通过图像标签向医学学生介绍深度学习:一种新的方法来满足医疗学员中更大的人工智能流性的要求
Jared Tschirhart1, Amadene Woolsey1, Jamila Skinner1
1Schulich School of Medicine and Dentistry, Western University, Ontario, Canada.
Canadian medical education journal
|July 19, 2023
概括
这项研究为医学学生开发了一个人工智能培训框架,通过数据标签增强他们在医学成像和人工智能方面的技能. 该方法旨在为未来的医生建立人工智能能力,并产生有价值的研究数据.
科学领域:
- 医学教育 医学教育
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 人工智能 (AI) 整合到医疗保健中需要培训未来的医生使用AI技术.
- 医学学生需要人工智能工具和与临床实践相关的数据解释的实践经验.
- 人们越来越需要高质量的标记医疗数据,以推进各种医疗领域的AI开发.
研究的目的:
- 引入针对医学学生的AI教育的新框架.
- 提高学生在解释医疗图像和利用人工智能工具方面的能力.
- 为医学人工智能研究建立一个可扩展的数据标签程序.
主要方法:
- 实施了一种以医学教育为重点的数据标签方法.
- 医学学生积极参与从核心视觉模式标记数据.
- 该框架旨在在不同机构和研究小组之间实现适应性.
主要成果:
- 医学学生在医学成像解释和AI方面的能力得到了显著的培养.
- 数据标签过程为人工智能研究产生了有价值的数据集.
- 该框架在提供实际AI经验方面被证明是有效的.
结论:
- 开发的框架成功地提高了医学学生的AI能力,并提供了实践经验.
- 这种教育方法可以在其他机构复制,以建立强大的AI标签计划.
- 该计划解决了对AI准备医生的关键需求,并支持将AI整合到临床实践中.


