ທັດສະນະຂອງການາດາກ່ຽວກັບການສອນປັນຍາປະດິດໃຫ້ແກ່ນັກສຶກສາແພດ

ຂອບໃຈທີ່ທ່ານເຂົ້າມາຢ້ຽມຊົມ Nature.com. ໂປຣແກຣມທ່ອງເວັບເວີຊັນທີ່ທ່ານກຳລັງໃຊ້ຢູ່ນັ້ນຮອງຮັບ CSS ໄດ້ຈຳກັດ. ເພື່ອໃຫ້ໄດ້ຜົນດີທີ່ສຸດ, ພວກເຮົາແນະນຳໃຫ້ໃຊ້ໂປຣແກຣມທ່ອງເວັບເວີຊັນໃໝ່ກວ່າ (ຫຼື ປິດໂໝດຄວາມເຂົ້າກັນໄດ້ໃນ Internet Explorer). ໃນລະຫວ່າງນີ້, ເພື່ອຮັບປະກັນການຮອງຮັບຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາກຳລັງສະແດງເວັບໄຊໂດຍບໍ່ມີຮູບແບບ ຫຼື JavaScript.
ການນຳໃຊ້ປັນຍາປະດິດທາງດ້ານຄລີນິກ (AI) ກຳລັງເຕີບໂຕຢ່າງໄວວາ, ແຕ່ຫຼັກສູດການສຶກສາຂອງໂຮງຮຽນແພດທີ່ມີຢູ່ໃນປະຈຸບັນສະເໜີການສອນທີ່ຈຳກັດເຊິ່ງກວມເອົາຂົງເຂດນີ້. ໃນທີ່ນີ້ພວກເຮົາອະທິບາຍຫຼັກສູດການຝຶກອົບຮົມປັນຍາປະດິດທີ່ພວກເຮົາໄດ້ພັດທະນາ ແລະ ມອບໃຫ້ນັກສຶກສາແພດການາດາ ແລະ ໃຫ້ຄຳແນະນຳສຳລັບການຝຶກອົບຮົມໃນອະນາຄົດ.
ປັນຍາປະດິດ (AI) ໃນການແພດສາມາດປັບປຸງປະສິດທິພາບໃນບ່ອນເຮັດວຽກ ແລະ ຊ່ວຍໃນການຕັດສິນໃຈທາງດ້ານຄລີນິກ. ເພື່ອເປັນທິດທາງໃນການນຳໃຊ້ປັນຍາປະດິດຢ່າງປອດໄພ, ແພດຕ້ອງມີຄວາມເຂົ້າໃຈກ່ຽວກັບປັນຍາປະດິດບາງຢ່າງ. ຄຳເຫັນຫຼາຍຢ່າງສະໜັບສະໜູນການສອນແນວຄວາມຄິດ AI1, ເຊັ່ນ: ການອະທິບາຍຮູບແບບ AI ແລະ ຂະບວນການກວດສອບ2. ຢ່າງໃດກໍຕາມ, ມີແຜນການທີ່ມີໂຄງສ້າງໜ້ອຍຫຼາຍທີ່ໄດ້ຮັບການຈັດຕັ້ງປະຕິບັດ, ໂດຍສະເພາະໃນລະດັບຊາດ. Pinto dos Santos ແລະ ຄະນະ3. ນັກສຶກສາແພດ 263 ຄົນໄດ້ຖືກສຳຫຼວດ ແລະ 71% ເຫັນດີວ່າພວກເຂົາຕ້ອງການການຝຶກອົບຮົມດ້ານປັນຍາປະດິດ. ການສອນປັນຍາປະດິດໃຫ້ແກ່ຜູ້ຊົມທາງການແພດຮຽກຮ້ອງໃຫ້ມີການອອກແບບຢ່າງລະມັດລະວັງທີ່ລວມເອົາແນວຄວາມຄິດດ້ານວິຊາການ ແລະ ບໍ່ແມ່ນດ້ານວິຊາການສຳລັບນັກສຶກສາທີ່ມັກມີຄວາມຮູ້ກ່ອນໜ້ານີ້ຢ່າງກວ້າງຂວາງ. ພວກເຮົາອະທິບາຍປະສົບການຂອງພວກເຮົາໃນການສົ່ງຊຸດກອງປະຊຸມ AI ໃຫ້ແກ່ນັກສຶກສາແພດສາມກຸ່ມ ແລະ ໃຫ້ຄຳແນະນຳສຳລັບການສຶກສາທາງການແພດໃນອະນາຄົດໃນ AI.
ກອງປະຊຸມແນະນຳກ່ຽວກັບປັນຍາປະດິດໃນການແພດເປັນເວລາຫ້າອາທິດຂອງພວກເຮົາສຳລັບນັກສຶກສາແພດໄດ້ຈັດຂຶ້ນສາມຄັ້ງລະຫວ່າງເດືອນກຸມພາ 2019 ແລະ ເດືອນເມສາ 2021. ຕາຕະລາງເວລາສຳລັບແຕ່ລະກອງປະຊຸມ, ພ້ອມດ້ວຍຄຳອະທິບາຍສັ້ນໆກ່ຽວກັບການປ່ຽນແປງຂອງຫຼັກສູດ, ແມ່ນສະແດງຢູ່ໃນຮູບທີ 1. ຫຼັກສູດຂອງພວກເຮົາມີຈຸດປະສົງການຮຽນຮູ້ຫຼັກສາມຢ່າງຄື: ນັກສຶກສາເຂົ້າໃຈວິທີການປະມວນຜົນຂໍ້ມູນໃນການນຳໃຊ້ປັນຍາປະດິດ, ວິເຄາະເອກະສານປັນຍາປະດິດສຳລັບການນຳໃຊ້ທາງດ້ານການແພດ, ແລະ ໃຊ້ປະໂຫຍດຈາກໂອກາດໃນການຮ່ວມມືກັບວິສະວະກອນທີ່ພັດທະນາປັນຍາປະດິດ.
ສີຟ້າແມ່ນຫົວຂໍ້ຂອງການບັນຍາຍ ແລະ ສີຟ້າອ່ອນແມ່ນຊ່ວງເວລາຖາມ-ຕອບແບບໂຕ້ຕອບ. ພາກສ່ວນສີເທົາແມ່ນຈຸດສຸມຂອງການທົບທວນວັນນະຄະດີສັ້ນໆ. ພາກສ່ວນສີສົ້ມແມ່ນການສຶກສາກໍລະນີທີ່ເລືອກທີ່ອະທິບາຍເຖິງຮູບແບບ ຫຼື ເຕັກນິກປັນຍາປະດິດ. ສີຂຽວແມ່ນຫຼັກສູດການຂຽນໂປຣແກຣມແບບມີຄູ່ມືທີ່ຖືກອອກແບບມາເພື່ອສອນປັນຍາປະດິດເພື່ອແກ້ໄຂບັນຫາທາງດ້ານຄລີນິກ ແລະ ປະເມີນຮູບແບບຕ່າງໆ. ເນື້ອໃນ ແລະ ໄລຍະເວລາຂອງກອງປະຊຸມແມ່ນແຕກຕ່າງກັນໄປຕາມການປະເມີນຄວາມຕ້ອງການຂອງນັກຮຽນ.
ກອງປະຊຸມຄັ້ງທຳອິດໄດ້ຈັດຂຶ້ນທີ່ມະຫາວິທະຍາໄລ British Columbia ແຕ່ເດືອນກຸມພາຫາເດືອນເມສາ 2019, ແລະຜູ້ເຂົ້າຮ່ວມທັງ 8 ຄົນໄດ້ໃຫ້ຄຳຕິຊົມໃນທາງບວກ4. ເນື່ອງຈາກ COVID-19, ກອງປະຊຸມຄັ້ງທີສອງໄດ້ຈັດຂຶ້ນທາງອອນລາຍໃນເດືອນຕຸລາ-ພະຈິກ 2020, ໂດຍມີນັກສຶກສາແພດ 222 ຄົນ ແລະ ນັກສຶກສາທີ່ອາໄສຢູ່ 3 ຄົນຈາກ 8 ໂຮງຮຽນແພດການາດາລົງທະບຽນ. ສະໄລ້ນຳສະເໜີ ແລະ ລະຫັດໄດ້ຖືກອັບໂຫຼດໄປຍັງເວັບໄຊທ໌ເປີດໃຫ້ເຂົ້າເຖິງໄດ້ (http://ubcaimed.github.io). ຄຳຕິຊົມທີ່ສຳຄັນຈາກກອງປະຊຸມຄັ້ງທຳອິດແມ່ນວ່າການບັນຍາຍມີຄວາມເຂັ້ມຂຸ້ນເກີນໄປ ແລະ ເນື້ອໃນມີທິດສະດີຫຼາຍເກີນໄປ. ການຮັບໃຊ້ເຂດເວລາທີ່ແຕກຕ່າງກັນຫົກເຂດຂອງການາດາເຮັດໃຫ້ເກີດສິ່ງທ້າທາຍເພີ່ມເຕີມ. ດັ່ງນັ້ນ, ກອງປະຊຸມຄັ້ງທີສອງຈຶ່ງຫຼຸດເວລາແຕ່ລະພາກລົງເຫຼືອ 1 ຊົ່ວໂມງ, ເຮັດໃຫ້ເນື້ອໃນຫຼັກສູດງ່າຍຂຶ້ນ, ເພີ່ມກໍລະນີສຶກສາເພີ່ມເຕີມ, ແລະ ສ້າງໂປຣແກຣມແບບແຜນພື້ນຖານທີ່ຊ່ວຍໃຫ້ຜູ້ເຂົ້າຮ່ວມສາມາດເຮັດສຳເລັດສ່ວນລະຫັດໄດ້ດ້ວຍການດີບັກໜ້ອຍທີ່ສຸດ (ກ່ອງທີ 1). ຄຳຕິຊົມທີ່ສຳຄັນຈາກກອງປະຊຸມຄັ້ງທີສອງລວມມີຄຳຕິຊົມໃນທາງບວກກ່ຽວກັບການຝຶກຂຽນໂປຣແກຣມ ແລະ ການຮ້ອງຂໍໃຫ້ສາທິດການວາງແຜນສຳລັບໂຄງການການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ດັ່ງນັ້ນ, ໃນກອງປະຊຸມຄັ້ງທີສາມຂອງພວກເຮົາ, ເຊິ່ງຈັດຂຶ້ນທາງອອນລາຍສຳລັບນັກສຶກສາແພດ 126 ຄົນໃນເດືອນມີນາ-ເມສາ 2021, ພວກເຮົາໄດ້ລວມເອົາການຝຶກຫັດການຂຽນໂປຣແກຣມແບບໂຕ້ຕອບ ແລະ ກອງປະຊຸມຄຳຕິຊົມກ່ຽວກັບໂຄງການເພື່ອສະແດງໃຫ້ເຫັນເຖິງຜົນກະທົບຂອງການນຳໃຊ້ແນວຄວາມຄິດຂອງກອງປະຊຸມໃນໂຄງການຕ່າງໆ.
ການວິເຄາະຂໍ້ມູນ: ສາຂາວິຊາສະຖິຕິທີ່ລະບຸຮູບແບບທີ່ມີຄວາມໝາຍໃນຂໍ້ມູນໂດຍການວິເຄາະ, ການປະມວນຜົນ ແລະ ການສື່ສານຮູບແບບຂໍ້ມູນ.
ການຂຸດຄົ້ນຂໍ້ມູນ: ຂະບວນການລະບຸ ແລະ ສະກັດຂໍ້ມູນ. ໃນສະພາບການຂອງປັນຍາປະດິດ, ສິ່ງນີ້ມັກຈະມີຂະໜາດໃຫຍ່, ມີຫຼາຍຕົວແປສຳລັບແຕ່ລະຕົວຢ່າງ.
ການຫຼຸດຜ່ອນມິຕິ: ຂະບວນການປ່ຽນຂໍ້ມູນທີ່ມີຄຸນສົມບັດສ່ວນບຸກຄົນຫຼາຍຢ່າງໃຫ້ກາຍເປັນຄຸນສົມບັດໜ້ອຍລົງ ໃນຂະນະທີ່ຮັກສາຄຸນສົມບັດທີ່ສຳຄັນຂອງຊຸດຂໍ້ມູນຕົ້ນສະບັບ.
ຄຸນລັກສະນະຕ່າງໆ (ໃນສະພາບການຂອງປັນຍາປະດິດ): ຄຸນສົມບັດທີ່ວັດແທກໄດ້ຂອງຕົວຢ່າງ. ມັກໃຊ້ສະຫຼັບກັນກັບ “ຄຸນສົມບັດ” ຫຼື “ຕົວແປ”.
ແຜນທີ່ການເປີດໃຊ້ງານແບບ Gradient: ເຕັກນິກທີ່ໃຊ້ເພື່ອຕີຄວາມໝາຍຮູບແບບປັນຍາປະດິດ (ໂດຍສະເພາະແມ່ນເຄືອຂ່າຍປະສາດແບບ Convolutional), ເຊິ່ງວິເຄາະຂະບວນການເພີ່ມປະສິດທິພາບສ່ວນສຸດທ້າຍຂອງເຄືອຂ່າຍເພື່ອລະບຸພາກພື້ນຂອງຂໍ້ມູນ ຫຼື ຮູບພາບທີ່ສາມາດຄາດເດົາໄດ້ສູງ.
ຮູບແບບມາດຕະຖານ: ຮູບແບບ AI ທີ່ມີຢູ່ແລ້ວ ເຊິ່ງໄດ້ຮັບການຝຶກອົບຮົມລ່ວງໜ້າໃຫ້ປະຕິບັດໜ້າວຽກທີ່ຄ້າຍຄືກັນ.
ການທົດສອບ (ໃນສະພາບການຂອງປັນຍາປະດິດ): ການສັງເກດວິທີທີ່ຮູບແບບປະຕິບັດໜ້າວຽກໂດຍໃຊ້ຂໍ້ມູນທີ່ມັນບໍ່ເຄີຍພົບມາກ່ອນ.
ການຝຶກອົບຮົມ (ໃນສະພາບການຂອງປັນຍາປະດິດ): ການສະໜອງແບບຈຳລອງທີ່ມີຂໍ້ມູນ ແລະ ຜົນໄດ້ຮັບ ເພື່ອໃຫ້ແບບຈຳລອງປັບຕົວກຳນົດການພາຍໃນຂອງມັນເພື່ອເພີ່ມປະສິດທິພາບຄວາມສາມາດໃນການປະຕິບັດໜ້າວຽກໂດຍໃຊ້ຂໍ້ມູນໃໝ່.
ເວັກເຕີ: ອາເຣຂອງຂໍ້ມູນ. ໃນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ແຕ່ລະອົງປະກອບອາເຣມັກຈະເປັນຄຸນສົມບັດທີ່ເປັນເອກະລັກຂອງຕົວຢ່າງ.
ຕາຕະລາງທີ 1 ລະບຸຫຼັກສູດລ່າສຸດສຳລັບເດືອນເມສາ 2021, ລວມທັງຈຸດປະສົງການຮຽນຮູ້ທີ່ມີເປົ້າໝາຍສຳລັບແຕ່ລະຫົວຂໍ້. ກອງປະຊຸມນີ້ແມ່ນມີຈຸດປະສົງສຳລັບຜູ້ທີ່ໃໝ່ໃນລະດັບວິຊາການ ແລະ ບໍ່ຕ້ອງການຄວາມຮູ້ທາງຄະນິດສາດໃດໆນອກເໜືອໄປຈາກປີທຳອິດຂອງລະດັບປະລິນຍາຕີແພດສາດ. ຫຼັກສູດດັ່ງກ່າວໄດ້ຖືກພັດທະນາໂດຍນັກສຶກສາແພດ 6 ຄົນ ແລະ ຄູສອນ 3 ຄົນທີ່ມີລະດັບປະລິນຍາຕີວິສະວະກຳຂັ້ນສູງ. ວິສະວະກອນກຳລັງພັດທະນາທິດສະດີປັນຍາປະດິດເພື່ອສອນ, ແລະ ນັກສຶກສາແພດກຳລັງຮຽນຮູ້ເອກະສານທີ່ກ່ຽວຂ້ອງກັບທາງດ້ານຄລີນິກ.
ກອງປະຊຸມປະກອບມີການບັນຍາຍ, ການສຶກສາກໍລະນີ, ແລະ ການຂຽນໂປຣແກຣມແບບມີຄູ່ມື. ໃນການບັນຍາຍຄັ້ງທຳອິດ, ພວກເຮົາທົບທວນຄືນແນວຄວາມຄິດທີ່ເລືອກຂອງການວິເຄາະຂໍ້ມູນໃນຊີວະສະຖິຕິ, ລວມທັງການສະແດງພາບຂໍ້ມູນ, ການຖົດຖອຍໂລຈິດສະຕິກ, ແລະ ການປຽບທຽບສະຖິຕິພັນລະນາ ແລະ ສະຖິຕິອຸປະນິໄສ. ເຖິງແມ່ນວ່າການວິເຄາະຂໍ້ມູນແມ່ນພື້ນຖານຂອງປັນຍາປະດິດ, ພວກເຮົາບໍ່ລວມເອົາຫົວຂໍ້ຕ່າງໆເຊັ່ນ: ການຂຸດຄົ້ນຂໍ້ມູນ, ການທົດສອບຄວາມສຳຄັນ, ຫຼື ການສະແດງພາບແບບໂຕ້ຕອບ. ນີ້ແມ່ນຍ້ອນຂໍ້ຈຳກັດດ້ານເວລາ ແລະ ຍ້ອນວ່ານັກສຶກສາລະດັບປະລິນຍາຕີບາງຄົນໄດ້ຮັບການຝຶກອົບຮົມກ່ອນໜ້ານີ້ໃນຊີວະສະຖິຕິ ແລະ ຕ້ອງການຄຸ້ມຄອງຫົວຂໍ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ເປັນເອກະລັກຫຼາຍຂຶ້ນ. ການບັນຍາຍຕໍ່ມາແນະນຳວິທີການທີ່ທັນສະໄໝ ແລະ ສົນທະນາກ່ຽວກັບການສ້າງບັນຫາ AI, ຂໍ້ດີ ແລະ ຂໍ້ຈຳກັດຂອງແບບຈຳລອງ AI, ແລະ ການທົດສອບແບບຈຳລອງ. ການບັນຍາຍໄດ້ຮັບການເສີມດ້ວຍວັນນະຄະດີ ແລະ ການຄົ້ນຄວ້າພາກປະຕິບັດກ່ຽວກັບອຸປະກອນປັນຍາປະດິດທີ່ມີຢູ່ແລ້ວ. ພວກເຮົາເນັ້ນໜັກໃສ່ທັກສະທີ່ຕ້ອງການເພື່ອປະເມີນປະສິດທິພາບ ແລະ ຄວາມເປັນໄປໄດ້ຂອງແບບຈຳລອງເພື່ອແກ້ໄຂບັນຫາທາງດ້ານຄລີນິກ, ລວມທັງການເຂົ້າໃຈຂໍ້ຈຳກັດຂອງອຸປະກອນປັນຍາປະດິດທີ່ມີຢູ່. ຕົວຢ່າງ, ພວກເຮົາໄດ້ຂໍໃຫ້ນັກສຶກສາຕີຄວາມໝາຍຄຳແນະນຳກ່ຽວກັບການບາດເຈັບທີ່ຫົວຂອງເດັກທີ່ສະເໜີໂດຍ Kupperman et al., 5 ເຊິ່ງໄດ້ຈັດຕັ້ງປະຕິບັດອັລກໍຣິທຶມຕົ້ນໄມ້ຕັດສິນໃຈປັນຍາປະດິດເພື່ອກຳນົດວ່າການສະແກນ CT ຈະເປັນປະໂຫຍດໂດຍອີງໃສ່ການກວດຂອງແພດຫຼືບໍ່. ພວກເຮົາເນັ້ນໜັກວ່ານີ້ແມ່ນຕົວຢ່າງທົ່ວໄປຂອງ AI ທີ່ໃຫ້ການວິເຄາະແບບຄາດເດົາສຳລັບແພດເພື່ອຕີຄວາມໝາຍ, ແທນທີ່ຈະທົດແທນແພດ.
ໃນຕົວຢ່າງການຂຽນໂປຣແກຣມ bootstrap ແບບ open source ທີ່ມີຢູ່ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ພວກເຮົາສາທິດວິທີການວິເຄາະຂໍ້ມູນແບບສຳຫຼວດ, ການຫຼຸດຜ່ອນມິຕິ, ການໂຫຼດແບບຈຳລອງມາດຕະຖານ, ແລະ ການຝຶກອົບຮົມ ແລະ ການທົດສອບ. ພວກເຮົາໃຊ້ປື້ມບັນທຶກ Google Colaboratory (Google LLC, Mountain View, CA), ເຊິ່ງອະນຸຍາດໃຫ້ສາມາດປະຕິບັດລະຫັດ Python ຈາກເວັບບຣາວເຊີໄດ້. ໃນຮູບທີ 2 ສະແດງຕົວຢ່າງຂອງການຝຶກຂຽນໂປຣແກຣມ. ການຝຶກນີ້ກ່ຽວຂ້ອງກັບການຄາດຄະເນມະເຮັງໂດຍໃຊ້ຊຸດຂໍ້ມູນການຖ່າຍພາບເຕົ້ານົມ Wisconsin Open Breast Imaging Dataset6 ແລະ ອັລກໍຣິທຶມຕົ້ນໄມ້ຕັດສິນໃຈ.
ນຳສະເໜີໂຄງການຕະຫຼອດອາທິດກ່ຽວກັບຫົວຂໍ້ທີ່ກ່ຽວຂ້ອງ ແລະ ເລືອກຕົວຢ່າງຈາກແອັບພລິເຄຊັນ AI ທີ່ເຜີຍແຜ່. ອົງປະກອບການຂຽນໂປຣແກຣມຈະຖືກລວມເຂົ້າເທົ່ານັ້ນຖ້າພວກມັນຖືກພິຈາລະນາວ່າກ່ຽວຂ້ອງກັບການໃຫ້ຄວາມເຂົ້າໃຈກ່ຽວກັບການປະຕິບັດທາງດ້ານຄລີນິກໃນອະນາຄົດ, ເຊັ່ນວ່າວິທີການປະເມີນຜົນແບບຈຳລອງເພື່ອກຳນົດວ່າພວກມັນພ້ອມທີ່ຈະນຳໃຊ້ໃນການທົດລອງທາງດ້ານຄລີນິກຫຼືບໍ່. ຕົວຢ່າງເຫຼົ່ານີ້ສິ້ນສຸດລົງດ້ວຍແອັບພລິເຄຊັນແບບ end-to-end ທີ່ຈັດປະເພດເນື້ອງອກເປັນເນື້ອງອກທີ່ບໍ່ເປັນອັນຕະລາຍ ຫຼື ເປັນເນື້ອງອກຮ້າຍໂດຍອີງໃສ່ພາລາມິເຕີຮູບພາບທາງການແພດ.
ຄວາມແຕກຕ່າງຂອງຄວາມຮູ້ກ່ອນໜ້ານີ້. ຜູ້ເຂົ້າຮ່ວມຂອງພວກເຮົາມີລະດັບຄວາມຮູ້ທາງຄະນິດສາດທີ່ແຕກຕ່າງກັນ. ຕົວຢ່າງ, ນັກຮຽນທີ່ມີພື້ນຖານວິສະວະກຳຂັ້ນສູງກຳລັງຊອກຫາເອກະສານທີ່ເລິກເຊິ່ງກວ່າ, ເຊັ່ນວິທີການປະຕິບັດການຫັນປ່ຽນຟູຣຽຂອງຕົນເອງ. ຢ່າງໃດກໍຕາມ, ການສົນທະນາກ່ຽວກັບອັລກໍຣິທຶມຟູຣຽໃນຫ້ອງຮຽນແມ່ນເປັນໄປບໍ່ໄດ້ເພາະມັນຕ້ອງການຄວາມຮູ້ຢ່າງເລິກເຊິ່ງກ່ຽວກັບການປະມວນຜົນສັນຍານ.
ການໄຫຼອອກຂອງຜູ້ເຂົ້າຮ່ວມ. ການເຂົ້າຮ່ວມກອງປະຊຸມຕິດຕາມຫຼຸດລົງ, ໂດຍສະເພາະໃນຮູບແບບອອນໄລນ໌. ວິທີແກ້ໄຂອາດຈະເປັນການຕິດຕາມການເຂົ້າຮ່ວມ ແລະ ໃຫ້ໃບຢັ້ງຢືນການສຳເລັດການສຶກສາ. ໂຮງຮຽນແພດເປັນທີ່ຮູ້ຈັກກັນດີໃນການຮັບຮູ້ບົດບັນທຶກການສຶກສາຂອງກິດຈະກໍາທາງວິຊາການນອກຫຼັກສູດຂອງນັກສຶກສາ, ເຊິ່ງສາມາດຊຸກຍູ້ໃຫ້ນັກສຶກສາສຶກສາຕໍ່ໃນລະດັບປະລິນຍາຕີ.
ການອອກແບບຫຼັກສູດ: ເນື່ອງຈາກ AI ກວມເອົາຫຼາຍຂົງເຂດຍ່ອຍ, ການເລືອກແນວຄວາມຄິດຫຼັກທີ່ມີຄວາມເລິກ ແລະ ຄວາມກວ້າງທີ່ເໝາະສົມອາດເປັນສິ່ງທ້າທາຍ. ຕົວຢ່າງ, ການຕໍ່ເນື່ອງຂອງການນຳໃຊ້ເຄື່ອງມື AI ຈາກຫ້ອງທົດລອງໄປຫາຄລີນິກແມ່ນຫົວຂໍ້ທີ່ສຳຄັນ. ໃນຂະນະທີ່ພວກເຮົາກວມເອົາການປະມວນຜົນຂໍ້ມູນລ່ວງໜ້າ, ການສ້າງແບບຈຳລອງ, ແລະ ການກວດສອບຄວາມຖືກຕ້ອງ, ພວກເຮົາບໍ່ໄດ້ລວມເອົາຫົວຂໍ້ຕ່າງໆເຊັ່ນ: ການວິເຄາະຂໍ້ມູນຂະໜາດໃຫຍ່, ການສະແດງພາບແບບໂຕ້ຕອບ, ຫຼື ການດຳເນີນການທົດລອງທາງຄລີນິກ AI, ແທນທີ່ຈະສຸມໃສ່ແນວຄວາມຄິດ AI ທີ່ເປັນເອກະລັກທີ່ສຸດ. ຫຼັກການຊີ້ນຳຂອງພວກເຮົາແມ່ນເພື່ອປັບປຸງຄວາມຮູ້, ບໍ່ແມ່ນທັກສະ. ຕົວຢ່າງ, ການເຂົ້າໃຈວິທີການປະມວນຜົນແບບຈຳລອງຄຸນສົມບັດການປ້ອນຂໍ້ມູນແມ່ນສຳຄັນຕໍ່ການຕີຄວາມໝາຍ. ວິທີໜຶ່ງໃນການເຮັດສິ່ງນີ້ແມ່ນການໃຊ້ແຜນທີ່ການກະຕຸ້ນການไล่ระดับສີ, ເຊິ່ງສາມາດເບິ່ງເຫັນວ່າພາກພື້ນໃດຂອງຂໍ້ມູນສາມາດຄາດເດົາໄດ້. ຢ່າງໃດກໍຕາມ, ສິ່ງນີ້ຕ້ອງການແຄລຄູລັສຫຼາຍຕົວແປ ແລະ ບໍ່ສາມາດນຳສະເໜີໄດ້8. ການພັດທະນາຄຳສັບທົ່ວໄປແມ່ນສິ່ງທ້າທາຍເພາະວ່າພວກເຮົາກຳລັງພະຍາຍາມອະທິບາຍວິທີການເຮັດວຽກກັບຂໍ້ມູນເປັນເວັກເຕີໂດຍບໍ່ມີຮູບແບບທາງຄະນິດສາດ. ໃຫ້ສັງເກດວ່າຄຳສັບທີ່ແຕກຕ່າງກັນມີຄວາມໝາຍດຽວກັນ, ຕົວຢ່າງ, ໃນລະບາດວິທະຍາ, "ລັກສະນະ" ຖືກອະທິບາຍວ່າເປັນ "ຕົວແປ" ຫຼື "ຄຸນລັກສະນະ".
ການຮັກສາຄວາມຮູ້. ເນື່ອງຈາກການນຳໃຊ້ AI ມີຂໍ້ຈຳກັດ, ຂອບເຂດທີ່ຜູ້ເຂົ້າຮ່ວມຮັກສາຄວາມຮູ້ຍັງຄົງຕ້ອງໄດ້ລໍຖ້າເບິ່ງ. ຫຼັກສູດການສຶກສາຂອງໂຮງຮຽນແພດມັກຈະອີງໃສ່ການເວົ້າຊ້ຳໆເພື່ອເສີມສ້າງຄວາມຮູ້ໃນລະຫວ່າງການໝູນວຽນປະຕິບັດຕົວຈິງ,9 ເຊິ່ງຍັງສາມາດນຳໃຊ້ກັບການສຶກສາ AI ໄດ້.
ຄວາມເປັນມືອາຊີບມີຄວາມສຳຄັນຫຼາຍກວ່າການຮູ້ໜັງສື. ຄວາມເລິກຂອງເອກະສານໄດ້ຖືກອອກແບບໂດຍບໍ່ມີຄວາມເຂັ້ມງວດທາງຄະນິດສາດ, ເຊິ່ງເປັນບັນຫາໃນເວລາເປີດຫຼັກສູດທາງດ້ານຄລີນິກໃນດ້ານປັນຍາປະດິດ. ໃນຕົວຢ່າງການຂຽນໂປຣແກຣມ, ພວກເຮົາໃຊ້ໂປຣແກຣມແມ່ແບບທີ່ຊ່ວຍໃຫ້ຜູ້ເຂົ້າຮ່ວມສາມາດຕື່ມຂໍ້ມູນໃສ່ໃນຊ່ອງຂໍ້ມູນ ແລະ ເປີດໃຊ້ຊອບແວໂດຍບໍ່ຕ້ອງຄິດຫາວິທີການຕັ້ງຄ່າສະພາບແວດລ້ອມການຂຽນໂປຣແກຣມທີ່ສົມບູນ.
ຄວາມກັງວົນກ່ຽວກັບປັນຍາປະດິດໄດ້ຮັບການແກ້ໄຂ: ມີຄວາມກັງວົນຢ່າງກວ້າງຂວາງວ່າປັນຍາປະດິດສາມາດທົດແທນໜ້າທີ່ທາງດ້ານການແພດບາງຢ່າງໄດ້3. ເພື່ອແກ້ໄຂບັນຫານີ້, ພວກເຮົາອະທິບາຍເຖິງຂໍ້ຈຳກັດຂອງ AI, ລວມທັງຄວາມຈິງທີ່ວ່າເກືອບທຸກເທັກໂນໂລຢີ AI ທີ່ໄດ້ຮັບການອະນຸມັດຈາກຜູ້ຄວບຄຸມຕ້ອງການການຊີ້ນຳຈາກແພດ11. ພວກເຮົາຍັງເນັ້ນໜັກເຖິງຄວາມສຳຄັນຂອງອະຄະຕິເພາະວ່າອັລກໍຣິທຶມມັກຈະມີອະຄະຕິ, ໂດຍສະເພາະຖ້າຊຸດຂໍ້ມູນບໍ່ມີຄວາມຫຼາກຫຼາຍ12. ດັ່ງນັ້ນ, ກຸ່ມຍ່ອຍສະເພາະໃດໜຶ່ງອາດຈະຖືກສ້າງແບບຈຳລອງບໍ່ຖືກຕ້ອງ, ເຊິ່ງນຳໄປສູ່ການຕັດສິນໃຈທາງດ້ານການແພດທີ່ບໍ່ຍຸດຕິທຳ.
ຊັບພະຍາກອນແມ່ນສາມາດເຂົ້າເຖິງໄດ້ຈາກສາທາລະນະ: ພວກເຮົາໄດ້ສ້າງຊັບພະຍາກອນທີ່ສາມາດເຂົ້າເຖິງໄດ້ຈາກສາທາລະນະ, ລວມທັງສະໄລ້ບັນຍາຍ ແລະ ລະຫັດ. ເຖິງແມ່ນວ່າການເຂົ້າເຖິງເນື້ອຫາທີ່ພ້ອມໆກັນແມ່ນມີຈຳກັດຍ້ອນເຂດເວລາ, ແຕ່ເນື້ອຫາແບບໂອເພນຊອສແມ່ນວິທີທີ່ສະດວກສຳລັບການຮຽນຮູ້ແບບບໍ່ພ້ອມໆກັນ ເນື່ອງຈາກຄວາມຊ່ຽວຊານດ້ານ AI ບໍ່ມີຢູ່ໃນໂຮງຮຽນແພດທຸກແຫ່ງ.
ການຮ່ວມມືລະຫວ່າງສາຂາວິຊາ: ກອງປະຊຸມນີ້ແມ່ນການຮ່ວມມືທີ່ລິເລີ່ມໂດຍນັກສຶກສາແພດເພື່ອວາງແຜນຫຼັກສູດຮ່ວມກັບວິສະວະກອນ. ສິ່ງນີ້ສະແດງໃຫ້ເຫັນເຖິງໂອກາດການຮ່ວມມື ແລະ ຊ່ອງຫວ່າງຄວາມຮູ້ໃນທັງສອງຂົງເຂດ, ຊ່ວຍໃຫ້ຜູ້ເຂົ້າຮ່ວມເຂົ້າໃຈບົດບາດທີ່ມີທ່າແຮງທີ່ພວກເຂົາສາມາດປະກອບສ່ວນໃນອະນາຄົດ.
ກຳນົດຄວາມສາມາດຫຼັກຂອງ AI. ການກຳນົດລາຍຊື່ຄວາມສາມາດສະໜອງໂຄງສ້າງມາດຕະຖານທີ່ສາມາດປະສົມປະສານເຂົ້າໃນຫຼັກສູດການແພດທີ່ອີງໃສ່ຄວາມສາມາດທີ່ມີຢູ່ແລ້ວ. ກອງປະຊຸມນີ້ປະຈຸບັນໃຊ້ລະດັບຈຸດປະສົງການຮຽນຮູ້ 2 (ຄວາມເຂົ້າໃຈ), 3 (ການນຳໃຊ້), ແລະ 4 (ການວິເຄາະ) ຂອງ Bloom's Taxonomy. ການມີຊັບພະຍາກອນໃນລະດັບການຈັດປະເພດທີ່ສູງກວ່າ, ເຊັ່ນ: ການສ້າງໂຄງການ, ສາມາດເສີມສ້າງຄວາມຮູ້ຕື່ມອີກ. ສິ່ງນີ້ຮຽກຮ້ອງໃຫ້ເຮັດວຽກຮ່ວມກັບຜູ້ຊ່ຽວຊານດ້ານການແພດເພື່ອກຳນົດວິທີການນຳໃຊ້ຫົວຂໍ້ AI ກັບຂະບວນການເຮັດວຽກທາງດ້ານການແພດ ແລະ ປ້ອງກັນການສອນຫົວຂໍ້ທີ່ຊ້ຳຊ້ອນທີ່ລວມຢູ່ໃນຫຼັກສູດການແພດມາດຕະຖານແລ້ວ.
ສ້າງກໍລະນີສຶກສາໂດຍໃຊ້ AI. ຄ້າຍຄືກັນກັບຕົວຢ່າງທາງດ້ານຄລີນິກ, ການຮຽນຮູ້ໂດຍອີງໃສ່ກໍລະນີສຶກສາສາມາດເສີມສ້າງແນວຄວາມຄິດທີ່ບໍ່ມີຕົວຕົນໂດຍການເນັ້ນໃຫ້ເຫັນເຖິງຄວາມກ່ຽວຂ້ອງຂອງມັນກັບຄໍາຖາມທາງດ້ານຄລີນິກ. ຕົວຢ່າງ, ການສຶກສາກອງປະຊຸມໜຶ່ງໄດ້ວິເຄາະລະບົບກວດຫາພະຍາດເບົາຫວານທີ່ອີງໃສ່ AI ຂອງ Google 13 ເພື່ອລະບຸສິ່ງທ້າທາຍຕາມເສັ້ນທາງຈາກຫ້ອງທົດລອງໄປຫາຄລີນິກ, ເຊັ່ນ: ຂໍ້ກຳນົດການກວດສອບພາຍນອກ ແລະ ເສັ້ນທາງການອະນຸມັດດ້ານກົດລະບຽບ.
ໃຊ້ການຮຽນຮູ້ຈາກປະສົບການ: ທັກສະດ້ານວິຊາການຮຽກຮ້ອງໃຫ້ມີການຝຶກຝົນທີ່ເນັ້ນໃສ່ ແລະ ການນຳໃຊ້ຊ້ຳໆເພື່ອເປັນແມ່ບົດ, ຄ້າຍຄືກັບປະສົບການການຮຽນຮູ້ແບບໝູນວຽນຂອງຜູ້ຝຶກຫັດທາງດ້ານຄລີນິກ. ວິທີແກ້ໄຂທີ່ເປັນໄປໄດ້ອັນໜຶ່ງແມ່ນຮູບແບບຫ້ອງຮຽນແບບ flipped classroom, ເຊິ່ງໄດ້ຖືກລາຍງານວ່າຊ່ວຍປັບປຸງການຮັກສາຄວາມຮູ້ໃນການສຶກສາດ້ານວິສະວະກຳ14. ໃນຮູບແບບນີ້, ນັກຮຽນທົບທວນເອກະສານທາງທິດສະດີຢ່າງເປັນອິດສະຫຼະ ແລະ ເວລາຮຽນແມ່ນອຸທິດໃຫ້ກັບການແກ້ໄຂບັນຫາຜ່ານການສຶກສາກໍລະນີ.
ການຂະຫຍາຍຂອບເຂດສຳລັບຜູ້ເຂົ້າຮ່ວມຫຼາຍສາຂາວິຊາ: ພວກເຮົາຈິນຕະນາການເຖິງການຮັບຮອງເອົາ AI ທີ່ກ່ຽວຂ້ອງກັບການຮ່ວມມືໃນຫຼາຍສາຂາວິຊາ, ລວມທັງແພດໝໍ ແລະ ຜູ້ຊ່ຽວຊານດ້ານສຸຂະພາບທີ່ມີລະດັບການຝຶກອົບຮົມທີ່ແຕກຕ່າງກັນ. ດັ່ງນັ້ນ, ຫຼັກສູດອາດຈະຕ້ອງໄດ້ຮັບການພັດທະນາໂດຍປຶກສາຫາລືກັບຄະນະວິຊາຈາກພະແນກຕ່າງໆເພື່ອປັບແຕ່ງເນື້ອໃນຂອງເຂົາເຈົ້າໃຫ້ເໝາະສົມກັບຂົງເຂດການດູແລສຸຂະພາບທີ່ແຕກຕ່າງກັນ.
ປັນຍາປະດິດແມ່ນເຕັກໂນໂລຊີທີ່ທັນສະໄໝ ແລະ ແນວຄວາມຄິດຫຼັກຂອງມັນກ່ຽວຂ້ອງກັບຄະນິດສາດ ແລະ ວິທະຍາສາດຄອມພິວເຕີ. ການຝຶກອົບຮົມພະນັກງານດ້ານສຸຂະພາບໃຫ້ເຂົ້າໃຈປັນຍາປະດິດ ນຳສະເໜີສິ່ງທ້າທາຍທີ່ເປັນເອກະລັກໃນການເລືອກເນື້ອໃນ, ຄວາມກ່ຽວຂ້ອງທາງດ້ານຄລີນິກ ແລະ ວິທີການຈັດສົ່ງ. ພວກເຮົາຫວັງວ່າຄວາມເຂົ້າໃຈທີ່ໄດ້ຮັບຈາກກອງປະຊຸມ AI ໃນການສຶກສາຈະຊ່ວຍໃຫ້ນັກການສຶກສາໃນອະນາຄົດຮັບເອົາວິທີການໃໝ່ໆເພື່ອເຊື່ອມໂຍງ AI ເຂົ້າໃນການສຶກສາທາງການແພດ.
ສະຄຣິບ Python ຂອງ Google Colaboratory ເປັນແບບໂອເພນຊອສ ແລະ ສາມາດເບິ່ງໄດ້ທີ່: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ແລະ Khan, S. ການຄິດຄືນໃໝ່ກ່ຽວກັບການສຶກສາທາງການແພດ: ການຮຽກຮ້ອງໃຫ້ມີການປະຕິບັດ. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG ແລະອື່ນໆ. ນັກສຶກສາແພດຈຳເປັນຕ້ອງຮູ້ຫຍັງແທ້ໆກ່ຽວກັບປັນຍາປະດິດ? ຕົວເລກ NPZh. ຢາປົວພະຍາດ 3, 1–3 (2020).
ດອສ ຊານໂຕສ, DP, ແລະ ອື່ນໆ. ທັດສະນະຄະຕິຂອງນັກສຶກສາແພດຕໍ່ປັນຍາປະດິດ: ການສຳຫຼວດຫຼາຍສູນ. ຢູໂຣ. ລັງສີ. 29, 1640–1646 (2019).
Fan, KY, Hu, R., ແລະ Singla, R. ການແນະນຳການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບນັກສຶກສາແພດ: ໂຄງການທົດລອງ. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, ແລະ ອື່ນໆ. ການລະບຸເດັກທີ່ມີຄວາມສ່ຽງຕໍ່າຫຼາຍຂອງການບາດເຈັບທີ່ສະໝອງທີ່ສຳຄັນທາງດ້ານຄລີນິກຫຼັງຈາກການບາດເຈັບທີ່ຫົວ: ການສຶກສາກຸ່ມຕົວຢ່າງແບບ prospective. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ແລະ Mangasarian, OL. ການສະກັດເອົາຄຸນລັກສະນະນິວເຄຼຍສຳລັບການວິນິດໄສເນື້ອງອກເຕົ້ານົມ. ວິທະຍາສາດຊີວະວິທະຍາ. ການປະມວນຜົນຮູບພາບ. ວິທະຍາສາດຊີວະວິທະຍາ. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. ແລະ Peng, L. ວິທີການພັດທະນາຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບການດູແລສຸຂະພາບ. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR ແລະ ອື່ນໆ. Grad-cam: ການຕີຄວາມໝາຍທາງສາຍຕາຂອງເຄືອຂ່າຍເລິກຜ່ານການທ້ອງຖິ່ນທີ່ອີງໃສ່ການເກຣດ. ລາຍງານການປະຊຸມສາກົນ IEEE ກ່ຽວກັບວິໄສທັດຄອມພິວເຕີ, 618–626 (2017).
Kumaravel B, Stewart K ແລະ Ilic D. ການພັດທະນາ ແລະ ການປະເມີນຜົນຂອງຮູບແບບກ້ຽວວຽນສຳລັບການປະເມີນຄວາມສາມາດດ້ານການແພດທີ່ອີງໃສ່ຫຼັກຖານໂດຍໃຊ້ OSCE ໃນການສຶກສາທາງການແພດລະດັບປະລິນຍາຕີ. BMK Medicine. ສອນ. 21, 1–9 (2021).
Kolachalama VB ແລະ Garg PS ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ ແລະ ການສຶກສາທາງການແພດ. ຕົວເລກ NPZh. ຢາປົວພະຍາດ. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, ​​​​S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Artificial intelligence in radiology: 100 ຜະລິດຕະພັນການຄ້າແລະຫຼັກຖານທາງວິທະຍາສາດຂອງພວກເຂົາ. ເອີໂຣ. ລັງສີ. 31, 3797–3804 (2021).
Topol, EJ ຢາທີ່ມີປະສິດທິພາບສູງ: ການລວມຕົວກັນລະຫວ່າງປັນຍາປະດິດ ແລະ ປັນຍາຂອງມະນຸດ. ວາລະສານ Nat. medicine. 25, 44–56 (2019).
Bede, E. ແລະ ອື່ນໆ. ການປະເມີນຜົນທີ່ເນັ້ນໃສ່ມະນຸດເປັນສູນກາງຂອງລະບົບການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງທີ່ນຳໃຊ້ໃນຄລີນິກເພື່ອກວດຫາພະຍາດເບົາຫວານໃນຕາ. ລາຍງານການປະຊຸມ CHI ປີ 2020 ກ່ຽວກັບປັດໄຈມະນຸດໃນລະບົບຄອມພິວເຕີ (2020).
Kerr, B. ຫ້ອງຮຽນແບບ flipped ໃນການສຶກສາວິສະວະກຳ: ການທົບທວນການຄົ້ນຄວ້າ. ລາຍງານການປະຊຸມສາກົນປີ 2015 ກ່ຽວກັບການຮຽນຮູ້ແບບຮ່ວມມືແບບໂຕ້ຕອບ (2015).
ຜູ້ຂຽນຂໍຂອບໃຈ Danielle Walker, Tim Salcudin, ແລະ Peter Zandstra ຈາກກຸ່ມຄົ້ນຄວ້າການຖ່າຍພາບຊີວະພາບ ແລະ ປັນຍາປະດິດ ທີ່ມະຫາວິທະຍາໄລ British Columbia ສຳລັບການສະໜັບສະໜູນ ແລະ ທຶນຮອນ.
ຝ່າຍ RH, PP, ZH, RS ແລະ MA ຮັບຜິດຊອບໃນການພັດທະນາເນື້ອໃນການສອນຂອງກອງປະຊຸມ. ຝ່າຍ RH ແລະ PP ຮັບຜິດຊອບໃນການພັດທະນາຕົວຢ່າງການຂຽນໂປຣແກຣມ. ຝ່າຍ KYF, OY, MT ແລະ PW ຮັບຜິດຊອບໃນການຈັດຕັ້ງໂຄງການ ແລະ ການວິເຄາະກອງປະຊຸມ. ຝ່າຍ RH, OY, MT, RS ຮັບຜິດຊອບໃນການສ້າງຮູບພາບ ແລະ ຕາຕະລາງ. ຝ່າຍ RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ຮັບຜິດຊອບໃນການຮ່າງ ແລະ ແກ້ໄຂເອກະສານ.
ສາຂາວິຊາການສື່ສານຂໍຂອບໃຈ Carolyn McGregor, Fabio Moraes, ແລະ Aditya Borakati ສຳລັບການປະກອບສ່ວນຂອງເຂົາເຈົ້າໃນການທົບທວນວຽກງານນີ້.