Initiation des étudiants en médecine à l’apprentissage profond par le biais de l’étiquetage d’images : une approche nouvelle pour répondre au besoin de mieux les familiariser avec l’intelligence artificielle
DOI :
https://doi.org/10.36834/cmej.75074Résumé
Énoncé des implications de la recherche
Notre approche répond au besoin urgent de familiariser les médecins de demain avec l’IA. Nous contribuons au développement de leurs compétences en imagerie médicale et en IA par une approche à l’étiquetage des données axée sur l’éducation médicale. Nous envisageons l’adoption de notre cadre par d’autres établissements et groupes universitaires souhaitant créer des programmes d’étiquetage solides pour leurs projets de recherche. L’application de notre approche aux principales techniques d’imagerie médicale (par exemple, l’interprétation des ECG, l’imagerie diagnostique, les résultats dermatologiques) peut permettre aux étudiants d’acquérir une expérience et des compétences précieuses dans des domaines importants de la pratique clinique, tout en générant des données indispensables dans des champs qui sont prêts pour l’intégration de l’IA.
Statistiques
Références
Richard Reznick, Harris K, Horsley T, Sheikh Hassani M. Artificial intelligence (AI) and emerging digital technologies [Internet]. Royal College of Physicians and Surgeons of Canada; 2020 Feb Available from: https://www.royalcollege.ca/rcsite/health-policy/initiatives/ai-task-force-e [Accessed on Sep 9, 2021].
Law M, Veinot P, Campbell J, Craig M, Mylopoulos M. Computing for Medicine: Can We Prepare Medical Students for the Future? Acad Med J Assoc Am Med Coll. 2019 Mar;94(3):353–7. https://doi.org/10.1097/ACM.0000000000002521
Rampton V, Mittelman M, Goldhahn J. Implications of artificial intelligence for medical education. Lancet Digit Health. 2020 Mar;2(3):e111–2. https://doi.org/10.1016/S2589-7500(20)30023-6
Paranjape K, Schinkel M, Nannan Panday R, Car J, Nanayakkara P. Introducing artificial intelligence training in medical education. JMIR Med Educ. 2019 Dec 3;5(2):e16048. https://doi.org/10.2196/16048
Labelbox [Internet]. 2022. Available from: https://labelbox.com [Accessed on Apr 2, 2022].
Arntfield R, Wu D, Tschirhart J, et al. Automation of lung ultrasound interpretation via deep learning for the classification of normal versus abnormal Lung Parenchyma: a multicenter study. Diagn Basel Switz. 2021 Nov 4;11(11):2049. https://doi.org/10.3390/diagnostics11112049
Téléchargements
Publié-e
Comment citer
Numéro
Rubrique
Licence
(c) Tous droits réservés Jared Tschirhart, Amadene Woolsey, Jamila Skinner, Khadija Ahmed, Courtney Fleming, Justin Kim, Chintan Dave, Robert Arntfield 2022
Cette œuvre est sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
La soumission d’un manuscrit original à la revue constitue une indication qu’il s’agit d’un travail original, qu’il n’a jamais été publié et qu’il n’est pas envisagé pour publication dans une autre revue. S’il est accepté, il sera publié en ligne et ne pourra l’être ailleurs sous la même forme, à des fins commerciales, dans quelque langue que ce soit, sans l’accord de l’éditeur.
La publication d’une recherche scientifique a pour but la diffusion de connaissances et, sous un régime sans but lucratif, ne profite financièrement ni à l’éditeur ni à l’auteur.
Les auteurs qui publient dans la Revue canadienne d’éducation médicale acceptent de publier leurs articles sous la licence Creative Commons Paternité - Pas d’utilisation commerciale, Pas de modification 4.0 Canada. Cette licence permet à quiconque de télécharger et de partager l’article à des fins non commerciales, à condition d’en attribuer le crédit aux auteurs. Pour plus de détails sur les droits que les auteurs accordent aux utilisateurs de leur travail, veuillez consulter le résumé de la licence et la licence complète.
