Կանադական տեսակետը բժշկական ուսանողներին արհեստական ​​բանականություն դասավանդելու վերաբերյալ

Շնորհակալություն Nature.com կայք այցելելու համար: Ձեր օգտագործած դիտարկիչի տարբերակն ունի CSS-ի սահմանափակ աջակցություն: Լավագույն արդյունքի հասնելու համար խորհուրդ ենք տալիս օգտագործել ձեր դիտարկիչի ավելի նոր տարբերակը (կամ անջատել համատեղելիության ռեժիմը Internet Explorer-ում): Մինչ այդ, շարունակական աջակցությունն ապահովելու համար, մենք կայքը ցուցադրում ենք առանց ոճավորման կամ JavaScript-ի:
Կլինիկական արհեստական ​​բանականության (ԱԲ) կիրառությունները արագ զարգանում են, սակայն բժշկական դպրոցների առկա ուսումնական ծրագրերը սահմանափակ ուսուցում են առաջարկում այս ոլորտում: Այստեղ մենք նկարագրում ենք արհեստական ​​բանականության վերաբերյալ մեր կողմից մշակված և կանադացի բժշկական ուսանողների համար անցկացված ուսումնական դասընթացը և առաջարկություններ ենք անում ապագա ուսուցման համար:
Արհեստական ​​բանականությունը (ԱԲ) բժշկության մեջ կարող է բարելավել աշխատանքային արդյունավետությունը և օգնել կլինիկական որոշումների կայացմանը: Արհեստական ​​բանականության օգտագործումը անվտանգ կերպով ուղղորդելու համար բժիշկները պետք է որոշակի պատկերացում ունենան արհեստական ​​բանականության մասին: Շատ մեկնաբանություններում խորհուրդ է տրվում դասավանդել ԱԲ հասկացությունները1, ինչպիսիք են ԱԲ մոդելների և ստուգման գործընթացների բացատրությունը2: Այնուամենայնիվ, քիչ կառուցվածքային ծրագրեր են իրականացվել, հատկապես ազգային մակարդակով: Պինտո դոս Սանտոս և այլք3: Հարցմանը մասնակցել է 263 բժշկական ուսանող, և նրանց 71%-ը համաձայնել է, որ իրենց անհրաժեշտ է արհեստական ​​բանականության ոլորտում ուսուցում: Արհեստական ​​բանականությունը բժշկական լսարանին դասավանդելը պահանջում է զգույշ նախագծում, որը համատեղում է տեխնիկական և ոչ տեխնիկական հասկացությունները այն ուսանողների համար, ովքեր հաճախ ունեն լայն նախնական գիտելիքներ: Մենք նկարագրում ենք մեր փորձը՝ բժշկական ուսանողների երեք խմբերի համար ԱԲ սեմինարների շարք անցկացնելու հարցում և առաջարկություններ ենք անում ԱԲ-ի ոլորտում ապագա բժշկական կրթության համար:
Մեր բժշկական ուսանողների համար նախատեսված «Արհեստական ​​բանականության ներածություն բժշկության մեջ» հինգշաբաթյա աշխատաժողովը անցկացվել է երեք անգամ 2019 թվականի փետրվարից մինչև 2021 թվականի ապրիլը։ Յուրաքանչյուր աշխատաժողովի ժամանակացույցը՝ դասընթացում կատարված փոփոխությունների համառոտ նկարագրությամբ, ներկայացված է նկար 1-ում։ Մեր դասընթացն ունի երեք հիմնական ուսումնական նպատակ՝ ուսանողները հասկանալ, թե ինչպես են տվյալները մշակվում արհեստական ​​բանականության կիրառություններում, վերլուծել արհեստական ​​բանականության վերաբերյալ գրականությունը կլինիկական կիրառությունների համար և օգտվել արհեստական ​​բանականություն մշակող ինժեներների հետ համագործակցելու հնարավորություններից։
Կապույտը դասախոսության թեման է, իսկ բաց կապույտը՝ ինտերակտիվ հարց ու պատասխանի ժամանակահատվածը: Մոխրագույն բաժինը գրականության համառոտ վերանայման կիզակետն է: Նարնջագույն բաժինները ընտրված դեպքերի ուսումնասիրություններ են, որոնք նկարագրում են արհեստական ​​բանականության մոդելներ կամ տեխնիկա: Կանաչը ուղղորդվող ծրագրավորման դասընթաց է, որը նախատեսված է արհեստական ​​բանականությունը կլինիկական խնդիրներ լուծելու և մոդելները գնահատելու համար ուսուցանելու համար: Սեմինարների բովանդակությունը և տևողությունը տարբերվում են՝ կախված ուսանողների կարիքների գնահատումից:
Առաջին աշխատաժողովը տեղի է ունեցել Բրիտանական Կոլումբիայի համալսարանում 2019 թվականի փետրվարից ապրիլ, և բոլոր 8 մասնակիցները դրական արձագանք են տվել4: COVID-19-ի պատճառով երկրորդ աշխատաժողովը տեղի է ունեցել վիրտուալ եղանակով 2020 թվականի հոկտեմբեր-նոյեմբեր ամիսներին, որին գրանցվել են 222 բժշկական ուսանողներ և 3 օրդինատորներ կանադական 8 բժշկական դպրոցներից: Ներկայացման սլայդներն ու կոդը վերբեռնվել են բաց մուտքի կայքում (http://ubcaimed.github.io): Առաջին անգամ անցկացված հիմնական արձագանքն այն էր, որ դասախոսությունները չափազանց լարված էին, իսկ նյութը՝ չափազանց տեսական: Կանադայի վեց տարբեր ժամային գոտիներում ծառայելը լրացուցիչ մարտահրավերներ է առաջացնում: Այսպիսով, երկրորդ աշխատաժողովը կրճատել է յուրաքանչյուր նիստը մինչև 1 ժամ, պարզեցրել է դասընթացի նյութը, ավելացրել է ավելի շատ դեպքերի ուսումնասիրություններ և ստեղծել ստանդարտ ծրագրեր, որոնք թույլ են տվել մասնակիցներին լրացնել կոդի հատվածներ նվազագույն վրիպազերծմամբ (Ներդիր 1): Երկրորդ անգամ անցկացված հիմնական արձագանքների թվում էին ծրագրավորման վարժությունների վերաբերյալ դրական արձագանքները և մեքենայական ուսուցման նախագծի պլանավորումը ցուցադրելու խնդրանքը: Հետևաբար, մեր երրորդ աշխատաժողովում, որը 2021 թվականի մարտ-ապրիլ ամիսներին 126 բժշկական ուսանողների համար անցկացվեց վիրտուալ եղանակով, մենք ներառեցինք ավելի շատ ինտերակտիվ կոդավորման վարժություններ և նախագծերի վերաբերյալ հետադարձ կապի նիստեր՝ ցույց տալու համար աշխատաժողովի հայեցակարգերի օգտագործման ազդեցությունը նախագծերի վրա։
Տվյալների վերլուծություն. վիճակագրության ուսումնասիրության ոլորտ, որը տվյալների մեջ իմաստալից օրինաչափություններ է բացահայտում՝ վերլուծելով, մշակելով և հաղորդելով դրանք։
Տվյալների հանքարդյունաբերություն. տվյալների նույնականացման և արդյունահանման գործընթաց: Արհեստական ​​​​բանականության համատեքստում սա հաճախ մեծ է, յուրաքանչյուր նմուշի համար բազմաթիվ փոփոխականներով:
Չափսերի կրճատում. Շատ անհատական ​​​​հատկանիշներ ունեցող տվյալները ավելի քիչ հատկանիշների վերածելու գործընթաց՝ միաժամանակ պահպանելով սկզբնական տվյալների հավաքածուի կարևոր հատկությունները։
Բնութագրեր (արհեստական ​​բանականության համատեքստում). նմուշի չափելի հատկություններ։ Հաճախ օգտագործվում է «հատկություն» կամ «փոփոխական» բառերի հետ փոխարինելիորեն։
Գրադիենտային ակտիվացման քարտեզ. Արհեստական ​​բանականության մոդելների (հատկապես՝ կոնվոլյուցիոն նեյրոնային ցանցերի) մեկնաբանման համար օգտագործվող տեխնիկա, որը վերլուծում է ցանցի վերջին մասի օպտիմալացման գործընթացը՝ տվյալների կամ պատկերների բարձր կանխատեսողականությամբ շրջանները նույնականացնելու համար։
Ստանդարտ մոդել. Գոյություն ունեցող արհեստական ​​ինտելեկտի մոդել, որը նախապես մարզվել է նմանատիպ առաջադրանքներ կատարելու համար։
Փորձարկում (արհեստական ​​բանականության համատեքստում). դիտարկել, թե ինչպես է մոդելը կատարում առաջադրանքը՝ օգտագործելով նախկինում չհանդիպած տվյալներ։
Ուսուցում (արհեստական ​​բանականության համատեքստում). մոդելին տվյալներով և արդյունքներով ապահովելը, որպեսզի մոդելը ճշգրտի իր ներքին պարամետրերը՝ նոր տվյալներ օգտագործելով առաջադրանքներ կատարելու իր կարողությունը օպտիմալացնելու համար։
Վեկտոր. տվյալների զանգված։ Մեքենայական ուսուցման մեջ զանգվածի յուրաքանչյուր տարր սովորաբար նմուշի եզակի առանձնահատկություն է։
Աղյուսակ 1-ում ներկայացված են 2021 թվականի ապրիլ ամսվա վերջին դասընթացները, ներառյալ յուրաքանչյուր թեմայի համար նպատակային ուսումնական նպատակները: Այս սեմինարը նախատեսված է տեխնիկական մակարդակին նորեկների համար և չի պահանջում որևէ մաթեմատիկական գիտելիքներ բժշկական բակալավրի աստիճանի առաջին կուրսից հետո: Դասընթացը մշակվել է 6 բժշկական ուսանողների և 3 ուսուցիչների կողմից, որոնք ունեն ինժեներական բարձրագույն աստիճան: Ինժեներները մշակում են արհեստական ​​ինտելեկտի տեսություն՝ դասավանդելու համար, իսկ բժշկական ուսանողները սովորում են կլինիկորեն համապատասխան նյութեր:
Սեմինարները ներառում են դասախոսություններ, դեպքերի ուսումնասիրություններ և ուղղորդվող ծրագրավորում: Առաջին դասախոսության ընթացքում մենք վերանայում ենք կենսաստատիստիկայի տվյալների վերլուծության ընտրված հասկացությունները, ներառյալ տվյալների վիզուալիզացիան, լոգիստիկ ռեգրեսիան և նկարագրական և ինդուկտիվ վիճակագրության համեմատությունը: Չնայած տվյալների վերլուծությունը արհեստական ​​բանականության հիմքն է, մենք բացառում ենք այնպիսի թեմաներ, ինչպիսիք են տվյալների հանքարդյունաբերությունը, նշանակալիության թեստավորումը կամ ինտերակտիվ վիզուալիզացիան: Սա պայմանավորված էր ժամանակի սահմանափակումներով, ինչպես նաև այն պատճառով, որ որոշ բակալավրիատի ուսանողներ նախկինում վերապատրաստվել էին կենսաստատիստիկայի ոլորտում և ցանկանում էին ընդգրկել ավելի յուրահատուկ մեքենայական ուսուցման թեմաներ: Հաջորդող դասախոսությունը ներկայացնում է ժամանակակից մեթոդներ և քննարկում է արհեստական ​​բանականության խնդիրների ձևակերպումը, արհեստական ​​բանականության մոդելների առավելություններն ու սահմանափակումները, ինչպես նաև մոդելի թեստավորումը: Դասախոսությունները լրացվում են գրականությամբ և առկա արհեստական ​​բանականության սարքերի վերաբերյալ գործնական հետազոտություններով: Մենք շեշտը դնում ենք կլինիկական հարցերին պատասխանելու համար մոդելի արդյունավետությունն ու իրագործելիությունը գնահատելու համար անհրաժեշտ հմտությունների վրա, ներառյալ առկա արհեստական ​​բանականության սարքերի սահմանափակումների հասկացումը: Օրինակ, մենք խնդրեցինք ուսանողներին մեկնաբանել Կուպերմանի և այլոց կողմից առաջարկված մանկական գլխի վնասվածքների ուղեցույցները, որոնք իրականացրել են արհեստական ​​բանականության որոշումների ծառի ալգորիթմ՝ որոշելու համար, թե արդյոք համակարգչային տոմոգրաֆիան օգտակար կլինի բժշկի զննման հիման վրա: Մենք ընդգծում ենք, որ սա արհեստական ​​բանականության կողմից բժիշկների համար կանխատեսողական վերլուծություններ տրամադրելու տարածված օրինակ է, այլ ոչ թե փոխարինում է բժիշկներին:
Հասանելի բաց կոդով բութսթրեփ ծրագրավորման օրինակներում (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) մենք ցույց ենք տալիս, թե ինչպես կատարել հետազոտական ​​տվյալների վերլուծություն, չափայնության նվազեցում, ստանդարտ մոդելի բեռնում, ինչպես նաև ուսուցում և փորձարկում: Մենք օգտագործում ենք Google Colaboratory նոթատետրեր (Google LLC, Mountain View, CA), որոնք թույլ են տալիս Python կոդը կատարել վեբ զննարկչից: Նկար 2-ում ներկայացված է ծրագրավորման վարժության օրինակ: Այս վարժությունը ներառում է չարորակ ուռուցքների կանխատեսումը՝ օգտագործելով Wisconsin Open Breast Imaging Dataset6-ը և որոշումների ծառի ալգորիթմը:
Շաբաթվա ընթացքում ներկայացրեք ծրագրեր՝ կապված թեմաների հետ և ընտրեք օրինակներ հրապարակված արհեստական ​​ինտելեկտի կիրառություններից: Ծրագրավորման տարրերը ներառվում են միայն այն դեպքում, եթե դրանք համարվում են համապատասխան ապագա կլինիկական պրակտիկայի վերաբերյալ պատկերացում կազմելու համար, օրինակ՝ թե ինչպես գնահատել մոդելները՝ որոշելու համար, թե արդյոք դրանք պատրաստ են կլինիկական փորձարկումներում օգտագործելու համար: Այս օրինակները ամփոփվում են լիարժեք, ամբողջական կիրառման մեջ, որը դասակարգում է ուռուցքները որպես բարորակ կամ չարորակ՝ հիմնվելով բժշկական պատկերի պարամետրերի վրա:
Նախնական գիտելիքների տարասեռություն։ Մեր մասնակիցները տարբերվում էին իրենց մաթեմատիկական գիտելիքների մակարդակով։ Օրինակ՝ ինժեներական առաջադեմ կրթություն ունեցող ուսանողները փնտրում են ավելի խորը նյութեր, օրինակ՝ ինչպես կատարել իրենց սեփական Ֆուրիեի ձևափոխությունները։ Սակայն Ֆուրիեի ալգորիթմը դասարանում քննարկելը հնարավոր չէ, քանի որ այն պահանջում է ազդանշանների մշակման խորը գիտելիքներ։
Մասնակցության արտահոսք։ Հետագա հանդիպումներին մասնակցությունը նվազել է, հատկապես առցանց ձևաչափերով։ Լուծում կարող է լինել ներկայության հետևումը և ավարտական ​​վկայականի տրամադրումը։ Բժշկական դպրոցները հայտնի են նրանով, որ ճանաչում են ուսանողների արտադասարանական գործունեության ակադեմիական ցուցանիշները, ինչը կարող է խրախուսել ուսանողներին ստանալ աստիճան։
Դասընթացի դիզայն. Քանի որ արհեստական ​​բանականությունը ընդգրկում է բազմաթիվ ենթաոլորտներ, համապատասխան խորության և լայնության հիմնական հասկացությունների ընտրությունը կարող է մարտահրավեր լինել: Օրինակ, արհեստական ​​բանականության գործիքների օգտագործման շարունակականությունը լաբորատորիայից մինչև կլինիկա կարևոր թեմա է: Չնայած մենք ընդգրկում ենք տվյալների նախնական մշակումը, մոդելի կառուցումը և վավերացումը, մենք չենք ներառում այնպիսի թեմաներ, ինչպիսիք են մեծ տվյալների վերլուծությունը, ինտերակտիվ վիզուալիզացիան կամ արհեստական ​​բանականության կլինիկական փորձարկումների անցկացումը, փոխարենը մենք կենտրոնանում ենք արհեստական ​​բանականության ամենաեզակի հասկացությունների վրա: Մեր ուղեցույց սկզբունքը գրագիտության բարելավումն է, այլ ոչ թե հմտությունները: Օրինակ, հասկանալը, թե ինչպես է մոդելը մշակում մուտքային հատկանիշները, կարևոր է մեկնաբանելիության համար: Դա անելու միջոցներից մեկը գրադիենտային ակտիվացման քարտեզների օգտագործումն է, որոնք կարող են պատկերացնել, թե տվյալների որ շրջաններն են կանխատեսելի: Այնուամենայնիվ, սա պահանջում է բազմաչափ հաշվարկ և չի կարող ներդրվել8: Ընդհանուր տերմինաբանության մշակումը մարտահրավեր էր, քանի որ մենք փորձում էինք բացատրել, թե ինչպես աշխատել տվյալների հետ որպես վեկտորներ՝ առանց մաթեմատիկական ֆորմալիզմի: Նկատի ունեցեք, որ տարբեր տերմիններն ունեն նույն իմաստը, օրինակ՝ համաճարակաբանության մեջ «բնութագիրը» նկարագրվում է որպես «փոփոխական» կամ «ատրիբուտ»:
Գիտելիքների պահպանում։ Քանի որ արհեստական ​​բանականության կիրառումը սահմանափակ է, մասնակիցների կողմից գիտելիքների պահպանման չափը դեռևս պարզ չէ։ Բժշկական դպրոցների ուսումնական ծրագրերը հաճախ հիմնվում են պարբերական կրկնության վրա՝ գործնական ռոտացիաների ընթացքում գիտելիքները ամրապնդելու համար,9 որը կարող է կիրառվել նաև արհեստական ​​բանականության կրթության մեջ։
Պրոֆեսիոնալիզմն ավելի կարևոր է, քան գրագիտությունը։ Նյութի խորությունը մշակված է առանց մաթեմատիկական խստության, ինչը խնդիր էր արհեստական ​​բանականության կլինիկական դասընթացները մեկնարկելիս։ Ծրագրավորման օրինակներում մենք օգտագործում ենք ձևանմուշային ծրագիր, որը թույլ է տալիս մասնակիցներին լրացնել դաշտերը և գործարկել ծրագիրը՝ առանց ամբողջական ծրագրավորման միջավայր ստեղծելու եղանակը պարզելու։
Արհեստական ​​բանականության վերաբերյալ մտահոգությունները, որոնք քննարկվել են. լայնորեն տարածված է մտահոգությունը, որ արհեստական ​​բանականությունը կարող է փոխարինել որոշ կլինիկական պարտականությունների3: Այս հարցը լուծելու համար մենք բացատրում ենք արհեստական ​​բանականության սահմանափակումները, այդ թվում՝ այն փաստը, որ կարգավորող մարմինների կողմից հաստատված գրեթե բոլոր արհեստական ​​բանականության տեխնոլոգիաները պահանջում են բժշկի հսկողություն11: Մենք նաև ընդգծում ենք կողմնակալության կարևորությունը, քանի որ ալգորիթմները հակված են կողմնակալության, հատկապես, եթե տվյալների բազմությունը բազմազան չէ12: Հետևաբար, որոշակի ենթախումբ կարող է սխալ մոդելավորվել, ինչը կհանգեցնի անարդար կլինիկական որոշումների:
Ռեսուրսները հանրությանը հասանելի են. Մենք ստեղծել ենք հանրությանը հասանելի ռեսուրսներ, այդ թվում՝ դասախոսությունների սլայդներ և կոդ: Չնայած սինխրոն բովանդակությանը հասանելիությունը սահմանափակ է ժամային գոտիների պատճառով, բաց կոդով բովանդակությունը հարմար մեթոդ է ասինխրոն ուսուցման համար, քանի որ արհեստական ​​բանականության փորձագիտությունը հասանելի չէ բոլոր բժշկական դպրոցներում:
Միջառարկայական համագործակցություն. Այս աշխատաժողովը բժշկական ուսանողների կողմից նախաձեռնված համատեղ ձեռնարկություն է՝ ինժեներների հետ համատեղ դասընթացներ պլանավորելու համար: Սա ցույց է տալիս համագործակցության հնարավորությունները և գիտելիքների բացերը երկու ոլորտներում՝ թույլ տալով մասնակիցներին հասկանալ այն հնարավոր դերը, որը նրանք կարող են ունենալ ապագայում:
Սահմանեք արհեստական ​​բանականության հիմնական կարողությունները: Կարողությունների ցանկի սահմանումը ապահովում է ստանդարտացված կառուցվածք, որը կարող է ինտեգրվել առկա կարողությունների վրա հիմնված բժշկական ուսումնական ծրագրերում: Այս աշխատաժողովն այժմ օգտագործում է Բլումի տաքսոնոմիայի 2-րդ (հասկացողություն), 3-րդ (կիրառում) և 4-րդ (վերլուծություն) ուսումնական նպատակների մակարդակները: Դասակարգման ավելի բարձր մակարդակներում ռեսուրսների առկայությունը, ինչպիսիք են նախագծերի ստեղծումը, կարող է էլ ավելի ամրապնդել գիտելիքները: Սա պահանջում է կլինիկական փորձագետների հետ համագործակցություն՝ որոշելու համար, թե ինչպես կարելի է արհեստական ​​բանականության թեմաները կիրառել կլինիկական աշխատանքային հոսքերում և կանխելու համար ստանդարտ բժշկական ուսումնական ծրագրերում արդեն ներառված կրկնվող թեմաների դասավանդումը:
Ստեղծեք դեպքերի ուսումնասիրություններ՝ օգտագործելով արհեստական ​​բանականություն: Նման կլինիկական օրինակներին, դեպքերի վրա հիմնված ուսուցումը կարող է ամրապնդել վերացական հասկացությունները՝ ընդգծելով դրանց համապատասխանությունը կլինիկական հարցերի հետ: Օրինակ, մեկ սեմինարի ուսումնասիրություն վերլուծել է Google-ի արհեստական ​​բանականության վրա հիմնված դիաբետիկ ռետինոպաթիայի հայտնաբերման համակարգը 13՝ լաբորատորիայից կլինիկա անցնելու ճանապարհին առկա մարտահրավերները բացահայտելու համար, ինչպիսիք են արտաքին վավերացման պահանջները և կարգավորող մարմինների հաստատման ուղիները:
Օգտագործեք փորձառական ուսուցում. Տեխնիկական հմտությունները պահանջում են կենտրոնացված պրակտիկա և բազմակի կիրառում՝ դրանք տիրապետելու համար, նման կլինիկական պրակտիկանտների ռոտացիոն ուսուցման փորձին: Հնարավոր լուծումներից մեկը շրջված դասարանի մոդելն է, որը, ինչպես հաղորդվում է, բարելավում է գիտելիքների պահպանումը ճարտարագիտական ​​կրթության մեջ14: Այս մոդելում ուսանողները անկախ կերպով վերանայում են տեսական նյութը, և դասաժամը նվիրվում է խնդիրների լուծմանը դեպքերի ուսումնասիրության միջոցով:
Մասշտաբավորում բազմամասնագիտական ​​մասնակիցների համար. Մենք նախատեսում ենք արհեստական ​​բանականության ներդրումը, որը ենթադրում է համագործակցություն բազմաթիվ մասնագիտությունների միջև, այդ թվում՝ բժիշկների և տարբեր մակարդակի պատրաստվածություն ունեցող դաշնակից առողջապահության մասնագետների միջև: Հետևաբար, ուսումնական ծրագրերը կարող են անհրաժեշտ լինել մշակել տարբեր ամբիոնների դասախոսների հետ խորհրդակցելով՝ դրանց բովանդակությունը առողջապահության տարբեր ոլորտներին հարմարեցնելու համար:
Արհեստական ​​բանականությունը բարձր տեխնոլոգիական է, և դրա հիմնական հասկացությունները կապված են մաթեմատիկայի և համակարգչային գիտության հետ: Առողջապահության ոլորտի մասնագետներին արհեստական ​​բանականությունը հասկանալու համար վերապատրաստելը եզակի մարտահրավերներ է ներկայացնում բովանդակության ընտրության, կլինիկական արդիականության և մատուցման մեթոդների առումով: Մենք հույս ունենք, որ «Արհեստական ​​բանականությունը կրթության մեջ» աշխատաժողովներից ստացված գիտելիքները կօգնեն ապագա մանկավարժներին ընդունել արհեստական ​​բանականությունը բժշկական կրթության մեջ ինտեգրելու նորարարական եղանակներ:
Google Colaboratory Python սկրիպտը բաց կոդով է և հասանելի է հետևյալ հասցեով՝ https://github.com/ubcaimed/ubcaimed.github.io/tree/master/:
Պրոբեր, Կ.Գ. և Խան, Ս. Բժշկական կրթության վերանայում. կոչ գործողության: Աքքադ. բժշկություն. 88, 1407–1410 (2013):
Մաքքոյ, Լ.Գ. և այլն։ Ի՞նչ պետք է բժշկական ուսանողները իրականում իմանան արհեստական ​​բանականության մասին։ NPZh թվեր։ Բժշկություն 3, 1–3 (2020)։
Դոս Սանտոս, Դ.Պ. և այլք։ Բժշկական ուսանողների վերաբերմունքը արհեստական ​​բանականության նկատմամբ. բազմակենտրոն հարցում։ EURO. radiation. 29, 1640–1646 (2019)։
Ֆան, Կենտուկի, Հու, Ռ., և Սինգլա, Ռ.։ Մեքենայական ուսուցման ներածություն բժշկական ուսանողների համար. փորձնական նախագիծ։ J. Med. teach. 54, 1042–1043 (2020)։
Քուփերման Ն. և այլք։ Գլխի վնասվածքից հետո կլինիկորեն նշանակալի ուղեղի վնասվածքի շատ ցածր ռիսկի ենթարկված երեխաների նույնականացումը. հեռանկարային կոհորտային ուսումնասիրություն։ Lancet 374, 1160–1170 (2009)։
Սթրիթ, Վ.Ն., Վոլբերգ, Վ.Հ. և Մանգասարյան, Օլ.: Կրծքագեղձի ուռուցքի ախտորոշման համար միջուկային առանձնահատկությունների արդյունահանում: Կենսաբժշկական գիտություն: Պատկերի մշակում: Կենսաբժշկական գիտություն: Վայս: 1905, 861–870 (1993):
Չեն, Առողջապահության ազգային կենտրոն, Լյու, Յ. և Պենգ, Լ. Ինչպես մշակել մեքենայական ուսուցման մոդելներ առողջապահության համար: Բնական գիտությունների հանդես 18, 410–414 (2019):
Սելվարաջու, Ռ.Ռ. և այլք։ Գրադ-քեմ. խորը ցանցերի տեսողական մեկնաբանություն գրադիենտային տեղայնացման միջոցով։ IEEE-ի համակարգչային տեսողության միջազգային կոնֆերանսի նյութեր, 618–626 (2017)։
Կումարավել Բ., Ստյուարտ Կ. և Իլիչ Դ. Բժշկական կրթության բակալավրիատում ապացույցների վրա հիմնված բժշկության կարողությունների գնահատման համար OSCE-ի միջոցով պարուրաձև մոդելի մշակում և գնահատում: BMK Medicine. teach. 21, 1–9 (2021):
Կոլաչալամա Վ.Բ. և Գարգ Պ.Ս. Մեքենայական ուսուցում և բժշկական կրթություն։ NPZh թվեր։ Բժշկություն։ 1, 1–3 (2018)։
van Leeuwen, KG, Schalekamp, ​​S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Արհեստական ​​ինտելեկտը ճառագայթաբանության մեջ. 100 առևտրային արտադրանք և դրանց գիտական ​​ապացույցները: ԵՎՐՈ. ճառագայթում. 31, 3797–3804 (2021):
Տոպոլ, Է.Ջ. Բարձր արդյունավետության բժշկություն. մարդկային և արհեստական ​​բանականության միաձուլումը։ Nat. medicine. 25, 44–56 (2019)։
Բեդե, Է. և այլք։ Դիաբետիկ ռետինոպաթիայի հայտնաբերման համար կլինիկայում տեղադրված խորը ուսուցման համակարգի մարդակենտրոն գնահատում։ Հաշվողական համակարգերում մարդկային գործոնների վերաբերյալ 2020 CHI կոնֆերանսի նյութեր (2020)։
Քեր, Բ.։ Ճարտարագիտական ​​կրթության մեջ շրջված դասարանը. Հետազոտական ​​ակնարկ։ 2015 թվականի Ինտերակտիվ համագործակցային ուսուցման միջազգային կոնֆերանսի նյութեր (2015)։
Հեղինակները շնորհակալություն են հայտնում Դանիել Ուոքերին, Թիմ Սալկուդինին և Պիտեր Զանդստրային Բրիտանական Կոլումբիայի համալսարանի կենսաբժշկական պատկերման և արհեստական ​​բանականության հետազոտությունների կլաստերից՝ աջակցության և ֆինանսավորման համար։
ՌՀ-ն, ՊՊ-ն, ԶՀ-ն, ՌՍ-ն և ՄԱ-ն պատասխանատու էին սեմինարի դասավանդման բովանդակության մշակման համար։ ՌՀ-ն և ՊՊ-ն պատասխանատու էին ծրագրավորման օրինակների մշակման համար։ ԿՅՖ-ն, ՕՅ-ն, ՄՏ-ն և ՊՎ-ն պատասխանատու էին նախագծի լոգիստիկ կազմակերպման և սեմինարների վերլուծության համար։ ՌՀ-ն, ՕՅ-ն, ՄՏ-ն, ՌՍ-ն պատասխանատու էին նկարների և աղյուսակների ստեղծման համար։ ՌՀ-ն, ԿՅՖ-ն, ՊՊ-ն, ԶՀ-ն, ՕՅ-ն, ՄՅ-ն, ՊՎ-ն, ԹԼ-ն, ՄԱ-ն, ՌՍ-ն պատասխանատու էին փաստաթղթի նախագծման և խմբագրման համար։
«Communication Medicine»-ը շնորհակալություն է հայտնում Քերոլին ՄաքԳրեգորին, Ֆաբիո Մորաեսին և Ադիտյա Բորակատիին՝ այս աշխատանքի գրախոսությանը իրենց ներդրման համար։