તબીબી વિદ્યાર્થીઓને કૃત્રિમ બુદ્ધિ શીખવવા અંગે કેનેડિયન દ્રષ્ટિકોણ

Nature.com ની મુલાકાત લેવા બદલ આભાર. તમે જે બ્રાઉઝરનો ઉપયોગ કરી રહ્યા છો તેના વર્ઝનમાં મર્યાદિત CSS સપોર્ટ છે. શ્રેષ્ઠ પરિણામો માટે, અમે તમારા બ્રાઉઝરના નવા વર્ઝનનો ઉપયોગ કરવાની ભલામણ કરીએ છીએ (અથવા ઇન્ટરનેટ એક્સપ્લોરરમાં સુસંગતતા મોડ બંધ કરો). આ દરમિયાન, ચાલુ સપોર્ટ સુનિશ્ચિત કરવા માટે, અમે સ્ટાઇલિંગ અથવા JavaScript વિના સાઇટ બતાવી રહ્યા છીએ.
ક્લિનિકલ આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ના ઉપયોગો ઝડપથી વધી રહ્યા છે, પરંતુ હાલના મેડિકલ સ્કૂલ અભ્યાસક્રમમાં આ ક્ષેત્રને આવરી લેતા મર્યાદિત શિક્ષણ આપવામાં આવે છે. અહીં અમે એક આર્ટિફિશિયલ ઇન્ટેલિજન્સ તાલીમ અભ્યાસક્રમનું વર્ણન કરીએ છીએ જે અમે કેનેડિયન મેડિકલ વિદ્યાર્થીઓને વિકસાવ્યો અને પહોંચાડ્યો છે અને ભવિષ્યની તાલીમ માટે ભલામણો કરીએ છીએ.
દવામાં કૃત્રિમ બુદ્ધિ (AI) કાર્યસ્થળની કાર્યક્ષમતામાં સુધારો કરી શકે છે અને ક્લિનિકલ નિર્ણય લેવામાં મદદ કરી શકે છે. કૃત્રિમ બુદ્ધિના ઉપયોગને સુરક્ષિત રીતે માર્ગદર્શન આપવા માટે, ચિકિત્સકોને કૃત્રિમ બુદ્ધિની થોડી સમજ હોવી જોઈએ. ઘણી ટિપ્પણીઓ AI ખ્યાલો શીખવવાની હિમાયત કરે છે1, જેમ કે AI મોડેલો અને ચકાસણી પ્રક્રિયાઓ સમજાવવી2. જો કે, ખાસ કરીને રાષ્ટ્રીય સ્તરે થોડા માળખાગત યોજનાઓ અમલમાં મૂકવામાં આવી છે. પિન્ટો ડોસ સાન્તોસ અને અન્ય.3. 263 તબીબી વિદ્યાર્થીઓનો સર્વે કરવામાં આવ્યો હતો અને 71% સંમત થયા હતા કે તેમને કૃત્રિમ બુદ્ધિમાં તાલીમની જરૂર છે. તબીબી પ્રેક્ષકોને કૃત્રિમ બુદ્ધિ શીખવવા માટે કાળજીપૂર્વક ડિઝાઇનની જરૂર પડે છે જે એવા વિદ્યાર્થીઓ માટે તકનીકી અને બિન-તકનીકી ખ્યાલોને જોડે છે જેમને ઘણીવાર વ્યાપક પૂર્વ જ્ઞાન હોય છે. અમે તબીબી વિદ્યાર્થીઓના ત્રણ જૂથોને AI વર્કશોપની શ્રેણી પહોંચાડવાના અમારા અનુભવનું વર્ણન કરીએ છીએ અને AI માં ભવિષ્યના તબીબી શિક્ષણ માટે ભલામણો કરીએ છીએ.
મેડિકલ વિદ્યાર્થીઓ માટે અમારી પાંચ અઠવાડિયાની ઇન્ટ્રોડક્શન ટુ આર્ટિફિશિયલ ઇન્ટેલિજન્સ ઇન મેડિસિનની વર્કશોપ ફેબ્રુઆરી 2019 અને એપ્રિલ 2021 વચ્ચે ત્રણ વખત યોજાઈ હતી. દરેક વર્કશોપ માટેનું શેડ્યૂલ, કોર્ષમાં થયેલા ફેરફારોના સંક્ષિપ્ત વર્ણન સાથે, આકૃતિ 1 માં બતાવવામાં આવ્યું છે. અમારા કોર્ષમાં ત્રણ પ્રાથમિક શિક્ષણ ઉદ્દેશ્યો છે: વિદ્યાર્થીઓ સમજે છે કે કૃત્રિમ બુદ્ધિ એપ્લિકેશનોમાં ડેટા કેવી રીતે પ્રક્રિયા કરવામાં આવે છે, ક્લિનિકલ એપ્લિકેશનો માટે કૃત્રિમ બુદ્ધિ સાહિત્યનું વિશ્લેષણ કરે છે અને કૃત્રિમ બુદ્ધિ વિકસાવતા ઇજનેરો સાથે સહયોગ કરવાની તકોનો લાભ લે છે.
વાદળી રંગ વ્યાખ્યાનનો વિષય છે અને આછો વાદળી રંગ ઇન્ટરેક્ટિવ પ્રશ્ન અને જવાબનો સમયગાળો છે. ગ્રે રંગનો વિભાગ સંક્ષિપ્ત સાહિત્ય સમીક્ષાનું કેન્દ્રબિંદુ છે. નારંગી રંગના વિભાગો પસંદ કરેલા કેસ સ્ટડીઝ છે જે કૃત્રિમ બુદ્ધિ મોડેલો અથવા તકનીકોનું વર્ણન કરે છે. લીલો રંગ એક માર્ગદર્શિત પ્રોગ્રામિંગ કોર્સ છે જે ક્લિનિકલ સમસ્યાઓ ઉકેલવા અને મોડેલોનું મૂલ્યાંકન કરવા માટે કૃત્રિમ બુદ્ધિ શીખવવા માટે રચાયેલ છે. વર્કશોપની સામગ્રી અને સમયગાળો વિદ્યાર્થીઓની જરૂરિયાતોના મૂલ્યાંકનના આધારે બદલાય છે.
પ્રથમ વર્કશોપ ફેબ્રુઆરીથી એપ્રિલ 2019 દરમિયાન યુનિવર્સિટી ઓફ બ્રિટિશ કોલંબિયા ખાતે યોજાયો હતો, અને તમામ 8 સહભાગીઓએ સકારાત્મક પ્રતિસાદ આપ્યો હતો. COVID-19 ને કારણે, બીજી વર્કશોપ ઓક્ટોબર-નવેમ્બર 2020 માં વર્ચ્યુઅલ રીતે યોજાઈ હતી, જેમાં 222 તબીબી વિદ્યાર્થીઓ અને 8 કેનેડિયન તબીબી શાળાઓના 3 રહેવાસીઓ નોંધણી કરાવી હતી. પ્રેઝન્ટેશન સ્લાઇડ્સ અને કોડ ઓપન એક્સેસ સાઇટ (http://ubcaimed.github.io) પર અપલોડ કરવામાં આવ્યા છે. પ્રથમ પુનરાવર્તનનો મુખ્ય પ્રતિસાદ એ હતો કે વ્યાખ્યાનો ખૂબ તીવ્ર હતા અને સામગ્રી ખૂબ સૈદ્ધાંતિક હતી. કેનેડાના છ અલગ અલગ સમય ઝોનમાં સેવા આપવાથી વધારાના પડકારો ઉભા થાય છે. આમ, બીજા વર્કશોપમાં દરેક સત્રને 1 કલાક સુધી ટૂંકાવી દેવામાં આવ્યો, અભ્યાસક્રમ સામગ્રીને સરળ બનાવવામાં આવી, વધુ કેસ સ્ટડીઝ ઉમેરવામાં આવી, અને બોઈલરપ્લેટ પ્રોગ્રામ્સ બનાવવામાં આવ્યા જે સહભાગીઓને ન્યૂનતમ ડિબગીંગ સાથે કોડ સ્નિપેટ્સ પૂર્ણ કરવાની મંજૂરી આપે છે (બોક્સ 1). બીજા પુનરાવર્તનના મુખ્ય પ્રતિસાદમાં પ્રોગ્રામિંગ કસરતો પર સકારાત્મક પ્રતિસાદ અને મશીન લર્નિંગ પ્રોજેક્ટ માટે આયોજન દર્શાવવાની વિનંતી શામેલ હતી. તેથી, માર્ચ-એપ્રિલ 2021 માં 126 મેડિકલ વિદ્યાર્થીઓ માટે વર્ચ્યુઅલી યોજાયેલ અમારી ત્રીજી વર્કશોપમાં, અમે પ્રોજેક્ટ્સ પર વર્કશોપ ખ્યાલોનો ઉપયોગ કરવાની અસર દર્શાવવા માટે વધુ ઇન્ટરેક્ટિવ કોડિંગ કસરતો અને પ્રોજેક્ટ પ્રતિસાદ સત્રોનો સમાવેશ કર્યો.
ડેટા વિશ્લેષણ: આંકડાશાસ્ત્રમાં અભ્યાસનું એક ક્ષેત્ર જે ડેટા પેટર્નનું વિશ્લેષણ, પ્રક્રિયા અને સંચાર કરીને ડેટામાં અર્થપૂર્ણ પેટર્ન ઓળખે છે.
ડેટા માઇનિંગ: ડેટા ઓળખવા અને કાઢવાની પ્રક્રિયા. કૃત્રિમ બુદ્ધિમત્તાના સંદર્ભમાં, આ ઘણીવાર મોટું હોય છે, દરેક નમૂના માટે બહુવિધ ચલો હોય છે.
પરિમાણીયતા ઘટાડો: મૂળ ડેટા સેટના મહત્વપૂર્ણ ગુણધર્મોને સાચવીને ઘણી વ્યક્તિગત સુવિધાઓ ધરાવતા ડેટાને ઓછી સુવિધાઓમાં રૂપાંતરિત કરવાની પ્રક્રિયા.
લાક્ષણિકતાઓ (કૃત્રિમ બુદ્ધિમત્તાના સંદર્ભમાં): નમૂનાના માપી શકાય તેવા ગુણધર્મો. ઘણીવાર "ગુણધર્મ" અથવા "ચલ" સાથે એકબીજાના બદલે વાપરવામાં આવે છે.
ગ્રેડિયન્ટ એક્ટિવેશન મેપ: કૃત્રિમ બુદ્ધિ મોડેલ્સ (ખાસ કરીને કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ) નું અર્થઘટન કરવા માટે વપરાતી એક તકનીક, જે નેટવર્કના છેલ્લા ભાગને ઑપ્ટિમાઇઝ કરવાની પ્રક્રિયાનું વિશ્લેષણ કરે છે જેથી ડેટા અથવા છબીઓના પ્રદેશોને ઓળખી શકાય જે ખૂબ જ આગાહી કરે છે.
સ્ટાન્ડર્ડ મોડેલ: એક અસ્તિત્વમાં રહેલું AI મોડેલ જે સમાન કાર્યો કરવા માટે પૂર્વ-તાલીમ પામેલ છે.
પરીક્ષણ (કૃત્રિમ બુદ્ધિમત્તાના સંદર્ભમાં): મોડેલ પહેલાં ક્યારેય ન મળેલા ડેટાનો ઉપયોગ કરીને કાર્ય કેવી રીતે કરે છે તેનું અવલોકન કરવું.
તાલીમ (કૃત્રિમ બુદ્ધિમત્તાના સંદર્ભમાં): ડેટા અને પરિણામો સાથે એક મોડેલ પૂરું પાડવું જેથી મોડેલ તેના આંતરિક પરિમાણોને સમાયોજિત કરી શકે અને નવા ડેટાનો ઉપયોગ કરીને કાર્યો કરવાની તેની ક્ષમતાને શ્રેષ્ઠ બનાવી શકે.
વેક્ટર: ડેટાનો એરે. મશીન લર્નિંગમાં, દરેક એરે એલિમેન્ટ સામાન્ય રીતે નમૂનાનું એક અનોખું લક્ષણ હોય છે.
કોષ્ટક 1 એપ્રિલ 2021 માટેના નવીનતમ અભ્યાસક્રમોની યાદી આપે છે, જેમાં દરેક વિષય માટે લક્ષિત શિક્ષણ ઉદ્દેશ્યોનો સમાવેશ થાય છે. આ વર્કશોપ ટેકનિકલ સ્તરે નવા હોય તેવા લોકો માટે છે અને તેને અંડરગ્રેજ્યુએટ મેડિકલ ડિગ્રીના પ્રથમ વર્ષથી વધુ ગાણિતિક જ્ઞાનની જરૂર નથી. આ અભ્યાસક્રમ 6 મેડિકલ વિદ્યાર્થીઓ અને એન્જિનિયરિંગમાં અદ્યતન ડિગ્રી ધરાવતા 3 શિક્ષકો દ્વારા વિકસાવવામાં આવ્યો હતો. એન્જિનિયરો શીખવવા માટે કૃત્રિમ બુદ્ધિમત્તા સિદ્ધાંત વિકસાવી રહ્યા છે, અને તબીબી વિદ્યાર્થીઓ ક્લિનિકલી સંબંધિત સામગ્રી શીખી રહ્યા છે.
વર્કશોપમાં વ્યાખ્યાનો, કેસ સ્ટડીઝ અને માર્ગદર્શિત પ્રોગ્રામિંગનો સમાવેશ થાય છે. પ્રથમ વ્યાખ્યાનમાં, અમે બાયોસ્ટેટિસ્ટિક્સમાં ડેટા વિશ્લેષણના પસંદ કરેલા ખ્યાલોની સમીક્ષા કરીએ છીએ, જેમાં ડેટા વિઝ્યુલાઇઝેશન, લોજિસ્ટિક રીગ્રેશન અને વર્ણનાત્મક અને પ્રેરક આંકડાઓની સરખામણીનો સમાવેશ થાય છે. ડેટા વિશ્લેષણ કૃત્રિમ બુદ્ધિનો પાયો હોવા છતાં, અમે ડેટા માઇનિંગ, મહત્વ પરીક્ષણ અથવા ઇન્ટરેક્ટિવ વિઝ્યુલાઇઝેશન જેવા વિષયોને બાકાત રાખીએ છીએ. આ સમય મર્યાદાઓને કારણે હતું અને તે પણ કારણ કે કેટલાક અંડરગ્રેજ્યુએટ વિદ્યાર્થીઓએ બાયોસ્ટેટિસ્ટિક્સમાં અગાઉ તાલીમ લીધી હતી અને તેઓ વધુ અનન્ય મશીન લર્નિંગ વિષયોને આવરી લેવા માંગતા હતા. અનુગામી વ્યાખ્યાનમાં આધુનિક પદ્ધતિઓનો પરિચય આપવામાં આવે છે અને AI સમસ્યા રચના, AI મોડેલ્સના ફાયદા અને મર્યાદાઓ અને મોડેલ પરીક્ષણની ચર્ચા કરવામાં આવે છે. વ્યાખ્યાનો સાહિત્ય અને હાલના કૃત્રિમ બુદ્ધિ ઉપકરણો પર વ્યવહારુ સંશોધન દ્વારા પૂરક છે. અમે ક્લિનિકલ પ્રશ્નોને સંબોધવા માટે મોડેલની અસરકારકતા અને શક્યતાનું મૂલ્યાંકન કરવા માટે જરૂરી કુશળતા પર ભાર મૂકીએ છીએ, જેમાં હાલના કૃત્રિમ બુદ્ધિ ઉપકરણોની મર્યાદાઓને સમજવાનો સમાવેશ થાય છે. ઉદાહરણ તરીકે, અમે વિદ્યાર્થીઓને કુપરમેન એટ અલ., 5 દ્વારા પ્રસ્તાવિત બાળરોગના માથામાં ઇજા માર્ગદર્શિકાનું અર્થઘટન કરવા કહ્યું જેણે ચિકિત્સકની પરીક્ષાના આધારે CT સ્કેન ઉપયોગી થશે કે નહીં તે નક્કી કરવા માટે કૃત્રિમ બુદ્ધિ નિર્ણય વૃક્ષ અલ્ગોરિધમનો અમલ કર્યો. અમે ભારપૂર્વક જણાવીએ છીએ કે આ AI નું એક સામાન્ય ઉદાહરણ છે જે ચિકિત્સકોને બદલવાને બદલે અર્થઘટન કરવા માટે આગાહીત્મક વિશ્લેષણ પ્રદાન કરે છે.
ઉપલબ્ધ ઓપન સોર્સ બુટસ્ટ્રેપ પ્રોગ્રામિંગ ઉદાહરણો (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) માં, અમે સંશોધનાત્મક ડેટા વિશ્લેષણ, પરિમાણીયતા ઘટાડો, માનક મોડેલ લોડિંગ અને તાલીમ કેવી રીતે કરવી તે દર્શાવીએ છીએ. અને પરીક્ષણ. અમે Google Colaboratory નોટબુક્સ (Google LLC, Mountain View, CA) નો ઉપયોગ કરીએ છીએ, જે વેબ બ્રાઉઝરથી Python કોડને એક્ઝિક્યુટ કરવાની મંજૂરી આપે છે. આકૃતિમાં. આકૃતિ 2 પ્રોગ્રામિંગ કસરતનું ઉદાહરણ આપે છે. આ કસરતમાં વિસ્કોન્સિન ઓપન બ્રેસ્ટ ઇમેજિંગ ડેટાસેટ 6 અને નિર્ણય વૃક્ષ અલ્ગોરિધમનો ઉપયોગ કરીને જીવલેણ રોગોની આગાહી કરવાનો સમાવેશ થાય છે.
અઠવાડિયા દરમિયાન સંબંધિત વિષયો પર કાર્યક્રમો રજૂ કરો અને પ્રકાશિત AI એપ્લિકેશનોમાંથી પસંદ કરેલા ઉદાહરણો આપો. પ્રોગ્રામિંગ તત્વો ફક્ત ત્યારે જ શામેલ કરવામાં આવે છે જો તેઓ ભવિષ્યના ક્લિનિકલ પ્રેક્ટિસમાં સમજ પૂરી પાડવા માટે સંબંધિત માનવામાં આવે, જેમ કે મોડેલ્સનું મૂલ્યાંકન કેવી રીતે કરવું કે તેઓ ક્લિનિકલ ટ્રાયલ્સમાં ઉપયોગ માટે તૈયાર છે કે નહીં તે નક્કી કરવા માટે. આ ઉદાહરણો એક સંપૂર્ણ એન્ડ-ટુ-એન્ડ એપ્લિકેશનમાં પરિણમે છે જે તબીબી છબી પરિમાણોના આધારે ગાંઠોને સૌમ્ય અથવા જીવલેણ તરીકે વર્ગીકૃત કરે છે.
પૂર્વ જ્ઞાનની વિવિધતા. અમારા સહભાગીઓના ગાણિતિક જ્ઞાનનું સ્તર અલગ અલગ હતું. ઉદાહરણ તરીકે, અદ્યતન એન્જિનિયરિંગ પૃષ્ઠભૂમિ ધરાવતા વિદ્યાર્થીઓ વધુ ઊંડાણપૂર્વકની સામગ્રી શોધી રહ્યા છે, જેમ કે તેમના પોતાના ફોરિયર ટ્રાન્સફોર્મ્સ કેવી રીતે કરવા. જોકે, વર્ગમાં ફોરિયર અલ્ગોરિધમની ચર્ચા શક્ય નથી કારણ કે તેને સિગ્નલ પ્રોસેસિંગનું ઊંડાણપૂર્વકનું જ્ઞાન જરૂરી છે.
હાજરીનો પ્રવાહ. ફોલો-અપ મીટિંગ્સમાં હાજરી ઘટી, ખાસ કરીને ઓનલાઈન ફોર્મેટમાં. હાજરીને ટ્રેક કરવાનો અને પૂર્ણતાનું પ્રમાણપત્ર આપવાનો ઉકેલ હોઈ શકે છે. મેડિકલ સ્કૂલો વિદ્યાર્થીઓની અભ્યાસેતર શૈક્ષણિક પ્રવૃત્તિઓના ટ્રાન્સક્રિપ્ટને ઓળખવા માટે જાણીતી છે, જે વિદ્યાર્થીઓને ડિગ્રી મેળવવા માટે પ્રોત્સાહિત કરી શકે છે.
કોર્સ ડિઝાઇન: કારણ કે AI ઘણા બધા પેટાક્ષેત્રોમાં ફેલાયેલું છે, યોગ્ય ઊંડાઈ અને પહોળાઈના મુખ્ય ખ્યાલો પસંદ કરવા પડકારજનક હોઈ શકે છે. ઉદાહરણ તરીકે, પ્રયોગશાળાથી ક્લિનિક સુધી AI ટૂલ્સના ઉપયોગની સાતત્યતા એક મહત્વપૂર્ણ વિષય છે. જ્યારે અમે ડેટા પ્રીપ્રોસેસિંગ, મોડેલ બિલ્ડીંગ અને વેલિડેશનને આવરી લઈએ છીએ, ત્યારે અમે મોટા ડેટા એનાલિટિક્સ, ઇન્ટરેક્ટિવ વિઝ્યુલાઇઝેશન અથવા AI ક્લિનિકલ ટ્રાયલ હાથ ધરવા જેવા વિષયોનો સમાવેશ કરતા નથી, તેના બદલે અમે સૌથી અનન્ય AI ખ્યાલો પર ધ્યાન કેન્દ્રિત કરીએ છીએ. અમારો માર્ગદર્શક સિદ્ધાંત કૌશલ્ય નહીં પણ સાક્ષરતા સુધારવાનો છે. ઉદાહરણ તરીકે, મોડેલ ઇનપુટ સુવિધાઓને કેવી રીતે પ્રક્રિયા કરે છે તે સમજવું અર્થઘટનક્ષમતા માટે મહત્વપૂર્ણ છે. આ કરવાની એક રીત એ છે કે ગ્રેડિયન્ટ એક્ટિવેશન મેપ્સનો ઉપયોગ કરવો, જે ડેટાના કયા ક્ષેત્રોને અનુમાનિત કરી શકાય છે તેની કલ્પના કરી શકે છે. જો કે, આ માટે બહુવિધ કેલ્ક્યુલસની જરૂર છે અને તેને રજૂ કરી શકાતી નથી8. એક સામાન્ય પરિભાષા વિકસાવવી પડકારજનક હતી કારણ કે અમે ગાણિતિક ઔપચારિકતા વિના વેક્ટર તરીકે ડેટા સાથે કેવી રીતે કાર્ય કરવું તે સમજાવવાનો પ્રયાસ કરી રહ્યા હતા. નોંધ કરો કે વિવિધ શબ્દોનો સમાન અર્થ હોય છે, ઉદાહરણ તરીકે, રોગશાસ્ત્રમાં, "લાક્ષણિકતા" ને "ચલ" અથવા "વિશેષતા" તરીકે વર્ણવવામાં આવે છે.
જ્ઞાન જાળવી રાખવું. કારણ કે AI નો ઉપયોગ મર્યાદિત છે, સહભાગીઓ કેટલી હદ સુધી જ્ઞાન જાળવી રાખે છે તે જોવાનું બાકી છે. તબીબી શાળાના અભ્યાસક્રમો ઘણીવાર વ્યવહારિક પરિભ્રમણ દરમિયાન જ્ઞાનને મજબૂત બનાવવા માટે અંતરના પુનરાવર્તન પર આધાર રાખે છે,9 જે AI શિક્ષણ પર પણ લાગુ કરી શકાય છે.
સાક્ષરતા કરતાં વ્યાવસાયીકરણ વધુ મહત્વનું છે. સામગ્રીની ઊંડાઈ ગાણિતિક કઠોરતા વિના ડિઝાઇન કરવામાં આવી છે, જે કૃત્રિમ બુદ્ધિમત્તામાં ક્લિનિકલ અભ્યાસક્રમો શરૂ કરતી વખતે સમસ્યા હતી. પ્રોગ્રામિંગ ઉદાહરણોમાં, અમે એક ટેમ્પલેટ પ્રોગ્રામનો ઉપયોગ કરીએ છીએ જે સહભાગીઓને સંપૂર્ણ પ્રોગ્રામિંગ વાતાવરણ કેવી રીતે સેટ કરવું તે શોધ્યા વિના ફીલ્ડ ભરવા અને સોફ્ટવેર ચલાવવાની મંજૂરી આપે છે.
કૃત્રિમ બુદ્ધિમત્તા અંગેની ચિંતાઓનો ઉકેલ: એવી વ્યાપક ચિંતા છે કે કૃત્રિમ બુદ્ધિમત્તા કેટલીક ક્લિનિકલ ફરજોને બદલી શકે છે3. આ મુદ્દાને ઉકેલવા માટે, અમે AI ની મર્યાદાઓ સમજાવીએ છીએ, જેમાં નિયમનકારો દ્વારા મંજૂર કરાયેલ લગભગ બધી AI તકનીકોને ચિકિત્સક દેખરેખની જરૂર પડે છે11. અમે પૂર્વગ્રહના મહત્વ પર પણ ભાર મૂકીએ છીએ કારણ કે અલ્ગોરિધમ્સ પૂર્વગ્રહ માટે સંવેદનશીલ હોય છે, ખાસ કરીને જો ડેટા સેટ વૈવિધ્યસભર ન હોય12. પરિણામે, ચોક્કસ પેટાજૂથ ખોટી રીતે મોડેલ કરી શકાય છે, જે અન્યાયી ક્લિનિકલ નિર્ણયો તરફ દોરી જાય છે.
સંસાધનો સાર્વજનિક રીતે ઉપલબ્ધ છે: અમે વ્યાખ્યાન સ્લાઇડ્સ અને કોડ સહિત સાર્વજનિક રીતે ઉપલબ્ધ સંસાધનો બનાવ્યા છે. સમય ઝોનને કારણે સિંક્રનસ સામગ્રીની ઍક્સેસ મર્યાદિત હોવા છતાં, ઓપન સોર્સ સામગ્રી એ અસુમેળ શિક્ષણ માટે એક અનુકૂળ પદ્ધતિ છે કારણ કે બધી તબીબી શાળાઓમાં AI કુશળતા ઉપલબ્ધ નથી.
આંતરશાખાકીય સહયોગ: આ વર્કશોપ મેડિકલ વિદ્યાર્થીઓ દ્વારા ઇજનેરો સાથે મળીને અભ્યાસક્રમોનું આયોજન કરવા માટે શરૂ કરાયેલ સંયુક્ત સાહસ છે. આ બંને ક્ષેત્રોમાં સહયોગની તકો અને જ્ઞાનના અંતર દર્શાવે છે, જે સહભાગીઓને ભવિષ્યમાં તેઓ શું યોગદાન આપી શકે છે તે સમજવાની મંજૂરી આપે છે.
AI મુખ્ય ક્ષમતાઓને વ્યાખ્યાયિત કરો. ક્ષમતાઓની સૂચિ વ્યાખ્યાયિત કરવાથી એક પ્રમાણિત માળખું પૂરું પડે છે જેને હાલના યોગ્યતા-આધારિત તબીબી અભ્યાસક્રમમાં સંકલિત કરી શકાય છે. આ વર્કશોપ હાલમાં બ્લૂમના વર્ગીકરણના લર્નિંગ ઓબ્જેક્ટિવ લેવલ 2 (સમજણ), 3 (એપ્લિકેશન) અને 4 (વિશ્લેષણ) નો ઉપયોગ કરે છે. વર્ગીકરણના ઉચ્ચ સ્તરે સંસાધનો હોવા, જેમ કે પ્રોજેક્ટ્સ બનાવવા, જ્ઞાનને વધુ મજબૂત બનાવી શકે છે. આ માટે ક્લિનિકલ નિષ્ણાતો સાથે કામ કરવાની જરૂર છે જેથી નક્કી કરી શકાય કે AI વિષયો ક્લિનિકલ વર્કફ્લોમાં કેવી રીતે લાગુ કરી શકાય અને પ્રમાણભૂત તબીબી અભ્યાસક્રમમાં પહેલાથી જ સમાવિષ્ટ પુનરાવર્તિત વિષયોના શિક્ષણને અટકાવી શકાય.
AI નો ઉપયોગ કરીને કેસ સ્ટડી બનાવો. ક્લિનિકલ ઉદાહરણોની જેમ, કેસ-આધારિત શિક્ષણ ક્લિનિકલ પ્રશ્નો સાથે તેમની સુસંગતતાને પ્રકાશિત કરીને અમૂર્ત ખ્યાલોને મજબૂત બનાવી શકે છે. ઉદાહરણ તરીકે, એક વર્કશોપ અભ્યાસમાં Google ની AI-આધારિત ડાયાબિટીક રેટિનોપેથી શોધ સિસ્ટમ 13 નું વિશ્લેષણ કરવામાં આવ્યું હતું જેથી લેબથી ક્લિનિક સુધીના માર્ગમાં બાહ્ય માન્યતા આવશ્યકતાઓ અને નિયમનકારી મંજૂરી માર્ગો જેવા પડકારોને ઓળખી શકાય.
અનુભવ આધારિત શિક્ષણનો ઉપયોગ કરો: ટેકનિકલ કૌશલ્યો માટે ધ્યાન કેન્દ્રિત પ્રેક્ટિસ અને પુનરાવર્તિત એપ્લિકેશનની જરૂર પડે છે, જે ક્લિનિકલ તાલીમાર્થીઓના ફરતા શિક્ષણ અનુભવોની જેમ જ છે. એક સંભવિત ઉકેલ ફ્લિપ્ડ ક્લાસરૂમ મોડેલ છે, જે એન્જિનિયરિંગ શિક્ષણમાં જ્ઞાન જાળવણીમાં સુધારો કરે છે તે અહેવાલ છે14. આ મોડેલમાં, વિદ્યાર્થીઓ સ્વતંત્ર રીતે સૈદ્ધાંતિક સામગ્રીની સમીક્ષા કરે છે અને વર્ગનો સમય કેસ સ્ટડી દ્વારા સમસ્યાઓ ઉકેલવા માટે સમર્પિત છે.
બહુ-શાખાકીય સહભાગીઓ માટે સ્કેલિંગ: અમે AI અપનાવવાની કલ્પના કરીએ છીએ જેમાં વિવિધ શાખાઓમાં સહયોગનો સમાવેશ થાય છે, જેમાં ચિકિત્સકો અને સંલગ્ન આરોગ્ય વ્યાવસાયિકો સહિત વિવિધ સ્તરની તાલીમનો સમાવેશ થાય છે. તેથી, આરોગ્ય સંભાળના વિવિધ ક્ષેત્રો અનુસાર તેમની સામગ્રીને અનુરૂપ બનાવવા માટે વિવિધ વિભાગોના ફેકલ્ટી સાથે પરામર્શ કરીને અભ્યાસક્રમ વિકસાવવાની જરૂર પડી શકે છે.
કૃત્રિમ બુદ્ધિ ઉચ્ચ તકનીક છે અને તેના મુખ્ય ખ્યાલો ગણિત અને કમ્પ્યુટર વિજ્ઞાન સાથે સંબંધિત છે. કૃત્રિમ બુદ્ધિમત્તાને સમજવા માટે આરોગ્યસંભાળ કર્મચારીઓને તાલીમ આપવાથી સામગ્રી પસંદગી, ક્લિનિકલ સુસંગતતા અને વિતરણ પદ્ધતિઓમાં અનન્ય પડકારો રજૂ થાય છે. અમને આશા છે કે શિક્ષણમાં AI વર્કશોપમાંથી પ્રાપ્ત થયેલી સમજ ભવિષ્યના શિક્ષકોને તબીબી શિક્ષણમાં AI ને એકીકૃત કરવા માટે નવીન રીતો અપનાવવામાં મદદ કરશે.
ગૂગલ કોલાબોરેટરી પાયથોન સ્ક્રિપ્ટ ઓપન સોર્સ છે અને અહીં ઉપલબ્ધ છે: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
પ્રોબર, કેજી અને ખાન, એસ. તબીબી શિક્ષણ પર પુનર્વિચાર: કાર્યવાહી માટે આહવાન. અક્કડ. દવા. 88, 1407–1410 (2013).
મેકકોય, એલજી વગેરે. મેડિકલના વિદ્યાર્થીઓને કૃત્રિમ બુદ્ધિ વિશે ખરેખર શું જાણવાની જરૂર છે? NPZh નંબરો. દવા 3, 1–3 (2020).
ડોસ સાન્તોસ, ડીપી, વગેરે. કૃત્રિમ બુદ્ધિ પ્રત્યે તબીબી વિદ્યાર્થીઓનું વલણ: એક બહુકેન્દ્રીય સર્વે. યુરો. રેડિયેશન. 29, 1640–1646 (2019).
ફેન, કેવાય, હુ, આર., અને સિંગલા, આર. મેડિકલ વિદ્યાર્થીઓ માટે મશીન લર્નિંગનો પરિચય: એક પાયલોટ પ્રોજેક્ટ. જે. મેડ. ટીચ. 54, 1042–1043 (2020).
કૂપરમેન એન, એટ અલ. માથામાં ઇજા પછી ક્લિનિકલી નોંધપાત્ર મગજની ઇજાના ખૂબ ઓછા જોખમવાળા બાળકોની ઓળખ: એક સંભવિત સમૂહ અભ્યાસ. લેન્સેટ 374, 1160–1170 (2009).
સ્ટ્રીટ, ડબલ્યુએન, વોલ્બર્ગ, ડબલ્યુએચ અને મંગાસેરિયન, ઓએલ. સ્તન ગાંઠ નિદાન માટે ન્યુક્લિયર ફીચર નિષ્કર્ષણ. બાયોમેડિકલ સાયન્સ. ઇમેજ પ્રોસેસિંગ. બાયોમેડિકલ સાયન્સ. વેઇસ. 1905, 861–870 (1993).
ચેન, પીએચસી, લિયુ, વાય. અને પેંગ, એલ. આરોગ્યસંભાળ માટે મશીન લર્નિંગ મોડેલ કેવી રીતે વિકસાવવા. નેટ. મેટ. 18, 410–414 (2019).
સેલ્વારાજુ, આરઆર અને અન્ય. ગ્રેડ-કેમ: ગ્રેડિયન્ટ-આધારિત સ્થાનિકીકરણ દ્વારા ડીપ નેટવર્ક્સનું વિઝ્યુઅલ અર્થઘટન. કમ્પ્યુટર વિઝન પર IEEE ઇન્ટરનેશનલ કોન્ફરન્સની કાર્યવાહી, 618–626 (2017).
કુમારવેલ બી, સ્ટુઅર્ટ કે અને ઇલિક ડી. અંડરગ્રેજ્યુએટ મેડિકલ શિક્ષણમાં OSCE નો ઉપયોગ કરીને પુરાવા-આધારિત દવા ક્ષમતાઓનું મૂલ્યાંકન કરવા માટે સર્પાકાર મોડેલનો વિકાસ અને મૂલ્યાંકન. BMK મેડિસિન. શીખવો. 21, 1–9 (2021).
કોલાચલમા વીબી અને ગર્ગ પીએસ મશીન લર્નિંગ અને મેડિકલ એજ્યુકેશન. એનપીઝેડએચ નંબર્સ. મેડિસિન. ૧, ૧–૩ (૨૦૧૮).
વાન લીયુવેન, કેજી, શાલેકેમ્પ, એસ., રુટન, એમજે, વાન ગિનેકેન, બી. અને ડી રૂય, એમ. રેડિયોલોજીમાં કૃત્રિમ બુદ્ધિ: 100 વ્યાવસાયિક ઉત્પાદનો અને તેમના વૈજ્ઞાનિક પુરાવા. યુરો. રેડિયેશન 31, 3797–3804 (2021).
ટોપોલ, ઇજે ઉચ્ચ-પ્રદર્શન દવા: માનવ અને કૃત્રિમ બુદ્ધિનું સંકલન. નેચરલ મેડિસિન. 25, 44–56 (2019).
બેડે, ઇ. એટ અલ. ડાયાબિટીક રેટિનોપેથીની તપાસ માટે ક્લિનિકમાં ઉપયોગમાં લેવાતી ડીપ લર્નિંગ સિસ્ટમનું માનવ-કેન્દ્રિત મૂલ્યાંકન. કમ્પ્યુટિંગ સિસ્ટમ્સમાં માનવ પરિબળો પર 2020 CHI કોન્ફરન્સની કાર્યવાહી (2020).
કેર, બી. એન્જિનિયરિંગ શિક્ષણમાં ફ્લિપ્ડ ક્લાસરૂમ: એક સંશોધન સમીક્ષા. ઇન્ટરેક્ટિવ કોલાબોરેટિવ લર્નિંગ પર 2015 ઇન્ટરનેશનલ કોન્ફરન્સની કાર્યવાહી (2015).
લેખકો બ્રિટિશ કોલંબિયા યુનિવર્સિટીના બાયોમેડિકલ ઇમેજિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ રિસર્ચ ક્લસ્ટરના ડેનિયલ વોકર, ટિમ સાલ્કુડિન અને પીટર ઝેન્ડસ્ટ્રાનો સમર્થન અને ભંડોળ માટે આભાર માને છે.
વર્કશોપ શિક્ષણ સામગ્રી વિકસાવવા માટે RH, PP, ZH, RS અને MA જવાબદાર હતા. પ્રોગ્રામિંગ ઉદાહરણો વિકસાવવા માટે RH અને PP જવાબદાર હતા. KYF, OY, MT અને PW પ્રોજેક્ટના લોજિસ્ટિકલ સંગઠન અને વર્કશોપના વિશ્લેષણ માટે જવાબદાર હતા. RH, OY, MT, RS આકૃતિઓ અને કોષ્ટકો બનાવવા માટે જવાબદાર હતા. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS દસ્તાવેજનો મુસદ્દો તૈયાર કરવા અને સંપાદન કરવા માટે જવાબદાર હતા.
કોમ્યુનિકેશન મેડિસિન આ કાર્યની સમીક્ષામાં યોગદાન આપવા બદલ કેરોલિન મેકગ્રેગર, ફેબિયો મોરેસ અને આદિત્ય બોરાકાટીનો આભાર માને છે.