Կանադայի տեսակետը բժշկական ուսանողներին արհեստական ​​ինտելեկտի ուսուցման վերաբերյալ

Շնորհակալություն Nature.com այցելելու համար:Ձեր օգտագործած բրաուզերի տարբերակը ունի սահմանափակ CSS աջակցություն:Լավագույն արդյունքների համար խորհուրդ ենք տալիս օգտագործել ձեր բրաուզերի ավելի նոր տարբերակը (կամ անջատել համատեղելիության ռեժիմը Internet Explorer-ում):Միևնույն ժամանակ, շարունակական աջակցություն ապահովելու համար մենք կայքը ցուցադրում ենք առանց ոճավորման կամ JavaScript-ի:
Կլինիկական արհեստական ​​ինտելեկտի (AI) կիրառությունները արագորեն աճում են, սակայն առկա բժշկական դպրոցների ուսումնական ծրագրերն առաջարկում են սահմանափակ ուսուցում, որն ընդգրկում է այս ոլորտը:Այստեղ մենք նկարագրում ենք արհեստական ​​ինտելեկտի վերապատրաստման դասընթացը, որը մենք մշակել և տրամադրել ենք կանադացի բժշկական ուսանողներին և առաջարկություններ ենք անում ապագա վերապատրաստման համար:
Արհեստական ​​ինտելեկտը (AI) բժշկության մեջ կարող է բարելավել աշխատավայրի արդյունավետությունը և օգնել կլինիկական որոշումների կայացմանը:Արհեստական ​​ինտելեկտի կիրառումը անվտանգ առաջնորդելու համար բժիշկները պետք է որոշակի պատկերացում ունենան արհեստական ​​ինտելեկտի մասին:Շատ մեկնաբանություններ պաշտպանում են AI հասկացությունների ուսուցումը1, ինչպիսիք են AI մոդելների բացատրությունը և ստուգման գործընթացները2:Այնուամենայնիվ, քիչ կառուցվածքային ծրագրեր են իրականացվել, հատկապես ազգային մակարդակով:Pinto dos Santos et al.3.Հարցմանը մասնակցել են 263 բժշկական ուսանողներ, և 71%-ը համաձայնել է, որ արհեստական ​​ինտելեկտի ոլորտում վերապատրաստման կարիք ունի:Բժշկական լսարանին արհեստական ​​ինտելեկտի ուսուցումը պահանջում է զգույշ ձևավորում, որը համատեղում է տեխնիկական և ոչ տեխնիկական հայեցակարգերը ուսանողների համար, ովքեր հաճախ ունեն լայնածավալ նախնական գիտելիքներ:Մենք նկարագրում ենք մեր փորձը՝ մի շարք AI սեմինարներ մատուցելով բժշկական ուսանողների երեք խմբերին և առաջարկություններ ենք անում AI-ում ապագա բժշկական կրթության համար:
Մեր հնգշաբաթյա «Ներածություն արհեստական ​​ինտելեկտին բժշկության մեջ» սեմինարը բժշկական ուսանողների համար անցկացվել է երեք անգամ 2019 թվականի փետրվարից մինչև 2021 թվականի ապրիլ ընկած ժամանակահատվածում: Յուրաքանչյուր աշխատաժողովի ժամանակացույցը՝ դասընթացի փոփոխությունների համառոտ նկարագրությամբ, ներկայացված է Նկար 1-ում: Ուսանողները հասկանում են, թե ինչպես են տվյալները մշակվում արհեստական ​​ինտելեկտի հավելվածներում, վերլուծում են արհեստական ​​բանականության գրականությունը կլինիկական կիրառությունների համար և օգտվում են արհեստական ​​ինտելեկտը մշակող ինժեներների հետ համագործակցելու հնարավորություններից:
Կապույտը դասախոսության թեման է, իսկ բաց կապույտը ինտերակտիվ հարց ու պատասխանի շրջանն է:Մոխրագույն հատվածը գրականության համառոտ ակնարկի ուշադրության կենտրոնում է:Նարնջագույն հատվածները ընտրված դեպքերի ուսումնասիրություններ են, որոնք նկարագրում են արհեստական ​​ինտելեկտի մոդելները կամ տեխնիկան:Green-ը ղեկավարվող ծրագրավորման դասընթաց է, որը նախատեսված է արհեստական ​​ինտելեկտին սովորեցնելու կլինիկական խնդիրներ լուծելու և մոդելների գնահատման համար:Սեմինարների բովանդակությունը և տևողությունը տատանվում են՝ ելնելով ուսանողների կարիքների գնահատումից:
Առաջին աշխատաժողովն անցկացվել է Բրիտանական Կոլումբիայի համալսարանում 2019 թվականի փետրվարից ապրիլ, և բոլոր 8 մասնակիցները տվել են դրական արձագանք4:COVID-19-ի պատճառով երկրորդ սեմինարը գործնականում անցկացվել է 2020 թվականի հոկտեմբեր-նոյեմբեր ամիսներին, որտեղ գրանցվել են 222 բժշկական ուսանողներ և 3 ռեզիդենտներ Կանադայի 8 բժշկական դպրոցներից։Ներկայացման սլայդները և կոդը վերբեռնվել են բաց հասանելիության կայք (http://ubcaimed.github.io):Առաջին կրկնությունից հիմնական արձագանքն այն էր, որ դասախոսությունները չափազանց ինտենսիվ էին, իսկ նյութը չափազանց տեսական:Կանադայի վեց տարբեր ժամային գոտիների սպասարկումը լրացուցիչ մարտահրավերներ է ստեղծում:Այսպիսով, երկրորդ սեմինարը կրճատեց յուրաքանչյուր նիստը մինչև 1 ժամ, պարզեցրեց դասընթացի նյութը, ավելացրեց ավելի շատ դեպքերի ուսումնասիրություն և ստեղծեց կաթսայի ծրագրեր, որոնք մասնակիցներին թույլ էին տալիս լրացնել ծածկագրի հատվածները նվազագույն կարգաբերումով (Վանդակ 1):Երկրորդ կրկնությունից հիմնական արձագանքները ներառում էին դրական արձագանքներ ծրագրավորման վարժությունների վերաբերյալ և մեքենայական ուսուցման նախագծի պլանավորումը ցուցադրելու խնդրանք:Հետևաբար, մեր երրորդ աշխատաժողովում, որը գործնականում անցկացվել է 126 բժշկական ուսանողների համար 2021 թվականի մարտ-ապրիլին, մենք ներառել ենք ավելի ինտերակտիվ կոդավորման վարժություններ և նախագծերի հետադարձ կապի նիստեր՝ ցուցադրելու սեմինարի հայեցակարգերի օգտագործման ազդեցությունը նախագծերի վրա:
Տվյալների վերլուծություն. Վիճակագրության ուսումնասիրության ոլորտ, որը բացահայտում է տվյալների իմաստալից օրինաչափությունները՝ վերլուծելով, մշակելով և փոխանցելով տվյալների օրինաչափությունները:
Տվյալների արդյունահանում. տվյալների նույնականացման և արդյունահանման գործընթաց:Արհեստական ​​ինտելեկտի համատեքստում սա հաճախ մեծ է՝ յուրաքանչյուր նմուշի համար մի քանի փոփոխականներով:
Չափերի կրճատում. բազմաթիվ անհատական ​​հատկանիշներով տվյալները ավելի քիչ հատկանիշների վերածելու գործընթաց՝ պահպանելով սկզբնական տվյալների հավաքածուի կարևոր հատկությունները:
Բնութագրերը (արհեստական ​​ինտելեկտի համատեքստում). նմուշի չափելի հատկություններ:Հաճախ օգտագործվում է որպես «հատկություն» կամ «փոփոխական» փոխադարձաբար:
Գրադիենտ ակտիվացման քարտեզ. տեխնիկա, որն օգտագործվում է արհեստական ​​ինտելեկտի մոդելների (հատկապես կոնվոլյուցիոն նեյրոնային ցանցերի) մեկնաբանման համար, որը վերլուծում է ցանցի վերջին մասի օպտիմիզացման գործընթացը՝ հայտնաբերելու տվյալների կամ պատկերների տարածքները, որոնք բարձր կանխատեսելի են:
Ստանդարտ մոդել. գոյություն ունեցող արհեստական ​​ինտելեկտի մոդել, որը նախապես վերապատրաստվել է նմանատիպ առաջադրանքներ կատարելու համար:
Թեստավորում (արհեստական ​​ինտելեկտի համատեքստում). դիտարկել, թե ինչպես է մոդելը կատարում առաջադրանքը՝ օգտագործելով նախկինում չհանդիպած տվյալները:
Ուսուցում (արհեստական ​​ինտելեկտի համատեքստում). Տվյալներով և արդյունքներով մոդելի տրամադրում, որպեսզի մոդելը կարգավորի իր ներքին պարամետրերը՝ նոր տվյալների միջոցով առաջադրանքներ կատարելու իր կարողությունը օպտիմալացնելու համար:
Վեկտոր՝ տվյալների զանգված:Մեքենայի ուսուցման մեջ զանգվածի յուրաքանչյուր տարր սովորաբար նմուշի եզակի հատկանիշն է:
Աղյուսակ 1-ում թվարկված են 2021 թվականի ապրիլի վերջին դասընթացները, ներառյալ յուրաքանչյուր թեմայի նպատակային ուսուցման նպատակները:Այս սեմինարը նախատեսված է տեխնիկական մակարդակի նորեկների համար և չի պահանջում որևէ մաթեմատիկական գիտելիքներ բակալավրիատի բժշկական աստիճանի առաջին կուրսից հետո:Դասընթացը մշակվել է 6 բժշկական ուսանողների և 3 ուսուցիչների կողմից՝ ճարտարագիտության բարձրագույն աստիճանով:Ինժեներները մշակում են արհեստական ​​ինտելեկտի տեսություն՝ դասավանդելու համար, իսկ բժշկական ուսանողները սովորում են կլինիկական համապատասխան նյութեր:
Սեմինարները ներառում են դասախոսություններ, դեպքերի ուսումնասիրություններ և ուղղորդված ծրագրավորում:Առաջին դասախոսության ընթացքում մենք վերանայում ենք կենսավիճակագրության մեջ տվյալների վերլուծության ընտրված հասկացությունները, ներառյալ տվյալների արտացոլումը, լոգիստիկ ռեգրեսիան և նկարագրական և ինդուկտիվ վիճակագրության համեմատությունը:Չնայած տվյալների վերլուծությունը արհեստական ​​ինտելեկտի հիմքն է, մենք բացառում ենք այնպիսի թեմաներ, ինչպիսիք են տվյալների արդյունահանումը, նշանակության փորձարկումը կամ ինտերակտիվ վիզուալիզացիան:Դա պայմանավորված էր ժամանակի սահմանափակումներով և նաև այն պատճառով, որ բակալավրիատի որոշ ուսանողներ նախնական վերապատրաստում են անցել կենսավիճակագրության ոլորտում և ցանկանում էին լուսաբանել մեքենայական ուսուցման ավելի յուրահատուկ թեմաներ:Հետագա դասախոսությունը ներկայացնում է ժամանակակից մեթոդներ և քննարկում AI խնդիրների ձևակերպումը, AI մոդելների առավելություններն ու սահմանափակումները և մոդելների փորձարկումը:Դասախոսությունները համալրվում են գրականությամբ և գործնական հետազոտություններով՝ առկա արհեստական ​​ինտելեկտի սարքերի վերաբերյալ:Մենք ընդգծում ենք կլինիկական հարցերը լուծելու համար մոդելի արդյունավետությունն ու իրագործելիությունը գնահատելու համար պահանջվող հմտությունները, այդ թվում՝ հասկանալու գոյություն ունեցող արհեստական ​​ինտելեկտի սարքերի սահմանափակումները:Օրինակ, մենք ուսանողներին խնդրեցինք մեկնաբանել մանկական գլխի վնասվածքի ուղեցույցները, որոնք առաջարկվել էին Kupperman et al.-ի կողմից, 5, որն իրականացրեց արհեստական ​​ինտելեկտի որոշման ծառի ալգորիթմ՝ որոշելու համար, թե արդյոք CT սկանավորումն օգտակար կլինի՝ հիմնվելով բժշկի հետազոտության վրա:Մենք շեշտում ենք, որ սա արհեստական ​​ինտելեկտի սովորական օրինակ է, որն ապահովում է կանխատեսող վերլուծություններ բժիշկների համար՝ մեկնաբանելու համար, այլ ոչ թե փոխարինում է բժիշկներին:
Հասանելի բաց կոդով bootstrap ծրագրավորման օրինակներում (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) մենք ցույց ենք տալիս, թե ինչպես կատարել տվյալների հետախուզական վերլուծություն, չափերի կրճատում, ստանդարտ մոդելի բեռնում և ուսուցում: .և փորձարկում:Մենք օգտագործում ենք Google Colaboratory նոթատետրեր (Google LLC, Mountain View, CA), որոնք թույլ են տալիս Python-ի կոդը կատարել վեբ բրաուզերից:Նկար 2-ում ներկայացված է ծրագրավորման վարժության օրինակ:Այս վարժությունը ներառում է չարորակ նորագոյացությունների կանխատեսում` օգտագործելով Wisconsin Open Breast Imaging Dataset6-ը և որոշումների ծառի ալգորիթմը:
Շաբաթվա ընթացքում ներկայացրեք ծրագրեր հարակից թեմաներով և ընտրեք օրինակներ հրապարակված AI հավելվածներից:Ծրագրավորման տարրերը ներառված են միայն այն դեպքում, եթե դրանք համապատասխան են համարվում ապագա կլինիկական պրակտիկայի վերաբերյալ պատկերացում կազմելու համար, օրինակ՝ ինչպես գնահատել մոդելները՝ որոշելու, թե արդյոք դրանք պատրաստ են կլինիկական փորձարկումներում օգտագործելու համար:Այս օրինակները գագաթնակետին են հասնում ամբողջական ավարտից մինչև վերջ հավելվածով, որը դասակարգում է ուռուցքները որպես բարորակ կամ չարորակ՝ հիմնվելով բժշկական պատկերի պարամետրերի վրա:
Նախնական գիտելիքների անհամատեղելիություն.Մեր մասնակիցները տարբերվում էին մաթեմատիկական գիտելիքների մակարդակով:Օրինակ, առաջադեմ ինժեներական ծագում ունեցող ուսանողները փնտրում են ավելի խորը նյութ, օրինակ՝ ինչպես կատարել իրենց սեփական Ֆուրիեի փոխակերպումները:Այնուամենայնիվ, Ֆուրիեի ալգորիթմի քննարկումը դասարանում հնարավոր չէ, քանի որ այն պահանջում է ազդանշանի մշակման խորը գիտելիքներ:
Հաճախումների արտահոսք.Հետագա հանդիպումներին հաճախելը նվազել է, հատկապես առցանց ձևաչափերով:Լուծումը կարող է լինել հաճախելիությանը հետևելը և ավարտական ​​վկայական տրամադրելը:Հայտնի է, որ բժշկական դպրոցները ճանաչում են ուսանողների արտադպրոցական ակադեմիական գործունեության վերնագրերը, ինչը կարող է խրախուսել ուսանողներին կրթություն ստանալ:
Դասընթացի ձևավորում. Քանի որ AI-ն ընդգրկում է շատ ենթադաշտեր, համապատասխան խորության և լայնության հիմնական հասկացությունների ընտրությունը կարող է դժվար լինել:Օրինակ, AI գործիքների օգտագործման շարունակականությունը լաբորատորիայից մինչև կլինիկա կարևոր թեմա է:Թեև մենք ծածկում ենք տվյալների նախնական մշակումը, մոդելի կառուցումը և վավերացումը, մենք չենք ներառում այնպիսի թեմաներ, ինչպիսիք են մեծ տվյալների վերլուծությունը, ինտերակտիվ վիզուալիզացիան կամ AI կլինիկական փորձարկումների անցկացումը, փոխարենը մենք կենտրոնանում ենք AI-ի ամենաեզակի հասկացությունների վրա:Մեր առաջնորդող սկզբունքն է բարելավել գրագիտությունը, ոչ թե հմտությունները:Օրինակ, մեկնաբանելիության համար կարևոր է հասկանալ, թե ինչպես է մոդելը մշակում մուտքային հատկանիշները:Դա անելու եղանակներից մեկն է օգտագործել գրադիենտ ակտիվացման քարտեզները, որոնք կարող են պատկերացնել, թե տվյալների որ շրջաններն են կանխատեսելի:Այնուամենայնիվ, սա պահանջում է բազմաչափ հաշվարկ և չի կարող ներդրվել8:Ընդհանուր տերմինաբանության մշակումը դժվար էր, քանի որ մենք փորձում էինք բացատրել, թե ինչպես աշխատել տվյալների հետ որպես վեկտորներ՝ առանց մաթեմատիկական ֆորմալիզմի:Նկատի ունեցեք, որ տարբեր տերմիններ ունեն նույն նշանակությունը, օրինակ, համաճարակաբանության մեջ «բնութագիրը» նկարագրվում է որպես «փոփոխական» կամ «հատկանիշ»:
Գիտելիքների պահպանում.Քանի որ AI-ի կիրառումը սահմանափակ է, մնում է պարզել, թե որքանով են մասնակիցները պահպանում գիտելիքները:Բժշկական դպրոցների ուսումնական ծրագրերը հաճախ հիմնվում են տարածված կրկնության վրա՝ գործնական պտույտների ժամանակ գիտելիքները ամրապնդելու համար,9 որը կարող է կիրառվել նաև AI կրթության համար:
Պրոֆեսիոնալիզմն ավելի կարևոր է, քան գրագիտությունը.Նյութի խորությունը նախագծված է առանց մաթեմատիկական խստության, ինչը խնդիր էր արհեստական ​​ինտելեկտի կլինիկական դասընթացներ սկսելու ժամանակ։Ծրագրավորման օրինակներում մենք օգտագործում ենք կաղապարային ծրագիր, որը մասնակիցներին թույլ է տալիս լրացնել դաշտերը և գործարկել ծրագրակազմը՝ առանց պարզելու, թե ինչպես ստեղծել ամբողջական ծրագրավորման միջավայր:
Արհեստական ​​ինտելեկտի վերաբերյալ մտահոգությունները լուծված են. Համատարած մտահոգություն կա, որ արհեստական ​​ինտելեկտը կարող է փոխարինել որոշ կլինիկական պարտականություններ3:Այս խնդիրը լուծելու համար մենք բացատրում ենք AI-ի սահմանափակումները, ներառյալ այն փաստը, որ կարգավորիչների կողմից հաստատված AI-ի գրեթե բոլոր տեխնոլոգիաները պահանջում են բժշկի հսկողություն11:Մենք նաև շեշտում ենք կողմնակալության կարևորությունը, քանի որ ալգորիթմները հակված են կողմնակալության, հատկապես, եթե տվյալների հավաքածուն բազմազան չէ12:Հետևաբար, որոշակի ենթախումբ կարող է սխալ մոդելավորվել՝ հանգեցնելով անարդար կլինիկական որոշումների:
Ռեսուրսները հասանելի են հանրությանը. մենք ստեղծել ենք հանրությանը հասանելի ռեսուրսներ, ներառյալ դասախոսությունների սլայդները և ծածկագիրը:Թեև համաժամանակյա բովանդակության հասանելիությունը սահմանափակ է ժամային գոտիների պատճառով, բաց կոդով բովանդակությունը հարմար մեթոդ է ասինխրոն ուսուցման համար, քանի որ AI-ի փորձաքննությունը հասանելի չէ բոլոր բժշկական դպրոցներում:
Միջառարկայական համագործակցություն. Այս սեմինարը համատեղ ձեռնարկություն է, որը նախաձեռնվել է բժշկական ուսանողների կողմից՝ ինժեներների հետ համատեղ դասընթացներ պլանավորելու համար:Սա ցույց է տալիս համագործակցության հնարավորությունները և գիտելիքների բացերը երկու ոլորտներում՝ թույլ տալով մասնակիցներին հասկանալ ապագայում իրենց ունեցած պոտենցիալ դերը:
Սահմանեք AI-ի հիմնական իրավասությունները:Իրավասությունների ցանկի սահմանումը ապահովում է ստանդարտացված կառուցվածք, որը կարող է ինտեգրվել գոյություն ունեցող իրավասությունների վրա հիմնված բժշկական ուսումնական ծրագրերին:Այս սեմինարը ներկայումս օգտագործում է Բլումի Տաքսոնոմիայի 2-րդ ուսուցման նպատակի մակարդակները (ըմբռնում), 3 (կիրառում) և 4 (վերլուծություն):Դասակարգման ավելի բարձր մակարդակներում ռեսուրսներ ունենալը, ինչպիսին է նախագծերի ստեղծումը, կարող է ավելի ամրապնդել գիտելիքները:Սա պահանջում է աշխատել կլինիկական փորձագետների հետ՝ որոշելու, թե ինչպես AI թեմաները կարող են կիրառվել կլինիկական աշխատանքային հոսքերի վրա և կանխել կրկնվող թեմաների ուսուցումը, որոնք արդեն ներառված են ստանդարտ բժշկական ուսումնական ծրագրերում:
Ստեղծեք դեպքերի ուսումնասիրություններ՝ օգտագործելով AI:Կլինիկական օրինակների նման, դեպքերի վրա հիմնված ուսուցումը կարող է ամրապնդել վերացական հասկացությունները՝ ընդգծելով դրանց համապատասխանությունը կլինիկական հարցերի հետ:Օրինակ՝ սեմինարի մեկ ուսումնասիրությունը վերլուծել է Google-ի արհեստական ​​ինտելեկտի վրա հիմնված դիաբետիկ ռետինոպաթիայի հայտնաբերման համակարգը 13՝ հայտնաբերելու մարտահրավերները լաբորատորիայից կլինիկա ճանապարհին, ինչպիսիք են արտաքին վավերացման պահանջները և կարգավորող հաստատման ուղիները:
Օգտագործեք փորձառական ուսուցում. Տեխնիկական հմտությունները պահանջում են կենտրոնացված պրակտիկա և յուրացման համար կրկնվող կիրառում, որը նման է կլինիկական վերապատրաստվողների պտտվող ուսուցման փորձին:Հնարավոր լուծումներից մեկը շրջված դասասենյակի մոդելն է, որը հաղորդվում է, որ բարելավում է գիտելիքների պահպանումը ինժեներական կրթության մեջ14:Այս մոդելում ուսանողները ինքնուրույն վերանայում են տեսական նյութը և դասաժամը տրամադրվում է դեպքերի ուսումնասիրության միջոցով խնդիրների լուծմանը:
Սանդղակավորում բազմամասնագիտական ​​մասնակիցների համար. մենք նախատեսում ենք AI-ի ընդունումը, որը ներառում է համագործակցություն բազմաթիվ առարկաների միջև, ներառյալ բժիշկների և հարակից առողջապահական մասնագետների՝ տարբեր մակարդակների ուսուցմամբ:Հետևաբար, ուսումնական ծրագրերը կարող են անհրաժեշտ լինել մշակել տարբեր բաժինների դասախոսների հետ խորհրդակցելով՝ դրանց բովանդակությունը առողջապահության տարբեր ոլորտներին համապատասխանեցնելու համար:
Արհեստական ​​ինտելեկտը բարձր տեխնոլոգիաներ է, և դրա հիմնական հասկացությունները կապված են մաթեմատիկայի և համակարգչային գիտության հետ:Արհեստական ​​ինտելեկտը հասկանալու համար առողջապահական անձնակազմի վերապատրաստումը եզակի մարտահրավերներ է ներկայացնում բովանդակության ընտրության, կլինիկական համապատասխանության և առաքման մեթոդների մեջ:Մենք հուսով ենք, որ AI-ի կրթության սեմինարներից ստացված պատկերացումները կօգնեն ապագա մանկավարժներին որդեգրել արհեստական ​​ինտելեկտը բժշկական կրթության մեջ ինտեգրելու նորարարական ուղիները:
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 վերաիմաստավորում. գործողության կոչ:Աքքադ.դեղ.88, 1407–1410 (2013):
McCoy, LG և այլն: Ի՞նչ պետք է իրականում իմանան բժշկական ուսանողները արհեստական ​​ինտելեկտի մասին:NPZh համարներ.Բժշկություն 3, 1–3 (2020):
Dos Santos, DP, et al.Բժշկական ուսանողների վերաբերմունքը արհեստական ​​ինտելեկտի նկատմամբ. բազմակենտրոն հարցում.ԵՎՐՈ.ճառագայթում.29, 1640–1646 (2019):
Fan, KY, Hu, R. և Singla, R. Բժշկական ուսանողների համար մեքենայական ուսուցման ներածություն. փորձնական նախագիծ:J. Med.սովորեցնել.54, 1042–1043 (2020):
Cooperman N, et al.Գլխի վնասվածքից հետո կլինիկական նշանակալի ուղեղի վնասվածքի շատ ցածր ռիսկ ունեցող երեխաների նույնականացում. հեռանկարային կոհորտային ուսումնասիրություն:Lancet 374, 1160–1170 (2009):
Փողոց, WN, Wolberg, WH և Mangasarian, OL.Կրծքագեղձի ուռուցքի ախտորոշման համար միջուկային հատկանիշի հեռացում.Կենսաբժշկական գիտություն.Պատկերի մշակում.Կենսաբժշկական գիտություն.Վայս.1905, 861–870 (1993)։
Chen, PHC, Liu, Y. and Peng, L. Ինչպես զարգացնել մեքենայական ուսուցման մոդելներ առողջապահության համար:Նաթ.Մատթ.18, 410–414 (2019):
Selvaraju, RR et al.Grad-cam. խորը ցանցերի տեսողական մեկնաբանություն գրադիենտի վրա հիմնված տեղայնացման միջոցով:Համակարգչային տեսողության IEEE միջազգային կոնֆերանսի նյութեր, 618–626 (2017):
Kumaravel B, Stewart K and Ilic D. Բակալավրիատ բժշկական կրթության մեջ ԵԱՀԿ-ի օգտագործմամբ ապացույցների վրա հիմնված բժշկության իրավասությունների գնահատման պարուրաձև մոդելի մշակում և գնահատում:BMK Medicine.սովորեցնել.21, 1–9 (2021):
Kolachalama VB և Garg PS Մեքենայի ուսուցում և բժշկական կրթություն:NPZh համարներ.դեղ.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):
Topol, EJ Բարձր արդյունավետության բժշկություն. մարդու և արհեստական ​​ինտելեկտի սերտաճում.Նաթ.դեղ.25, 44–56 (2019):
Bede, E. et al.Դիաբետիկ ռետինոպաթիայի հայտնաբերման համար կլինիկայում տեղակայված խորը ուսուցման համակարգի մարդակենտրոն գնահատում:2020 CHI կոնֆերանսի նյութերը հաշվողական համակարգերում մարդկային գործոնների մասին (2020 թ.):
Քեր, Բ. Ինժեներական կրթության շրջված դասարան. Հետազոտական ​​ակնարկ:2015 թվականի Ինտերակտիվ համագործակցային ուսուցման միջազգային գիտաժողովի նյութեր (2015):
Հեղինակները շնորհակալություն են հայտնում Դանիել Ուոքերին, Թիմ Սալկուդինին և Փիթեր Զանդստրային Բրիտանական Կոլումբիայի համալսարանի Կենսաբժշկական Պատկերների և Արհեստական ​​Ինտելեկտի Հետազոտությունների Կլաստերից աջակցության և ֆինանսավորման համար:
RH, PP, ZH, RS և MA-ն պատասխանատու էին սեմինարի դասավանդման բովանդակության մշակման համար:RH-ը և PP-ն պատասխանատու էին ծրագրավորման օրինակների մշակման համար:KYF, OY, MT և PW պատասխանատու էին ծրագրի նյութատեխնիկական կազմակերպման և սեմինարների վերլուծության համար:Նկարների և աղյուսակների ստեղծման համար պատասխանատու էին RH, OY, MT, RS:Փաստաթղթի մշակման և խմբագրման համար պատասխանատու էին RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS:
Communication Medicine-ը շնորհակալություն է հայտնում Քերոլին Մակգրեգորին, Ֆաբիո Մորաեսին և Ադիտյա Բորակատին այս աշխատանքի վերանայման մեջ իրենց ներդրման համար: