են, բայց առկա բժշկական դպրոցական ուսումնական ծրագրերը առաջարկում են սահմանափակ դասավանդում, ընդգրկելով այս տարածքը: Այստեղ մենք նկարագրում ենք արհեստական ​​հետախուզական վերապատրաստման դասընթաց, որը մենք մշակել եւ առաքվել ենք Կանադայի բժշկական ուսանողներին եւ առաջարկություններ անում հետագա մարզումների համար:
Արհեստական ​​հետախուզությունը (AI) բժշկության մեջ կարող է բարելավել աշխատատեղերի արդյունավետությունը եւ օգնության կլինիկական որոշումների կայացումը: Արհեստական ​​հետախուզության օգտագործումը ապահովելու համար բժիշկները պետք է ունենան ինչ-որ պատկերացում արհեստական ​​ինտելեկտի մասին: Շատ մեկնաբանություններ Փաստաբանում են AI հասկացությունների դասավանդումը 1, օրինակ, AI մոդելների եւ ստուգման գործընթացների բացատրությունը 2: Այնուամենայնիվ, իրականացվել են մի քանի կառուցվածքային ծրագրեր, հատկապես ազգային մակարդակում: Pinto dos santos et al.3. Հետազոտվել են 263 բժշկական ուսանողներ, եւ 71% -ը պայմանավորվել է, որ իրենց արհեստական ​​ինտելեկտում ուսուցում է անհրաժեշտ: Բժշկական լսարանին արհեստական ​​ինտելեկտի դասավանդումը պահանջում է զգույշ ձեւավորում, որը համատեղում է տեխնիկական եւ ոչ տեխնիկական հասկացությունները ուսանողների համար, ովքեր հաճախ ունենում են նախնական լայն գիտելիքներ: Մենք նկարագրում ենք մեր փորձը `AI սեմինարների մի շարք բժշկական սեմինարների տրամադրման եւ բժշկական ուսանողների երեք խմբերի եւ առաջարկություններ է անում Աիում ապագա բժշկական կրթության համար:
Բժշկական ուսանողների համար արհեստական ​​ինտելեկտու մեր հնգամյա ներդրումը բժշկական ուսանողների համար անցկացվեց երեք անգամ 2019-ի փետրվարի եւ 2021-ի ապրիլի միջեւ: Յուրաքանչյուր սեմինարի ժամանակացույցը, դասընթացի փոփոխությունների համառոտ նկարագրությամբ, ներկայացված է Ուսուցման երեք հիմնական նպատակ. Ուսանողները հասկանում են, թե ինչպես են տվյալները վերամշակվում արհեստական ​​հետախուզական ծրագրերում, վերլուծում են արհեստական ​​հետախուզական գրականությունը կլինիկական դիմումների համար:
Կապույտը դասախոսության թեման է, եւ թեթեւ կապույտը ինտերակտիվ հարց ու պատասխանի ժամանակահատվածն է: Մոխրագույն հատվածը գրականության համառոտ ստուգման ուշադրության կենտրոնում է: Orange- ի բաժիններն ընտրված են դեպքերի ուսումնասիրություններ, որոնք նկարագրում են արհեստական ​​հետախուզության մոդելներ կամ տեխնիկա: Կանաչը առաջնորդվող ծրագրավորման դասընթաց է, որը նախատեսված է արհեստական ​​հետախուզության ուսուցանելու համար `կլինիկական խնդիրները լուծելու եւ մոդելները գնահատելու համար: Սեմինարների բովանդակությունն ու տեւողությունը տարբերվում են ուսանողական կարիքների գնահատման հիման վրա:
Առաջին սեմինարը տեղի է ունեցել Բրիտանական Կոլումբիայի համալսարանում, 2019-ի փետրվարից ապրիլ, եւ բոլոր 8 մասնակիցները դրական են տվել 4: Covid-19- ի շնորհիվ երկրորդ սեմինարը իրականացվել է գրեթե 2020-ի հոկտեմբեր-նոյեմբեր ամիսներին, 222 բժշկական ուսանողներ եւ 3 բնակիչ, Կանադայի 8 դպրոցների գրանցման 8-ից: Ներկայացման սլայդներն ու ծածկագիրը վերբեռնվել են բաց մուտքի վայր (http://ubcaimed.github.io): Առաջին iteration- ի հիմնական արձագանքն այն էր, որ դասախոսությունները չափազանց ինտենսիվ էին եւ նյութը չափազանց տեսական: Կանադայի վեց տարբեր ժամանակային գոտիների սպասարկումը լրացուցիչ մարտահրավերներ է առաջացնում: Այսպիսով, երկրորդ սեմինարը կրճատեց յուրաքանչյուր նստաշրջանը 1 ժամ, պարզեցրեք դասընթացի նյութը, ավելացրեց ավելի շատ դեպքերի ուսումնասիրություններ եւ ստեղծեց կաթսայատ ծրագրեր, որոնք մասնակիցներին թույլ տվեցին լրացնել նվազագույն կարգաբերմամբ (տուփ 1): Երկրորդ iteration- ի առանցքային արձագանքը ներառում էր դրական արձագանք ծրագրավորման վարժությունների վերաբերյալ եւ մեքենայական ուսուցման նախագծի պլանավորում ցույց տալու խնդրանքով: Հետեւաբար, մեր երրորդ սեմինարում 2021-ի մարտ-ապրիլի 2021-ի մարտ-ապրիլ ամսվա ընթացքում անցկացվող 126 բժշկական ուսանողների համար մենք ներառեցինք ավելի ինտերակտիվ կոդավորման վարժություններ եւ նախագծերի վերաբերյալ ծրագրի ազդեցությունը ցուցադրելու համար:
Տվյալների վերլուծություն. Վիճակագրության մեջ ուսումնասիրության ոլորտը, որը սահմանում է տվյալների բովանդակալից ձեւերը `վերլուծելով, վերամշակել եւ հաղորդել տվյալների օրինաչափությունները:
Տվյալների հանքարդյունաբերություն. Տվյալների բացահայտման եւ արդյունահանման գործընթացը: Արհեստական ​​ինտելեկտի համատեքստում սա հաճախ մեծ է, յուրաքանչյուր նմուշի համար բազմաթիվ փոփոխականներ:
Առանձնահատկության կրճատում. Տվյալների բազմաթիվ առանձնահատկություններ ունեցող տվյալների վերափոխման գործընթացը ավելի քիչ հատկությունների մեջ է, մինչդեռ պահպանելով տվյալների բնօրինակ տվյալների կարեւոր հատկությունները:
Հատկություններ (արհեստական ​​հետախուզության համատեքստում). Նմուշի չափելի հատկություններ: Հաճախ փոխարինելիորեն օգտագործվում է «գույքի» կամ «փոփոխականի» հետ:
Գրադիենտ ակտիվացման քարտեզ. Տեխնիկա, որն օգտագործվում է արհեստական ​​հետախուզական մոդելները (հատկապես համախմբված նյարդային ցանցեր) մեկնաբանելու համար, որոնք վերլուծում են ցանցի վերջին հատվածի օպտիմալացման գործընթացը `որոշելու տվյալների կամ պատկերների շրջանները:
Ստանդարտ մոդել. Առկա AI մոդել, որը նախապես պատրաստված է նման առաջադրանքներ կատարելու համար:
Թեստավորում (արհեստական ​​ինտելեկտի համատեքստում). Դիտարկելով, թե ինչպես է մոդելը կատարում առաջադրանք, օգտագործելով նախկինում, որը նախկինում չի հանդիպել:
Դասընթաց (արհեստական ​​ինտելեկտի համատեքստում). Տվյալների եւ արդյունքների տրամադրմամբ, որպեսզի մոդելը կարգավորի իր ներքին պարամետրերը `նոր տվյալներ օգտագործելու իր ունակությունը օպտիմալացնելու համար:
Վեկտոր. Տվյալների զանգված: Մեքենայի ուսուցման մեջ զանգվածի յուրաքանչյուր տարր սովորաբար նմուշի յուրօրինակ առանձնահատկությունն է:
Աղյուսակ 1-ը թվարկում է 2021 թվականի ապրիլի վերջին դասընթացները, ներառյալ յուրաքանչյուր թեմայի նպատակային ուսման նպատակները: Այս սեմինարը նախատեսված է այդ նոր մակարդակի համար եւ չի պահանջում որեւէ մաթեմատիկական գիտելիք, ասպիրանտուրայի առաջին տարվանից: Դասընթացը մշակվել է 6 բժշկական ուսանողների եւ 3 ուսուցիչների կողմից ճարտարագիտության առաջատար աստիճաններով: Ինժեներները զարգացնում են արհեստական ​​ինտելեկտի տեսությունը դասավանդելու համար, եւ բժշկական ուսանողները սովորում են կլինիկական համապատասխան նյութեր:
Սեմինարները ներառում են դասախոսություններ, դեպքերի ուսումնասիրություններ եւ առաջնորդվող ծրագրավորում: Առաջին դասախոսության ընթացքում մենք վերանայում ենք կենսաթոշակների վերլուծության ընտրված հասկացությունները բիոստատոլոգիայում, ներառյալ տվյալների պատկերացում, լոգիստիկ ռեգրեսիա եւ նկարագրական եւ ինդուկտիվ վիճակագրության համեմատություն: Չնայած տվյալների վերլուծությունը արհեստական ​​ինտելեկտի հիմքն է, մենք բացառում ենք թեմաները, ինչպիսիք են տվյալների հանքարդյունաբերությունը, նշանակության փորձությունը կամ ինտերակտիվ տեսողականացումը: Դա պայմանավորված էր ժամանակի սահմանափակումներով, ինչպես նաեւ այն պատճառով, որ որոշ բակալավրիատներ նախնական մարզումներ ունեին կենսապաշտության մեջ եւ ցանկանում էին լուսաբանել ավելի յուրօրինակ մեքենայի ուսուցման թեմաներ: Հետագա դասախոսությունը ներկայացնում է ժամանակակից մեթոդներին եւ քննարկում է AI- ի խնդիրների ձեւակերպումը, AI մոդելների առավելությունները եւ սահմանափակումները եւ մոդելի փորձարկումները: Դասախոսությունները լրացվում են գրականությամբ եւ գործնական հետազոտություններ առկա արհեստական ​​հետախուզական սարքերի վերաբերյալ: Մենք շեշտում ենք կլինիկական հարցերը լուծելու համար մոդելի արդյունավետությունն ու իրագործելիությունը գնահատելու համար անհրաժեշտ հմտությունները, ներառյալ առկա արհեստական ​​հետախուզական սարքերի սահմանափակումները հասկանալու համար: Օրինակ, ուսանողներին խնդրեցինք մեկնաբանել Կուպպեր եւ Ալ. Մենք շեշտում ենք, որ սա AI- ի ընդհանուր օրինակ է, որը բժիշկների համար կանխատեսելի վերլուծություն է մատուցում, այլ ոչ թե փոխարինելով բժիշկներին:
Առկա բաց կոդով Bootstrap ծրագրավորման օրինակներում (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), մենք ցույց ենք տալիս, թե ինչպես կատարել հետախուզական տվյալների վերլուծություն, չափման նվազեցում եւ վերապատրաստում Մի շարք եւ փորձարկում: Մենք օգտագործում ենք Google Colaboratory Notebooks (Google LLC, Mountain View, CA), որոնք թույլ են տալիս Python Code- ը իրականացնել վեբ զննարկիչից: Նկար 2-ում ներկայացված է ծրագրավորման վարժության օրինակ: Այս վարժությունը ներառում է չարորակություններ կանխատեսել Վիսկոնսինը, որը օգտագործում է կրծքագեղձի պատկերապատման DataSet6 եւ որոշումների ծառի ալգորիթմ:
Ներկայացրեք ծրագրերը ամբողջ շաբաթվա ընթացքում առնչվող թեմաներով եւ ընտրեք օրինակներ AI հրապարակված ծրագրերից: Ծրագրավորման տարրերը ներառված են միայն այն դեպքում, եթե դրանք համարվում են ապագա կլինիկական պրակտիկայի պատկերացումներ տրամադրելու համար, օրինակ, ինչպես գնահատել մոդելները, պարզելու համար, թե արդյոք դրանք պատրաստ են կլինիկական փորձարկումներում: Այս օրինակները գագաթնակետը ավարտում են ավարտական ​​վերջնական դիմում, որը դասակարգում է ուռուցքները որպես բարորակ կամ չարորակ, հիմնված բժշկական պատկերի պարամետրերի հիման վրա:
Նախնական գիտելիքների տարասեռություն: Մեր մասնակիցները տարբերվում էին մաթեմատիկական գիտելիքների մակարդակով: Օրինակ, առաջադեմ ինժեներական ծագմամբ ուսանողները փնտրում են ավելի խորը նյութեր, ինչպիսիք են, ինչպես կատարել իրենց Fourier- ի վերափոխումները: Այնուամենայնիվ, դասարանում Fourier ալգորիթմի քննարկումը հնարավոր չէ, քանի որ դա պահանջում է ազդանշանային մշակման խորքային գիտելիքներ:
Հաճախելիության արտահոսք: Հետագա հանդիպումների հաճախումը նվազել է, հատկապես առցանց ձեւաչափերով: Լուծումը կարող է լինել հաճախելիության հետեւել եւ լրացման վկայագիր տրամադրել: Հայտնի է, որ բժշկական դպրոցները ճանաչում են ուսանողների արտադասարանական ուսումնական գործունեության պատճենները, որոնք կարող են ուսանողներին խրախուսել աստիճանի հետամուտ լինել:
Դասընթացի ձեւավորում. Քանի որ AI- ն այդքան շատ ենթահողեր է, ընտրելով համապատասխան խորության եւ լայնության հիմնական հասկացություններ, կարող է դժվար լինել: Օրինակ, Կլինիկայի լաբորատորիայի համար AI գործիքների օգտագործման շարունակականությունը կարեւոր թեմա է: Մինչ մենք ծածկում ենք տվյալների նախապատվությունը, մոդելային շենքը եւ վավերացումը, մենք չենք ներառում այնպիսի թեմաներ, ինչպիսիք են մեծ տվյալների վերլուծությունը, ինտերակտիվ տեսողականացումը կամ AI կլինիկական փորձարկումների անցկացումը, փոխարենը մենք կենտրոնանում ենք AI- ի առավել եզակի հասկացությունների վրա: Մեր առաջնորդող սկզբունքը գրագիտության բարելավումն է, ոչ թե հմտությունները: Օրինակ, հասկանալով, թե ինչպես է մոդելային գործընթացների մուտքի առանձնահատկությունները կարեւոր նշանակության համար: Դա անելու միջոցներից մեկը գրադիենտ ակտիվացման քարտեզներ օգտագործելն է, որոնք կարող են պատկերացնել, թե տվյալների որ շրջաններն են կանխատեսելի: Այնուամենայնիվ, դա պահանջում է բազմաբնույթ հաշվարկ եւ չի կարող ներդրվել 8: Ընդհանուր տերմինաբանության զարգացումը դժվար էր, քանի որ մենք փորձում էինք բացատրել, թե ինչպես աշխատել տվյալներով որպես վեկտորներ առանց մաթեմատիկական ֆորմալիզմի: Նկատի ունեցեք, որ տարբեր տերմիններ ունեն նույն իմաստը, օրինակ, համաճարակաբանության մեջ, «բնութագիր» նկարագրվում է որպես «փոփոխական» կամ «հատկություն»:
Գիտելիքի պահպանում: Քանի որ AI- ի կիրառումը սահմանափակ է, այնքանով, թե որքանով են մասնակիցները պահպանում գիտելիքները: Բժշկական դպրոցի ուսումնական պլանները հաճախ ապավինում են տարածված կրկնությանը `գործնական ռոտացիաների ընթացքում գիտելիքները ամրապնդելու համար, 9, որը կարող է կիրառվել նաեւ AI կրթության համար:
Պրոֆեսիոնալիզմը ավելի կարեւոր է, քան գրագիտությունը: Նյութի խորությունը նախագծված է առանց մաթեմատիկական խստության, ինչը խնդիր էր հանդիսանում արհեստական ​​ինտելեկտի կլինիկական դասընթացներ սկսելիս: Ծրագրավորման օրինակներում մենք օգտագործում ենք ձեւանմուշային ծրագիր, որը մասնակիցներին հնարավորություն է տալիս լրացնել դաշտերը եւ գործարկել ծրագրակազմը, առանց պարզելու, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես պետք է պարզել, թե ինչպես ստեղծել ամբողջական ծրագրավորման միջավայր:
Մտահոգություններ արեց արհեստական ​​հետախուզության վերաբերյալ. Տարածված է մտահոգություն, որ արհեստական ​​ինտելեկտը կարող է փոխարինել որոշ կլինիկական պարտքեր 3: Այս խնդրին լուծելու համար մենք բացատրում ենք AI- ի սահմանափակումները, ներառյալ այն փաստը, որ կարգավորիչների կողմից հաստատված AI բոլոր բոլոր տեխնոլոգիաները պահանջում են բժիշկ վերահսկողություն 11: Մենք նաեւ շեշտում ենք կողմնակալության կարեւորությունը, քանի որ ալգորիթմները հակված են կողմնակալության, մանավանդ, եթե տվյալների հավաքածուները տարբեր չեն: Հետեւաբար, որոշակի ենթախումբ կարող է սխալվել սխալ, հանգեցնելով անարդար կլինիկական որոշումների:
Ռեսուրսները հանրային հասանելի են. Մենք ստեղծել ենք հանրային մատչելի ռեսուրսներ, ներառյալ դասախոսությունների սլայդներն ու ծածկագիրը: Չնայած սինխրոն բովանդակության հասանելիությունը սահմանափակ է ժամանակի գոտիների պատճառով, բաց կոդով բովանդակությունը հարմարավետ մեթոդ է ասինխրոն ուսուցման համար, քանի որ AI- ի փորձաքննությունը մատչելի չէ բոլոր բժշկական դպրոցներում:
Միջկառավարական համագործակցություն. Այս սեմինարը բժշկական ուսանողների կողմից նախաձեռնված համատեղ ձեռնարկություն է `ինժեներների հետ միասին դասընթացներ պլանավորելու համար: Սա ցույց է տալիս երկու ոլորտներում համագործակցության հնարավորություններ եւ գիտելիքների բացեր, ինչը մասնակիցներին հնարավորություն կտա հասկանալ ապագայում հնարավոր դերը:
Սահմանեք AI հիմնական իրավասությունները: Իրավասիների ցուցակը սահմանելը տրամադրում է ստանդարտացված կառույց, որը կարող է ինտեգրվել առկա իրավասության վրա հիմնված բժշկական ուսումնական ծրագրերի մեջ: Այս սեմինարը ներկայումս օգտագործում է ուսման օբյեկտիվ մակարդակ 2 (հասկացողություն), 3 (դիմում), եւ Bloom- ի Taxonomy- ի 4 (վերլուծությունը): Դասակարգման ավելի բարձր մակարդակներում ռեսուրսներ ունենալը, ինչպիսիք են նախագծեր ստեղծելը, կարող են հետագայում ամրապնդել գիտելիքները: Սա պահանջում է աշխատել Կլինիկական փորձագետների հետ `որոշելու, թե ինչպես կարելի է AI թեմաները կիրառվել կլինիկական աշխատատեղերի վրա եւ կանխել ստանդարտ բժշկական ուսումնական ծրագրերում արդեն ներառված կրկնվող թեմաների ուսուցում:
Ստեղծեք դեպքերի ուսումնասիրություններ, օգտագործելով AI: Կլինիկական օրինակների նման, գործի վրա հիմնված ուսումը կարող է ամրապնդել վերացական հասկացությունները `կարեւորելով նրանց արդիականությունը կլինիկական հարցերին: Օրինակ, մեկ սեմինարի ուսումնասիրություն վերլուծեց Google- ի AI- ի վրա հիմնված դիաբետիկ ռետինոպաթիայի հայտնաբերման համակարգը 13-ը լաբորատորիաից կլինիկայի ճանապարհի մարտահրավերները պարզելու համար, ինչպիսիք են արտաքին վավերացման պահանջները եւ կարգավորող հաստատման ուղիները:
Օգտագործեք փորձարարական ուսուցում. Տեխնիկական հմտությունները պահանջում են կենտրոնացած պրակտիկա եւ կրկնվող դիմում վարպետի համար, նման է կլինիկական սովորողների պտտվող ուսուցման փորձի: Հնարավոր լուծում է Flipped Classroom Model- ը, որը հաղորդվել է, որ բարելավում է ինժեներական կրթության ոլորտում գիտելիքների պահպանումը 14: Այս մոդելի մեջ ուսանողները վերանայում են տեսական նյութը ինքնուրույն եւ դասի ժամանակը նվիրված է խնդիրների լուծմանը `գործի ուսումնասիրության միջոցով:
Մանրադիտարական մասնակիցների մասշտաբի համար. Մենք նախատեսում ենք AI որդեգրումը `կապված բազմաթիվ առարկաների, ներառյալ բժիշկների եւ դաշնակցային առողջապահության ոլորտի մասնագետների հետ` տարբեր մակարդակի վերապատրաստման մակարդակներով: Հետեւաբար, ուսումնական ծրագրերը կարող են մշակվել տարբեր գերատեսչությունների ֆակուլտետի հետ խորհրդակցելու համար `իրենց բովանդակությունը բավարարելու առողջապահության տարբեր ոլորտներին:
Արհեստական ​​հետախուզությունը բարձր տեխնոլոգիական է, եւ դրա հիմնական հասկացությունները կապված են մաթեմատիկայի եւ համակարգչային գիտության հետ: Առողջապահական անձնակազմի վերապատրաստումը `հասկանալու համար արհեստական ​​հետախուզությունը, ներկայացնում է եզակի մարտահրավերներ բովանդակության ընտրության, կլինիկական արդիության եւ առաքման մեթոդների մեջ: Հուսով ենք, որ AI- ի կողմից կրթության սեմինարներից ստացված պատկերացումները կօգնեն ապագա մանկավարժներին, ընդունելու նորարարական եղանակներ AI բժշկական կրթության մեջ ինտեգրվելու նորարարական եղանակներ:
Google Colaboratory Python Script- ը բաց կոդով է եւ մատչելի է, https://github.com/ubcaimed/ubcaimed.github.io/tree/master/:
Prober, կգ եւ խան, S. RETHINKING Բժշկական կրթություն. Գործողության կոչ: Աքքադ: դեղ։ 88, 1407-1410 (2013):
McCoy, LG եւ այլն: Ինչ են պետք իմանալ բժշկական ուսանողները արհեստական ​​հետախուզության մասին: Npzh համարները: Բժշկություն 3, 1-3 (2020):
DOS Santos, DP եւ Al. Բժշկական ուսանողների վերաբերմունքը արհեստական ​​ինտելեկտի նկատմամբ. Բազմամշակութային հետազոտություն: Եվրո: ճառագայթում: 29, 1640-1646 (2019):
Երկրպագու, Քի, Հու, Ռ., Եւ Սինգլա, Ռ. Բժշկական ուսանողների ուսուցման ներածություն. Փորձնական նախագիծ J. Med. Սովորեցրեք: 54, 1042-1043 (2020):
Cooperman n, et al. Երեխաներին նույնականացնելով գլխի վնասվածքից հետո ուղեղի վնասվածքի շատ ցածր ռիսկի մեջ. Հեռանկարային կոհորտի ուսումնասիրություն: Lancet 374, 1160-1170 (2009):
Փողոց, WN, Wolberg, WH եւ Mangasarian, OL. Կրծքագեղձի ուռուցքի ախտորոշման միջուկային խաղարկության արդյունահանում: Կենսաբժշկական գիտություն: Պատկերի մշակում: Կենսաբժշկական գիտություն: Weiss. 1905, 861-870 (1993):
Չենը, ԱԱՊ-ն, Լյուը, Ե.-ն եւ Պենգը, Լ. Ինչպես զարգացնել մեքենայի ուսուցման մոդելներ առողջապահության համար: Նուրբ Մեթ. 18, 410-414 (2019):
Selvaraju, rr et al. Grad-Cam. Խորը ցանցերի տեսողական մեկնաբանություն գրադիենտի տեղայնացման միջոցով: Համակարգչային տեսլականի IEEE միջազգային գիտաժողովի վարույթ, 618-626 (2017):
Kumaravel B, Stewart K եւ Ilic D. պարուրաձեւ մոդելի մշակում եւ գնահատում `ԵԱՀԿ-ի միջոցով ապացույցների վրա հիմնված դեղամիջոցների իրավասությունները գնահատելու համար: BMK բժշկություն: Սովորեցրեք: 21, 1-9 (2021):
Kolachalama VB եւ GARG PS մեքենայական ուսուցում եւ բժշկական կրթություն: Npzh համարները: դեղ։ 1, 1-3 (2018):
Վան Լեուվեն, կգ, Շիկալեմփ, Ս., ՌՈՒՏՏԵՆ, Մ. Եվրո: ճառագայթում: 31, 3797-3804 (2021):
Topol, EJ բարձրորակ բժշկություն. Մարդու եւ արհեստական ​​ինտելեկտի կոնվերգենցիան: Նուրբ դեղ։ 25, 44-56 (2019):
Bede, E. et al. Դիաբետիկ ռետինոպաթիայի հայտնաբերման համար կլինիկայում տեղակայված խորը ուսուցման համակարգի մարդկային կենտրոնացված գնահատումը: Հաշվողական համակարգերում մարդկային գործոնների 2020-ի CHI գիտաժողովի ընթացակարգերը (2020):
Քեր, Բ. Անշարժ գույքի դաստիարակչական դասարան. Հետազոտական ​​ակնարկ: Ինտերակտիվ համագործակցային ուսուցման 2015 թվականի միջազգային գիտաժողովի ընթացակարգերը (2015 թ.):
Հեղինակները շնորհակալություն են հայտնում Դանիել Ուոլքին, Թիմ Սալկուդինին եւ Պիտեր Զանդստրային Bibedical Imaging եւ արհեստական ​​հետախուզական հետազոտությունների կլաստերից, Բրիտանական Կոլումբիայի համալսարանում `աջակցության եւ ֆինանսավորման համար:
RH, PP, ZH, RS եւ MA- ն պատասխանատու էին սեմինարի դասավանդման բովանդակությունը մշակելու համար: RH- ը եւ PP- ն պատասխանատու էին ծրագրավորման օրինակների մշակման համար: KYF, OY, MT եւ PW- ն պատասխանատու էին ծրագրի լոգիստիկ կազմակերպության եւ սեմինարների վերլուծության համար: RH, OY, MT, Rs պատասխանատու էին թվերը եւ սեղանները ստեղծելու համար: RH, KYF, PP, ZH, OY, MY, PW, TL, MA, Փաստաթուղթը կազմելու եւ խմբագրելու համար պատասխանատու էր:
Հաղորդակցման բժշկությունը շնորհակալություն է հայտնում Քերոլին ՄաքԳրեգորին, Ֆաբիո Մորաեսին եւ Ադիտա Բորաքաթիին `այս աշխատանքի վերանայման ներդրման համար: