Our approach addresses the urgent need for AI experience for the doctors of tomorrow. Through a medical education-focused approach to data labelling, we have fostered medical student competence in medical imaging and AI. We envision our framework being applied at other institutions and academic groups to develop robust labelling programs for research endeavours. Application of our approach to core visual modalities within medicine (e.g. interpretation of ECGs, diagnostic imaging, dermatologic findings) can lead to valuable student experience and competence in domains that feature prominently in clinical practice, while generating much needed data in fields that are ripe for AI integration.
Notre approche répond au besoin urgent de familiariser les médecins de demain avec l’IA. Nous avons cherché à développer leurs compétences en imagerie médicale et en IA par une approche à l’étiquetage de données axée sur la formation médicale. D’autres établissements et groupes universitaires souhaitant mettre sur pied des programmes d’étiquetage solides pour leurs projets de recherche pourraient adopter notre modèle. L’application de notre approche aux principales modalités visuelles en médecine (par exemple, l’interprétation des ECG, l’imagerie diagnostique, le diagnostic des lésions dermatologiques) peut permettre aux étudiants d’acquérir une expérience et des compétences précieuses dans des domaines importants de la pratique clinique, tout en procurant des données indispensables dans des secteurs qui sont mûrs pour une intégration de l’IA.
© 2023 Tschirhart, Woolsey, Skinner, Ahmed, Fleming, Kim, Dave, Arntfield; licensee Synergies Partners.